Wan Animate 2 チュートリアル：Move モード、Mix モード、および ComfyUI ワークフローガイド

AI 概要

Wan Animate 2 とは何か、そして何ができるのか？

Wan Animate 2 は Wan 2.2 を基盤とするオープンソースのキャラクターアニメーションシステムです。Move モードまたは Mix モードを用いて、ドライバー動画から全身の動き、表情、口の動きを参照キャラクターへ転送します。

Wan Animate 2 における Move モードと Mix モードの違いは何ですか？

Move モードでは、静止したキャラクターをアニメーション化し、モデルが周囲の背景を生成します。Mix モードでは、ドライバー動画内の人物を置き換えつつ、元のシーン、背景、音声を保持します。

Wan Animate 2 をローカルの ComfyUI 上で実行できますか？

はい。このワークフローでは、Wan 2.2 Animate の重み、WanVideoAnimateEmbeds、サンプラー、および VAE を使用します。メモリに余裕がある場合は bf16 を選択し、軽量なローカル設定が必要な場合は int8-convrot を選択してください。

Wan Animate 2 にはどのような入力が必要ですか？

両モードとも、参照画像とドライバー動画が必要です。信頼性の高い顔のクロップにより、アイデンティティの維持が向上します。また、Mix モードでは、クリーンな背景フレームと高品質な SAM2 人物マスクも有益です。

Wan Animate 2 が実際に実行すること — およびその独自性

通常の画像から動画へのモデルは、静止画像とプロンプトから動きを「発明」します。一方、Wan Animate 2 は、実際のパフォーマンスを構造化されたガイドとして扱います。すなわち、ドライバーがポーズ、タイミング、表情、口の動きを提供し、参照画像がキャラクターのアイデンティティを提供します。これは、見た目と同様にパフォーマンスそのものが重要となる場合に特に有用です。

これは、エンドポイント制御型の生成とも異なります。最初と最後のフレームを指定するワークフローでは、ショットの開始点と終了点が定義されますが、その間のすべてのビート（動きの細部）を再現するわけではありません。目的地のフレームがパフォーマンス転送よりも重要である場合は、MiniMax H3 最初と最後のフレーム ガイド を参照してください。

Official Wan Animate 2 · reference, driver, and generated performance

この三段構成のクリップでは、静止参照画像、ドライバーによるパフォーマンス、生成された結果を同時に表示しています。単一の完成度の高いフレームよりも、ジェスチャーのタイミングやアイデンティティを直接比較できるため、より実用的な品質チェックとなります。

Move モード vs Mix モード — 適切なモードを選択する

両モードともパフォーマンスを転送しますが、異なる制作課題に対応します。マスク作成や追加フレームの準備を始める前に、以下の意思決定表をご活用ください：

キャラクターと動きが創造の核であり、環境が変化してもよい場合は Move モードを選択してください。配置、小道具、照明、カメラ移動、音声などが既にソースクリップで成立している場合は Mix モードを選択してください。同じ概念をブラウザ上で試したい場合は、ローカルグラフに着手する前に、モーション制御ワークフロー をお試しください。

Official Wan Animate 2 · stylized character motion transfer

この例は、シルエットと身体のプロポーションがなぜ重要であるかを示しています。ドライバーとキャラクターの外見が全く異なっていても、参照画像に明確な全身ポーズがあり、ドライバーがフレーム内に収まっている限り、結果は依然として明瞭に読み取れます。

開始前に必要なもの — 入力とモデルファイル

ComfyUI を起動する前に、アセットを準備してください。入力データをクリーンに保つことは、後からサンプリングステップを追加するよりも多くの失敗を防ぎます。

• ドライバー動画：1人の被写体が明確に映り、フレーミングが安定し、四肢がはっきりと見え、意図的な表情の動きがあるもの。エクスポート前に無駄な時間（無動作時間）をカットしてください。
• 参照画像：シャープな全身または3/4（腰上）のキャラクター画像で、手・足・顔が明確に見えるもの。
• 顔のクロップ：参照画像およびドライバー動画からの顔のクロップ画像。これにより、アイデンティティおよび表情の一致が強化されます。
• Mix モード用 SAM2 マスク：髪の毛・手・動く衣類の周りに穴のない、堅固な人物マスク。
• Mix モード用背景フレーム：オリジナルショットから取得したクリーンなプレート（背景のみのフレーム）。置換された俳優が以前は隠れていた領域を露出する際に使用します。
• Wan 2.2 Animate の重み：bf16 は最もクリーンなフル精度パスを提供します。int8-convrot はメモリ負荷を低減しますが、品質とのトレードオフが生じる可能性があります。

ハードウェア、量子化、デコード時間は、引き続きローカル体験に影響を与えます。ローカル実行かホスト型ワークフローかを判断する際には、LTX 2.5 vs MiniMax H3 比較記事 のトレードオフ項目が有用なチェックリストとなります。

公式アーキテクチャ図では、参照画像、参照動画、ターゲット動画のトークンがアニメーションパイプラインへどのように入力されるかが示されています。

ステップ・バイ・ステップの ComfyUI ワークフロー1. Wan 2.2 Animate の重みを読み込みます。 VRAM が許す場合は品質向上のため bf16 を選択し、軽量グラフが必要な場合は int8-convrot ビルドを使用します。VAE およびテキストエンコーダーがワークフローと一致していることを確認してください。

2. WanVideoAnimateEmbeds を接続します。 参照となるアイデンティティ、ドライバーのポーズシーケンス、顔のクロップ領域、および SAM2 マスクを入力として与えます。Mix モードでは、元の背景が置換後に残存する必要があるため、最もクリーンなマスクが必要です。
3. ドライバーの解像度に合わせます。 幅（width）、高さ（height）、および num_frames を事前に準備したドライバー動画に一致させます。幅・高さは 16 の倍数とし、最初は短いセグメントでテストを行ってください。
4. WanVideoSampler を設定します。 直接的なシーンプロンプト、互換性のある LoRA（任意）、サンプラー、スケジューラー、シード値、ステップ数を追加します。プロンプトは、ドライバーの動作と競合しないよう、外見および環境の描写に焦点を当ててください。
5. Mix か Move のどちらかを選択します。 Mix では元のシーンおよび背景フレームをルーティングし、Move ではモデルがアニメーション化された参照人物の周囲で環境を再構築する必要があります。
6. デコードして保存します。 最初の結果をフルサイズで確認し、その後、ドライバー動画と比較して顔、指、マスクのエッジ、床との接触、口の動きのタイミングを検証してから、動画の長さや解像度を上げてください。

モデルをインストールせずにキャラクターおよび構図の妥当性を検証したい場合は、まず 参照画像から動画を生成するジェネレーター を使用し、承認済みの入力ペアを ComfyUI へ持ち込んでください。

より良い結果を得るための — 常用の修正法とヒント

• 背景のブレ（drift）： Mix モードではクリーンな背景フレームを提供し、堅固な SAM2 マスクを使用してください。フェザリングを過剰に行うと、被写体周囲にハローエフェクトが発生することがあります。
• 顔のブレ（drift）： 鮮明な顔のクロップ、均一な照明、およびドライバーに近い角度の参照画像を使用してください。最初のテストでは、手が顔を覆わないように注意してください。
• 解像度の不一致： 幅（width）、高さ（height）、および num_frames をドライバー動画と完全に一致させてください。複数のノードでリサイズするのではなく、グラフに入る前に一度だけリサイズを行ってください。
• 不自然な口の動き： 口が明確に見えるドライバー動画、明瞭な音節、およびモーションブラーが少ないものを選んでください。極端な横顔角度では、有効な口のディテールが減少します。
• 反復が遅い： 互換性のある lightx2v ステップ蒸留型 LoRA を適用し、短いクリップから始めます。テストにはステップ数を少なくすることが有効ですが、最終実行結果は常に非蒸留ベースラインと比較してください。

一度に変更する変数は 1 つだけにしてください。固定シード、短いドライバー動画セグメント、および保存済みの入力セットを用いることで、すべての再試行を新しい実験ではなく、有用な比較に変えることができます。

用途例 — Wan Animate 2 で実現可能なもの

1. AI ホストまたはデジタルヒューマン — Move： 背景セットをホストの周囲で再生成できる場合、録画済みのパフォーマンスからクリーンなプレゼンター肖像をアニメーション化します。
2. EC 商品モデルの置換 — Mix： 商品のスタイリングおよびカメラ運動を維持しつつ、パフォーマーをキャンペーン用キャラクターに置き換えます。
3. オリジナル IP のアニメーション — Move： 人間のジェスチャーおよび表情のタイミングをマスコット、イラスト、あるいはスタイライズされた 3D キャラクターへ転送します。
4. UGC ダンスおよびアクション動画 — Move： 承認済みの 1 枚の画像から、キーポーズの手作業アニメーションなしで、動きを主軸としたソーシャル向けクリップを作成します。
5. バッチ広告キャラクター置換 — Mix： 同じ編集、ロケーション、小道具、音声を保持したまま、画面上のタレントを複数のバリエーションに対応させるために置き換えます。

繰り返し使用されるブランドキャラクターの場合、ランダムな映像を追加するよりも、データセットの一貫性の方が重要です。当社の MiniMax H3 LoRA トレーニングガイド で紹介している準備および検証手法は、カスタムアニメーションプロジェクトにも十分に応用可能です。

結論

最もシンプルなルールは、Move = 画像をアニメーション化する、Mix = 動画内の人物を置き換える です。まずクリーンな参照画像と短いドライバー動画から始め、解像度およびマスクを固定した上で、アイデンティティとモーションが安定してからのみスケールアップしてください。ローカルの重みやノードを維持することなく、同じ参照画像主導のワークフローを使いたい場合は、Seedance で次回の AI 動画を作成 → してください。