AI開発 比較

ローカル動画生成 AI モデル選び方 2026年版:Wan 2.2 / HunyuanVideo / LTX Video / CogVideoX を VRAM 要件・生成時間・ライセンスで選ぶ

ローカルで動画生成 AI を回すなら Wan 2.2 / HunyuanVideo / LTX Video / CogVideoX のどれを選ぶかを、VRAM 要件(12GB / 24GB / 32GB / 48GB)、720p 5秒動画の生成時間、Text-to-Video / Image-to-Video 対応、ライセンスの商用可否、ComfyUI ノード対応で整理します。2026 年に選ぶべきモデルを用途別に判断できます。

  • #ローカル動画生成
  • #Wan 2.2
  • #HunyuanVideo
  • #LTX Video
  • #CogVideoX
  • #Text-to-Video
  • #Image-to-Video
  • #ComfyUI
  • #VRAM
  • #動画生成モデル

本記事は Amazon.co.jp および各販売店のアフィリエイトリンクを含む場合があります。推奨は性能・コスパ・実機ベンチマーク基準で編集判断しており、提供記事は受け付けていません。詳細は プライバシーポリシー をご覧ください。

ローカル動画生成 AI モデル選び方 2026:Wan 2.2 / HunyuanVideo / LTX Video / CogVideoX を VRAM 要件・生成時間・ライセンスで選ぶ

結論:商用可・品質最優先で本命に据えるのは Wan 2.2(Apache 2.0)です。VRAM 24GB(RTX 4090 / 3090 / 5090)以上の GPU があれば 5B TI2V 版で 720p 5秒動画が数分で生成でき、14B 版は 32GB 帯(RTX 5090)以上で品質面のフルポテンシャルが出ます。細部表現や人物の解剖学的整合性を重視するなら HunyuanVideo(Tencent、fp8 量子化で 24GB 帯運用可、大規模商用は要ライセンス確認)。生成速度を最優先し反復調整を回すなら LTX Video(2B、12〜16GB 帯で動作)。VRAM 16GB 以下の入門機や Text-to-Video の学習・検証用途なら CogVideoX(2B / 5B、Apache 2.0)。用途別に 4 モデルを使い分ける構図が 2026 年後半の主流です。

「ローカルで動画生成を試したいが、Wan 2.2・HunyuanVideo・LTX Video・CogVideoX のどれを選ぶべきか」という質問が、Wan 2.2 が公開されて動画生成 OSS が本格的に出揃った 2026 年に入ってから急増しました。GPU 別の実測ベンチマークは ローカル動画生成 GPU別 VRAM ベンチマーク 2026年版 に、PC 構成の組み方は ローカル動画生成AI向けPC構成ガイド 2026年版 にまとめています。本記事はその 2 本の姉妹編として、「どのモデルを選ぶか」というモデル選定軸 に絞って整理します。

検索から来た方への要約

質問一行の答え
Wan 2.2 と HunyuanVideo の違いは?Wan 2.2 は Apache 2.0 で商用完全フリー、5B 軽量版で 24GB 帯にも収まる。HunyuanVideo は品質と細部表現で先行するが商用は条件付き
VRAM 12GB で動くのは?LTX Video(2B fp8)と CogVideoX 2B が現実解。Wan 2.2 5B は fp8 でぎりぎり、HunyuanVideo と Wan 2.2 14B は厳しい
一番速いのは?LTX Video。2B パラメータの軽量設計で 720p 5秒がリアルタイム寄り(数十秒〜1分台)で生成できる
商用制作物に使えるのは?Wan 2.2 と CogVideoX は Apache 2.0 で商用可。HunyuanVideo は Tencent Hunyuan Community License で条件付き商用可、LTX Video は OpenRAIL-M 系で条件付き
日本語プロンプトが通るのは?どのモデルも英語プロンプトが基本。日本語直接投入は精度が落ちるため、翻訳経由が現実解

2026 年時点の 4 モデル早見表

モデル開発元パラメータ公開時期ライセンスfp16 VRAM(推定)fp8 / 量子化 VRAM
Wan 2.2 14BAlibaba14B(image-to-video / text-to-video 統合)2026 年前半Apache 2.0約 48GB 以上量子化で 24〜32GB 帯
Wan 2.2 5B TI2VAlibaba5B(軽量派生)2026 年前半Apache 2.0約 16〜24GBfp8 で 12〜16GB
HunyuanVideoTencent13B2024 年末公開(2026 年に更新継続)Hunyuan Community License約 60GB+(フル)/ fp8 で 24GB 前後GGUF Q4 で 12〜16GB
LTX VideoLightricks2B2025 年中盤OpenRAIL-M 系約 12〜16GBfp8 で 8〜12GB
CogVideoX-5B智譜 AI(Zhipu)5B2024 年中盤(Apache 2.0)Apache 2.0約 18〜24GBfp8 で 12〜16GB
CogVideoX-2B智譜 AI(Zhipu)2B2024 年Apache 2.0約 10〜12GBfp8 で 6〜8GB

VRAM 数値は各モデルの公式リポジトリ・Hugging Face カード・ComfyUI コミュニティで公開されている実行時要件を整理した目安です。実際の消費量はフレーム数(2秒 / 5秒 / 10秒)、解像度(480p / 720p / 1080p)、テキストエンコーダの CPU オフロード有無、tiling / GGUF 量子化の適用度で ±30〜50% は動きます。

ここが 2026 年後半に Wan 2.2 が「商用可のローカル動画生成本命」 として注目される最大の理由です。

以下、モデル別に設計思想と実運用の勘所を見ていきます。

Wan 2.2:Apache 2.0 で商用完全フリー、5B 軽量版が消費者 GPU 対応の本命

Wan 2.2 は Alibaba の Wan(旧 WanX)シリーズ最新版。前作 Wan 2.1 の Apache 2.0 ライセンスを継承しています。商用生成物の販売・広告利用・重み再配布・fine-tune のいずれも自由。事業拡大時のライセンス切り替えを気にする必要がありません。

これが 2026 年後半に商用動画制作の基盤として Wan 2.2 が選ばれる決定的な理由です。

Wan 2.2 の設計上のポイントは 3 つあります。

  1. 14B メイン + 5B TI2V の 2 系統展開:14B メインは品質最優先で 32GB VRAM 帯(RTX 5090)以上が本命ハード。5B TI2V(Text-Image-to-Video)版は軽量派生で 24GB 帯の RTX 4090 / 3090 でも快適に動きます。用途と手持ちハードで選び分けられる構造です。
  2. Text-to-Video / Image-to-Video / Video-to-Video 統合:1 つのモデルで 3 種類の入力に対応します。ワークフローを分けずに済むぶん ComfyUI のノード構成が単純になり、静止画から動画生成へのパイプラインを組みやすいのが実利です。
  3. 中国語 / 英語プロンプト対応:公式は中国語と英語の双方言学習で、日本語プロンプトは英語経由が現実解です。翻訳を挟むぶん手間はありますが、Flux.1 系や SDXL 系と同じ運用感覚で扱えます。

VRAM 要件は 14B メインが fp16 で 48GB 以上、fp8 量子化で 24〜32GB 帯まで下がります。5B TI2V 版は fp16 で 16〜24GB、fp8 で 12〜16GB 帯に収まり、RTX 4070 SUPER 12GB / RTX 5080 16GB クラスでも実用範囲 に入ります。ComfyUI のネイティブノード対応が最も速く進んでいるモデルでもあります。コミュニティのワークフロー資産が急速に増えています。

HunyuanVideo:品質と細部表現で先行、商用は Hunyuan Community License の条件を要確認

HunyuanVideo は Tencent が 2024 年末に公開した 13B パラメータの動画生成モデル。公開当時「オープンな Sora 級」と評された品質で注目を集めました。人物の解剖学的整合性・細部の質感表現・カメラワークの自然さで、2026 年時点でも Wan 2.2 と並ぶトップティアの品質を保っています。

弱点は 3 点あります。

  • ライセンスは Tencent Hunyuan Community License:個人研究・小規模利用は商用可ですが、月間アクティブユーザー数など特定条件を超える大規模商用利用には別途ライセンス が必要です(公式ライセンス条項を必ず確認してください)。Wan 2.2 の Apache 2.0 のような「全条件で完全フリー」ではない点は、事業規模を拡大する場合に注意が必要です。
  • VRAM 要件が最も重い:fp16 のフル精度では 60GB 超で、H100 / RTX PRO 6000 96GB のような業務機が前提。消費者向けでは fp8 量子化で 24GB 帯(RTX 4090 / 3090)にぎりぎり収まり、GGUF Q4 まで下げれば 12〜16GB 帯でも動きますが、量子化の度合いに応じて細部表現に劣化が出ます。
  • T5-XXL テキストエンコーダを別途要求:モデル本体に加えて T5-XXL(9.4B、fp16 で約 9.4GB)をエンコード段で使うため、CPU オフロード運用ができないと VRAM 要件がさらに膨らみます。

「品質最優先で GPU に投資できる」層(RTX 5090 32GB / RTX PRO 6000 96GB 保有)や、非商用の研究・作品制作用途では、2026 年時点でも第一候補です。商用制作物に使う場合は Wan 2.2 との比較で、ライセンス条件の緩さと品質差のトレードオフを取ることになります。

LTX Video:2B の軽量設計でリアルタイム寄り、反復調整のワークフローに強い

LTX Video は Lightricks が 2025 年中盤に公開した 2B パラメータの動画生成モデル。「速さ」を設計思想の中心に据えた モデルです。他 3 モデルが 5〜14B パラメータで重量級なのに対し、LTX Video は 2B に絞り込んで消費者 GPU で高速動作させることを狙っています。

強みは 3 点あります。

  • 生成速度が段違い:RTX 4090 / 5090 で 720p 5秒動画が数十秒〜1分台で生成できる報告があり、Wan 2.2 14B や HunyuanVideo の 5〜10 分と比べて 1 桁速い水準。プロンプト調整の反復回数を稼げるため、意図に沿った動画を絞り込む作業効率が段違いです。
  • VRAM 要件が軽い:fp16 で 12〜16GB、fp8 で 8〜12GB 帯に収まり、RTX 4060 Ti 16GB / RTX 5070 12GB / RTX 3080 10GB クラスの入門〜ミドルレンジ GPU でも動きます。
  • 公式 ComfyUI ノード:Lightricks 自身が公式 ComfyUI ノードを提供しており、導入と実行の敷居が低いのが実利です。

弱点は品質面です。

細部の質感表現や長尺(5秒超)動画の一貫性では Wan 2.2 / HunyuanVideo に劣ります。「品質より速度と反復回数で勝負したい」ユースケース(プロトタイピング、SNS 用短尺動画、大量バリエーション出し)で第一候補になるモデルです。ライセンスは OpenRAIL-M 系の派生で条件付き商用可ですが、条件は Wan 2.2 の Apache 2.0 ほど自由ではないため、商用利用の際は公式ライセンス条項の確認が必要です。

CogVideoX:入門機から動画生成を試すなら Apache 2.0 の 2B 版

CogVideoX は智譜 AI(Zhipu)が 2024 年中盤に公開した動画生成モデルシリーズです。オープンソース Text-to-Video の初期代表格 として広く使われました。2B / 5B / 5B-I2V の 3 バリエーションがあり、いずれも Apache 2.0 で商用完全フリーです。

2026 年時点での位置付けは以下です。

  • Wan 2.2 が本命化した後の入門・検証枠:品質と機能では Wan 2.2 5B TI2V に譲る場面が増えましたが、2B 版は VRAM 10〜12GB 帯で動く数少ない選択肢 として、入門機ユーザーには依然として有力です。
  • T2V の学習・研究用途:Apache 2.0 でモデル構造の学習リソースが豊富、diffusers ライブラリのネイティブサポートも充実しているため、動画生成モデルの内部構造を学びたい人・自前で fine-tune を試したい人には第一候補です。
  • 中国語プロンプト対応が最も自然:中国語話者ユーザーには他 3 モデルより日常運用の感触が良いという報告があります。

VRAM 要件は 2B 版が fp16 で 10〜12GB、5B 版が 18〜24GB。RTX 3060 12GB / RTX 4060 Ti 16GB クラスの入門機で動画生成を試す最初のステップ として選ぶ用途では、2B 版が現実解です。

VRAM 別のハードウェア推奨マトリクス

各モデルを実用的に動かすのに必要な VRAM を、実勢の GPU に落とし込みました。

VRAMGPU 例動くモデル動かせないモデル
8〜12GBRTX 4060 Ti 8GB / RTX 3060 12GB / RTX 5060 12GBCogVideoX 2B(fp16)、LTX Video(fp8)、HunyuanVideo(GGUF Q4 でぎりぎり)Wan 2.2 5B / 14B、CogVideoX 5B、HunyuanVideo fp8
16GBRTX 4080 SUPER / RTX 5080 / RTX 4070 Ti SUPERLTX Video(fp16)、Wan 2.2 5B(fp8)、CogVideoX 5B(fp8)Wan 2.2 14B、HunyuanVideo fp16
24GBRTX 4090 / RTX 3090 / RTX 5090 32GBWan 2.2 5B(fp16 快適)、HunyuanVideo(fp8)、CogVideoX 5B(fp16)Wan 2.2 14B(fp16)、HunyuanVideo(fp16)
32GBRTX 5090Wan 2.2 14B(fp8 快適)、HunyuanVideo(fp8 + 高解像度)、他全モデル余裕Wan 2.2 14B(fp16 の一部長尺条件)
48GB+RTX PRO 6000 96GB / H100 80GB全モデル fp16、複数モデル並列運用、fine-tune 領域ほぼ制約なし
Apple 64GB〜M4 Max 64GB / M3 Ultra 192GBDraw Things 経由で一部モデルの INT4 / fp8 動作。ComfyUI MPS は動画系ノードの互換性が限定的で速度は RTX の 5〜10 分の 1ComfyUI ネイティブ想定のノード群は全面対応に至らない

具体的な GPU 別生成速度は ローカル動画生成 GPU別 VRAM ベンチマーク 2026年版 に、システム RAM・電源・ストレージまで含めた PC 構成全体は ローカル動画生成AI向けPC構成ガイド 2026年版 に整理しています。

生成時間の相場感(720p 5秒動画・1本あたり)

各モデル・各 GPU の 720p 5秒動画 1 本あたりの生成時間の相場感を整理しました。数値は ComfyUI + 各モデル推奨サンプラーでの公開ベンチとコミュニティ報告からの整理値です。プロンプト複雑度・フレーム数・サンプラー設定で ±40% 程度は動きます。

モデルRTX 5090 32GBRTX 4090 24GBRTX 5080 16GBM4 Max 64GB
LTX Video 2B約 30〜60 秒約 60〜90 秒約 90〜120 秒Draw Things 系対応の進捗次第
CogVideoX-5B約 3〜5 分約 6〜9 分約 10〜14 分(fp8)動作報告あるが実用速度に到達せず
Wan 2.2 5B TI2V約 2〜4 分約 4〜7 分約 8〜12 分(fp8)対応進行中
Wan 2.2 14B約 6〜10 分(fp8)約 15〜25 分(fp8、量子化必須)動作困難(VRAM 不足)対応進行中
HunyuanVideo 13B約 8〜15 分(fp8)約 20〜30 分(fp8)動作困難(GGUF 前提)対応進行中

LTX Video の速度が突出しているのが分かります。

「1 本 30 秒」で回せるモデルと「1 本 15 分」のモデルは、同じ「動画生成」でも作業フローが別物になります。プロンプト調整の反復が必要な段階では LTX Video、最終出力の品質を上げる段階では Wan 2.2 / HunyuanVideo という 2 段構えの使い分けが現実的です。

ライセンス比較:商用ワークフローの判断軸

モデル商用可重み再配布Fine-tune大規模利用の条件
Wan 2.2 14B / 5B(Apache 2.0)可可可なし
CogVideoX 2B / 5B(Apache 2.0)可可可なし
HunyuanVideo(Hunyuan Community License)条件付き可条件付き可大規模商用は別途ライセンス確認
LTX Video(OpenRAIL-M 系)条件付き可条件付き可用途制限条項あり、公式条文の確認必須

商用完全フリーで運用したいなら Wan 2.2 か CogVideoX の Apache 2.0 系一択です。HunyuanVideo と LTX Video は「小規模利用は問題ないが、規模が大きくなる際にライセンス切り替えを検討する」前提での運用になります。ライセンス条項は各モデルの公式リポジトリ(GitHub / Hugging Face)から最新版を必ず参照してください。

Text-to-Video / Image-to-Video / Video-to-Video 対応

モデルT2VI2VV2V解像度上限フレーム数上限
Wan 2.2 14B○○(統合)○1080p 前後5〜10 秒程度
Wan 2.2 5B TI2V○○(統合)一部対応720p 前後5秒程度
HunyuanVideo○○(別モデル)制限あり720p 前後5秒程度
LTX Video○○○(短尺)720p 前後5秒前後
CogVideoX-5B / 2B○○(5B-I2V 版)制限あり480p / 720p6秒程度

Image-to-Video で「静止画から動画を作る」パイプラインを組みたいなら Wan 2.2 が 1 モデル完結で最も扱いやすいです。HunyuanVideo は I2V 用の別モデルを追加で読み込む構成になります。CogVideoX-5B-I2V も I2V 特化版が公開されているため、Apache 2.0 で I2V を回したい場合の選択肢です。

ComfyUI と Draw Things の対応状況

モデルComfyUI(NVIDIA)ComfyUI(Mac MPS)Draw Things(Mac)
Wan 2.2完全対応・ネイティブノード部分対応、速度は極端に落ちる対応進行中
HunyuanVideo完全対応動くが極端に遅い対応進行中(INT4 量子化)
LTX Video完全対応・公式ノード提供部分対応対応進行中
CogVideoX完全対応部分対応対応進行中

NVIDIA + ComfyUI が動画生成では最も対応が広いです。ノードとワークフローの資産も豊富です。Mac 側は Draw Things のノード対応が動画生成分野では発展途上。2026 年時点で「Mac で動画生成」を本格運用するには、画像生成ほどには成熟していません。Mac 派で動画生成を試したい場合は、AI画像生成は NVIDIA RTX か Apple Silicon か 2026年版 で整理したハード選定の全体像を踏まえた上で、当面は NVIDIA GPU 併用が現実解です。

ユースケース別の選び方

1. 商用制作物・広告・有料コンテンツを作る → Wan 2.2

Apache 2.0 で商用条件を気にせず使えて、品質面でも 2026 年後半のトップティアに位置するのが Wan 2.2 です。VRAM 24GB 帯以上(RTX 4090 / RTX 3090 / RTX 5090)を用意し、5B TI2V 版で 720p 5秒動画を数分で回す運用が現実的な入口。品質を極めたければ RTX 5090 32GB で 14B メイン版を fp8 運用します。

2. 個人研究・作品制作・品質最優先 → HunyuanVideo

品質最優先で商用条件を気にしないなら HunyuanVideo が第一候補です。VRAM 24〜32GB 帯以上(RTX 4090 / RTX 5090)を用意し、fp8 量子化で細部表現の品質を維持します。商用に踏み込む場合はライセンス条項の確認が必須。大規模利用の閾値を超える場合は Wan 2.2 への移行を検討します。

3. プロトタイピング・大量バリエーション出し・SNS 短尺動画 → LTX Video

生成速度を最優先し、プロンプト調整の反復回数を稼ぎたいなら LTX Video が第一候補です。VRAM 12〜16GB 帯(RTX 4070 SUPER / RTX 5080)で快適に動き、1 本あたり数十秒〜1分台の生成時間は他 3 モデルと 1 桁違います。

4. VRAM 12GB 以下 / 動画生成の入門・検証 → CogVideoX 2B

VRAM 12GB クラスの入門機(RTX 3060 12GB / RTX 4060 Ti 12GB)で動画生成を初めて試すなら CogVideoX 2B が現実解です。Apache 2.0 で fine-tune も自由なため、モデル構造を学びながら手を動かす用途にも向きます。

5. 静止画パイプラインから動画へ展開 → Wan 2.2 + 画像生成モデル

画像生成モデルの選び方は Chroma / Flux.1 / SD3.5 / SDXL 画像生成モデル選び方 2026年版 に整理していますが、商用可の画像生成基盤として Chroma を選び、動画生成側で Wan 2.2 を組み合わせるのが Apache 2.0 系で統一する 2026 年後半の主流構成です。VRAM 24〜32GB 帯(RTX 4090 / RTX 5090)と大容量メインメモリ(64GB 以上)が推奨です。CPU オフロードで T5-XXL エンコーダを逃がすワークフローが安定運用の鍵です。

PC 構成をこれから組む場合

動画生成 PC を新規に組む場合の詳細な構成例は ローカル動画生成AI向けPC構成ガイド 2026年版 にまとめてあります。モデル選定と絡めた要点だけ再掲します。

  • Wan 2.2 14B / HunyuanVideo をメインで使う:VRAM 32GB 以上(RTX 5090)が本命、システム RAM は 64GB 以上必須(T5 エンコーダのオフロード先)
  • Wan 2.2 5B TI2V / CogVideoX 5B をメインで使う:VRAM 24GB(RTX 4090 / RTX 3090 中古 / RTX 5090)、システム RAM 64GB
  • LTX Video 中心で速度重視:VRAM 16GB(RTX 5080 / RTX 4080 SUPER)、システム RAM 32GB でも実用範囲
  • CogVideoX 2B で入門・検証:VRAM 12GB(RTX 3060 12GB / RTX 5060 12GB)、システム RAM 32GB

VRAM 別に何が動くかの上位レイヤは ローカルLLM VRAM容量別モデル早見表 2026年版 の考え方(容量が動かせるモデルの上限を決める)と同じ構造です。動画生成のほうが 1 モデルあたりの VRAM が 2〜4 倍重いだけ。判断軸は共通です。

入手先・関連商品

当サイトは Amazon.co.jp アソシエイト・プログラムに参加予定です。下記リンク経由で購入された場合、紹介料を受け取ることがあります。読者の負担は増えません。リンクは記事評価とは独立しており、編集判断には影響しません。

VRAM 32GB 帯(Wan 2.2 14B / HunyuanVideo 本命)

VRAM 24GB 帯(Wan 2.2 5B / CogVideoX 5B 快適)

RTX 3090 24GB は中古市場で VRAM 24GB 枠として引き続き有力ですが、在庫と価格の変動が大きいため各種中古販売店で最新の相場を確認してください。

VRAM 16GB 帯(LTX Video / Wan 2.2 5B fp8 の現実解)

Apple Silicon(Draw Things 派・当面画像生成中心)

Mac は動画生成 4 モデルの ComfyUI ネイティブ対応がまだ限定的なため、当面は画像生成中心の運用が現実的です。MacBook Pro M4 Max 64GB / Mac Studio M3 Ultra クラスの購入は Apple 公式サイト(apple.com/jp/mac-studio / apple.com/jp/macbook-pro)または認定整備済品ページを推奨します。

あなたに合うPCを診断する

用途や予算をもう少し細かく入力すると、3つの候補構成を提案します。

→ 診断スタート

関連記事