ComfyUIでのWan 3.0ビデオ生成

Wan 3.0 は Alibaba の最新ビデオ生成モデルで、パートナーノードを介して ComfyUI で利用できるようになりました。同期されたオーディオトラックを備え、1回のパスで最大30秒のビデオを生成します。また、テキストプロンプトを参照画像、ビデオ、オーディオと組み合わせて、一貫したキャラクターとシーンを実現します。

​

主な機能

• 最大30秒: 一貫性のある動きとオーディオを備えた長時間クリップを一度の処理で生成します
• ネイティブオーディオ: すべての出力には、デフォルトで同期されたオーディオトラックが含まれます
• テキスト、画像、参照入力: テキストのみのプロンプト、先頭フレームからのアニメーション、または最大10枚の参照画像、5本の参照ビデオ、5つの参照オーディオクリップ
• 参照タグ: プロンプト内で接続されたメディアを @Image1、@Video1、@Audio1 のように直接参照できます
• 柔軟な出力: 480p、720p、1080pの解像度と、アダプティブ、16:9、9:16、1:1、4:3、3:4 のアスペクト比に対応
• バイリンガルプロンプト: 英語または中国語でプロンプトを入力できます

​

Wan 3.0 テキストから動画へのワークフロー

テキストプロンプトのみからビデオを生成します。デフォルトで同期オーディオが含まれます。

​

プロンプトのヒント

1. 再生時間: 2〜30秒に設定するか、auto を指定するとモデルがプロンプトに合った再生時間を選択します
2. 解像度と比率: ワークフローは adaptive 比率の720pで提供されます。特定のフォーマット向けに1080pや 16:9 などの固定比率に切り替えてください
3. オーディオ: オーディオはデフォルトで生成されます。audio オプションを無効にすると無音のビデオになります
4. プロンプト拡張: プロンプトの拡張はデフォルトで有効で、より良い結果を得るためにプロンプトを書き換えます。正確な文言が必要な場合は、高度な機能の設定でオフにしてください

​

Wan 3.0 画像から動画へのワークフロー

1枚の画像をビデオにアニメートします。出力が遷移していく最終フレームを、オプションで指定できます。

​

プロンプトのヒント

1. 最初のフレーム: first_frame 入力は必須です。last_frame 入力はオプションで、モデルは2つのフレーム間の動きを生成します。
2. アダプティブ比率: adaptive を使用すると、出力サイズが入力画像に追従します。
3. プロンプト: 何がどのように動くかと、希望するオーディオを記述します。モデルに変更させたい場合を除き、被写体と構図は変えないでください。

​

Wan 3.0 参照から動画ワークフロー

参照画像、参照ビデオ、参照オーディオを条件としてビデオを生成します。各参照には、プロンプト内のタグを通じてジョブが割り当てられます。

​

プロンプトのヒント

1. タグによる参照：プロンプト内で各入力を @Image1、@Video1、@Audio1 のように参照します。タイプごとに入力順に番号が付けられます。サンプルプロンプトでは、靴のデザインを @Image1 に、キャラクターを @Image2 に割り当てています。
2. 制限：参照画像は最大10枚、参照ビデオは最大5本、参照オーディオクリップは最大5個です。各参照ビデオまたはオーディオクリップは15秒以下である必要があり、すべての参照ビデオの合計再生時間も15秒以内に収める必要があります（オーディオも同様）。参照ビデオと出力の合計再生時間は30秒を超えてはなりません。
3. ジョブの割り当て：各参照が何を制御するか（商品デザイン、キャラクターの外見、スタイル、動き、声）と、何を変更せずに保つかを明記します。明示的な割り当てにより、より一貫性のある結果が得られます。
4. プロンプトまたは参照が必須：プロンプトまたは少なくとも1つの参照入力を指定してください。指定しない場合、ノードはエラーを返します。

​

はじめる

1. ComfyUIを最新バージョンにアップデートするか、最新のComfy Desktopを使用します
2. テンプレートライブラリに移動し、Wan 3.0 を検索します
3. 3つのワークフロー（テキストから動画へ、画像から動画へ、または参照から動画）のいずれかを読み込みます
4. Comfyアカウントでログインし、十分なクレジットがあることを確認します
5. 入力素材（最初のフレームまたは参照画像）を接続して実行します

​

よくある質問