通義 Wan2.1 ComfyUI ワークフロー

アリババは2025年2月にWan2.1をオープンソース化しました。これは現在のビデオ生成分野の基準となるモデルで、オープンソースライセンスはApache 2.0です。14B（140億パラメータ）と1.3B（13億パラメータ）の2つのバージョンが提供され、テキストからビデオ（T2V）、画像からビデオ（I2V）などの多くのタスクをカバーしています。

また、現在コミュニティの著者によってGGUFおよび量子化バージョンが作成されています。

• GGUF: https://huggingface.co/city96/Wan2.1-T2V-14B-gguf/tree/main
• 量子化バージョン: https://huggingface.co/Kijai/WanVideo_comfy/tree/main

この記事では、Wan2.1に関連するワークフローを以下の内容で案内します：

• ComfyUIがネイティブにサポートするWan2.1ワークフロー
• Kijaiからのバージョン
• City96のGGUFバージョン

Wan2.1 ComfyUI ネイティブ（native）ワークフローの例

以下のワークフローはComfyUI公式ブログからのもので、現在 ComfyUIはWan2.1をネイティブにサポートしています。公式のネイティブサポートバージョンを使用するには、ComfyUIを最新バージョンにアップグレードしてください。 ComfyUIのアップグレード方法 セクションのガイドを参照してアップグレードを完了してください。 ComfyUI Wiki は元のワークフローを整理しています。

ComfyUIを最新バージョンに更新した後、メニューバーの Workflows -> Workflow Templates でWan2.1のワークフローテンプレートを確認できます。

このバージョンの対応ワークフローファイルはすべて Comfy-Org/Wan_2.1_ComfyUI_repackaged からのものです。

Diffusion models Comfy-orgは複数のバージョンを提供しています。この記事で使用される公式ネイティブバージョンのモデルバージョンがハードウェア要件が高い場合は、必要なバージョンを選択して使用できます。

• i2v は image to video（画像からビデオ）モデル、 t2v は text to video（テキストからビデオ）モデルです。
• 14B、1.3Bは対応するパラメータ数で、数値が大きいほどハードウェア性能の要求が高くなります。
• bf16、fp16、fp8は異なる精度を表し、精度が高いほどハードウェア性能の要求が高くなります。
  • bf16はAmpereアーキテクチャ以上のGPUサポートが必要な場合があります。
  • fp16はより広くサポートされています。
  • fp8は最低精度で、ハードウェア性能の要求が最低ですが、効果も相対的に低下します。
• 通常、ファイルサイズが大きいほどデバイスのハードウェア要件も高くなります。

1. Wan2.1 テキストからビデオワークフロー

1.1 Wan2.1 テキストからビデオワークフローファイルのダウンロード

以下の画像をダウンロードし、ComfyUIにドラッグするか、メニューバーの Workflows -> Open(Ctrl+O) を使用してワークフローを読み込みます。

Json形式のファイルをダウンロード

1.2 手動モデルインストール

上記のワークフローファイルでモデルのダウンロードが完了しない場合は、以下のモデルファイルをダウンロードし、対応する場所に保存してください。

以下から1つのDiffusion modelsモデルファイルを選択してダウンロードしてください。

• wan2.1_t2v_14B_bf16.safetensors
• wan2.1_t2v_14B_fp16.safetensors
• wan2.1_t2v_14B_fp8_e4m3fn.safetensors
• wan2.1_t2v_14B_fp8_scaled.safetensors
• wan2.1_t2v_1.3B_bf16.safetensors
• wan2.1_t2v_1.3B_fp16.safetensors

Text encodersから1つのバージョンを選択してダウンロードしてください。

• umt5_xxl_fp16.safetensors
• umt5_xxl_fp8_e4m3fn_scaled.safetensors

VAE

• wan_2.1_vae.safetensors

ファイル保存場所

ComfyUI/
├── models/
│   ├── diffusion_models/
│   │   └── wan2.1_t2v_14B_fp16.safetensors              # または選択したバージョン
│   ├── text_encoders/
│   │   └─── umt5_xxl_fp8_e4m3fn_scaled.safetensors      # または選択したバージョン
│   └── vae/
│       └──  wan_2.1_vae.safetensors

1.3 プロセスに従ってワークフローを実行

1. Load Diffusion Modelノードが wan2.1_t2v_1.3B_fp16.safetensorsモデルを読み込んでいることを確認します。
2. Load CLIPノードが umt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルを読み込んでいることを確認します。
3. Load VAEノードが wan_2.1_vae.safetensorsモデルを読み込んでいることを確認します。
4. CLIP Text Encoderノードに生成したいビデオの説明内容を入力します。
5. Runボタンをクリックするか、ショートカットキー Ctrl(cmd) + Enter(リターン) を使用してビデオ生成を実行します。

2. Wan2.1 画像からビデオワークフロー

2.1 Wan2.1 画像からビデオワークフロー 14B Workflow

ワークフローファイルのダウンロード 以下のボタンをクリックして対応するワークフローをダウンロードし、ComfyUIインターフェースにドラッグするか、メニューバーの Workflows -> Open(Ctrl+O) を使用して読み込みます。

Json形式のファイルをダウンロード

このバージョンのワークフローは480Pバージョンとほぼ同じですが、使用するdiffusion modelが異なり、WanImageToVideoノードのサイズも異なります。

以下の画像を入力画像としてダウンロードしてください。

2.2 手動モデルのダウンロード

上記のワークフローファイルでモデルのダウンロードが完了しない場合は、以下のモデルファイルをダウンロードし、対応する場所に保存してください。

Diffusion models

720Pバージョン

• wan2.1_i2v_720p_14B_bf16.safetensors
• wan2.1_i2v_720p_14B_fp16.safetensors
• wan2.1_i2v_720p_14B_fp8_e4m3fn.safetensors
• wan2.1_i2v_720p_14B_fp8_scaled.safetensors

480Pバージョン

• wan2.1_i2v_480p_14B_bf16.safetensors
• wan2.1_i2v_480p_14B_fp16.safetensors
• wan2.1_i2v_480p_14B_fp8_e4m3fn.safetensors
• wan2.1_i2v_480p_14B_fp8_scaled.safetensors

Text encoders

• umt5_xxl_fp16.safetensors
• umt5_xxl_fp8_e4m3fn_scaled.safetensors

VAE

• wan_2.1_vae.safetensors

CLIP Vision

• clip_vision_h.safetensors

ファイル保存場所

ComfyUI/
├── models/
│   ├── diffusion_models/
│   │   └── wan2.1_i2v_480p_14B_fp16.safetensors         # または選択したバージョン
│   ├── text_encoders/
│   │   └─── umt5_xxl_fp8_e4m3fn_scaled.safetensors      # または選択したバージョン
│   └── vae/
│   │   └──  wan_2.1_vae.safetensors
│   └── clip_vision/
│       └──  clip_vision_h.safetensors                 

2.3 プロセスに従ってWan2.1 480P 画像からビデオワークフローを実行

1. Load Diffusion Modelノードが wan2.1_i2v_480p_14B_fp16.safetensorsモデルを読み込んでいることを確認します。
2. Load CLIPノードが umt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルを読み込んでいることを確認します。
3. Load VAEノードが wan_2.1_vae.safetensorsモデルを読み込んでいることを確認します。
4. Load CLIP Visionノードが clip_vision_h.safetensorsモデルを読み込んでいることを確認します。
5. Load Imageノードに前述の入力画像を読み込みます。
6. CLIP Text Encoderノードに生成したいビデオの説明内容を入力するか、ワークフロー内の例を使用します。
7. Runボタンをクリックするか、ショートカットキー Ctrl(cmd) + Enter(リターン) を使用してビデオ生成を実行します。

Kijai Wan2.1 量子化バージョンワークフロー

このバージョンは Kijai によって提供され、以下のカスタムノードと一緒に使用する必要があります。

以下の3つのノードをインストールする必要があります：

• ComfyUI-VideoHelperSuite
• ComfyUI-WanVideoWrapper
• ComfyUI-KJNodes

開始前にComfyUI-Managerを使用するか、ComfyUIカスタムノードインストールチュートリアルを参照して、これら3つのカスタムノードのインストールを完了してください。

モデルリポジトリ：Kijai/WanVideo_comfy

このリポジトリは、デバイス性能に応じたさまざまなモデルバージョンを提供しています。通常、ファイルサイズが大きいほど効果が良くなりますが、同時にデバイス性能の要求も高くなります。

1. Kijai テキストから画像ワークフロー

1.1 Kijai Wan2.1 テキストから画像ワークフローのダウンロード

以下のボタンをクリックして対応するワークフローをダウンロードし、ComfyUIインターフェースにドラッグするか、メニューバーの Workflows -> Open(Ctrl+O) を使用して読み込みます。

上記の2つのワークフローファイルは基本的に同じですが、2号ファイルにはオプションの注釈情報が追加されています。

1.2 手動モデルインストール

Diffusion models

• Wan2_1-T2V-14B_fp8_e4m3fn.safetensors
• Wan2_1-T2V-14B_fp8_e5m2.safetensors
• Wan2_1-T2V-1_3B_fp32.safetensors
• Wan2_1-T2V-1_3B_bf16.safetensors
• Wan2_1-T2V-1_3B_fp8_e4m3fn.safetensors

Text encodersモデル

• umt5-xxl-enc-bf16.safetensors
• umt5-xxl-enc-fp8_e4m3fn.safetensors

VAEモデル

• Wan2_1_VAE_fp32.safetensors
• Wan2_1_VAE_bf16.safetensors

ファイル保存場所

ComfyUI/
├── models/
│   ├── diffusion_models/
│   │   └── Wan2_1-T2V-14B_fp8_e4m3fn.safetensors             # または選択したバージョン
│   ├── text_encoders/
│   │   └─── umt5-xxl-enc-bf16.safetensors                    # または選択したバージョン
│   └─── vae/
│       └── Wan2_1_VAE_bf16.safetensors                      # または選択したバージョン

1.3 プロセスに従ってワークフローを実行

対応するノードが対応するモデルを読み込んでいることを確認し、ダウンロードしたバージョンを使用してください。

1. WanVideo Vae Loaderノードが Wan2_1_VAE_bf16.safetensorsモデルを読み込んでいることを確認します。
2. WanVideo Model Loaderノードが Wan2_1-T2V-14B_fp8_e4m3fn.safetensorsモデルを読み込んでいることを確認します。
3. Load WanVideo T5 TextEncoderノードが umt5-xxl-enc-bf16.safetensorsモデルを読み込んでいることを確認します。
4. WanVideo TextEncodeで生成したいビデオのプロンプトを入力します。
5. Runボタンをクリックするか、ショートカットキー Ctrl(cmd) + Enter(リターン) を使用してビデオ生成を実行します。

WanVideo Empty Embeds内のサイズを変更して画面サイズを調整できます。

2. Kijai Wan2.1 画像からビデオワークフロー

2.1 ワークフローファイルのダウンロード

以下の画像を入力画像としてダウンロードしてください。

2.2 手動モデルのダウンロード

Diffusion models 720Pバージョン

• Wan2_1-I2V-14B-720P_fp8_e4m3fn.safetensors
• Wan2_1-I2V-14B-720P_fp8_e5m2.safetensors

480Pバージョン

• Wan2_1-I2V-14B-480P_fp8_e5m2.safetensors
• Wan2_1-I2V-14B-480P_fp8_e4m3fn.safetensors

Text encodersモデル

• umt5-xxl-enc-bf16.safetensors
• umt5-xxl-enc-fp8_e4m3fn.safetensors

VAEモデル

• Wan2_1_VAE_fp32.safetensors
• Wan2_1_VAE_bf16.safetensors

CLIP Vision

• clip_vision_h.safetensors

ファイル保存場所

ComfyUI/
├── models/
│   ├── diffusion_models/
│   │   └── Wan2_1-I2V-14B-720P_fp8_e4m3fn.safetensors           # または選択したバージョン
│   ├── text_encoders/
│   │   └─── umt5-xxl-enc-bf16.safetensors                       # または選択したバージョン
│   ├── vae/
│   │   └──  Wan2_1_VAE_fp32.safetensors                         # または選択したバージョン
│   └── clip_vision/
│       └──  clip_vision_h.safetensors 

2.3 プロセスに従ってワークフローを実行

画像番号を参照して、対応するノードとモデルがすべて読み込まれていることを確認し、モデルが正常に動作するようにします。

1. WanVideo Model Loaderノードが Wan2_1-I2V-14B-720P_fp8_e4m3fn.safetensorsモデルを読み込んでいることを確認します。
2. Load WanVideo T5 TextEncoderノードが umt5-xxl-enc-bf16.safetensorsモデルを読み込んでいることを確認します。
3. WanVideo Vae Loaderノードが Wan2_1_VAE_fp32.safetensorsモデルを読み込んでいることを確認します。
4. Load CLIP Visionノードが clip_vision_h.safetensorsモデルを読み込んでいることを確認します。
5. Load Imageノードに前述の入力画像を読み込みます。
6. デフォルトを保存するか、WanVideo TextEncodeプロンプトを変更して画面効果を調整します。
7. Runボタンをクリックするか、ショートカットキー Ctrl(cmd) + Enter(リターン) を使用してビデオ生成を実行します。

Wan2.1 GGUF バージョンワークフロー

この部分ではGGUFバージョンモデルを使用してビデオ生成を行います。 モデルリポジトリ：https://huggingface.co/city96/Wan2.1-T2V-14B-gguf/tree/main

ComfyUI-GGUFを使用して対応するモデルを読み込む必要があります。開始前にComfyUI-Managerを使用するか、ComfyUIカスタムノードインストールチュートリアルを参照して、対応するカスタムノードのインストールを完了してください。

1. Wan2.1 GGUF バージョンテキストからビデオワークフロー

1.1 ワークフローファイルのダウンロード

1.2 手動モデルのダウンロード

以下から1つのDiffusion modelsモデルファイルを選択してダウンロードしてください。 city96はさまざまなモデルバージョンを提供しています。 https://huggingface.co/city96/Wan2.1-T2V-14B-gguf/tree/main で適切なバージョンをダウンロードしてください。通常、ファイルサイズが大きいほど効果が良くなりますが、同時にデバイス性能の要求も高くなります。

• wan2.1-t2v-14b-Q4_K_M.gguf

Text encodersから1つのバージョンを選択してダウンロードしてください。

• umt5_xxl_fp16.safetensors
• umt5_xxl_fp8_e4m3fn_scaled.safetensors

VAE

• wan_2.1_vae.safetensors

ファイル保存場所

ComfyUI/
├── models/
│   ├── diffusion_models/
│   │   └── wan2.1-t2v-14b-Q4_K_M.gguf             # または選択したバージョン
│   ├── text_encoders/
│   │   └─── umt5_xxl_fp8_e4m3fn_scaled.safetensors      # または選択したバージョン
│   └── vae/
│       └──  wan_2.1_vae.safetensors

1.3 プロセスに従ってワークフローを実行

1. Unet Loader(GGUF)ノードが wan2.1-t2v-14b-Q4_K_M.ggufモデルを読み込んでいることを確認します。
2. Load CLIPノードが umt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルを読み込んでいることを確認します。
3. Load VAEノードが wan_2.1_vae.safetensorsモデルを読み込んでいることを確認します。
4. CLIP Text Encoderノードに生成したいビデオの説明内容を入力します。
5. Runボタンをクリックするか、ショートカットキー Ctrl(cmd) + Enter(リターン) を使用してビデオ生成を実行します。

2. Wan2.1 GGUF バージョン画像からビデオワークフロー

2.1 ワークフローファイルのダウンロード

2.2 手動モデルのダウンロード

以下から1つのDiffusion modelsモデルファイルを選択してダウンロードしてください。 city96はさまざまなモデルバージョンを提供しています。対応するリポジトリから適切なバージョンをダウンロードしてください。通常、ファイルサイズが大きいほど効果が良くなりますが、同時にデバイス性能の要求も高くなります。

• Wan2.1-I2V-14B-480P-gguf
• Wan2.1-I2V-14B-720P-gguf

ここでは wan2.1-i2v-14b-Q4_K_M.ggufモデルを使用して例を示します。

• wan2.1-i2v-14b-Q4_K_M.gguf

Text encodersから1つのバージョンを選択してダウンロードしてください。

• umt5_xxl_fp16.safetensors
• umt5_xxl_fp8_e4m3fn_scaled.safetensors

VAE

• wan_2.1_vae.safetensors

ファイル保存場所

ComfyUI/
├── models/
│   ├── diffusion_models/
│   │   └── wan2.1-i2v-14b-Q4_K_M.gguf                   # または選択したバージョン
│   ├── text_encoders/
│   │   └─── umt5_xxl_fp8_e4m3fn_scaled.safetensors      # または選択したバージョン
│   └── vae/
│       └──  wan_2.1_vae.safetensors

2.3 プロセスに従ってワークフローを実行

1. Unet Loader(GGUF)ノードが wan2.1-i2v-14b-Q4_K_M.ggufモデルを読み込んでいることを確認します。
2. Load CLIPノードが umt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルを読み込んでいることを確認します。
3. Load VAEノードが wan_2.1_vae.safetensorsモデルを読み込んでいることを確認します。
4. Load CLIP Visionノードが clip_vision_h.safetensorsモデルを読み込んでいることを確認します。
5. Load Imageノードに前述の入力画像を読み込みます。
6. CLIP Text Encoderノードに生成したいビデオの説明内容を入力するか、ワークフロー内の例を使用します。
7. Runボタンをクリックするか、ショートカットキー Ctrl(cmd) + Enter(リターン) を使用してビデオ生成を実行します。

よくある質問

mp4形式の動画を保存するにはどうすればよいですか

上記の動画生成ワークフローはデフォルトで.webp形式の動画を生成します。他の形式の動画を保存したい場合は、ComfyUI-VideoHelperSuiteプラグインのvideo Combineノードを使用してmp4形式で保存することを試みてください。

関連リソース

現在、すべてのモデルはHugging FaceおよびModelScopeプラットフォームでダウンロード可能です：

• T2V-14B：Hugging Face | ModelScope

• I2V-14B-720P：Hugging Face | ModelScope

• T2V-1.3B：Hugging Face | ModelScope

• Wan2.1 モデル GitHub コードリポジトリ

• Wan2.1 モデルオンラインデモプラットフォーム

• Wan2.1 モデル技術文書

• Wan2.1 モデル開発者コミュニティ

• Wan2.1 モデル ComfyUI Repackaged

• Wan2.1 モデル ComfyUI ワークフロー例

• Wan2.1 モデル gguf モデルダウンロード

• Wan2.1 モデル 量子化版モデルダウンロード