Wan は Alibaba Cloud のオープンな動画モデルの系統で、重みと推論コードは Apache-2.0 で公開されている。2025 年 2 月の Wan2.1 から始まり、Wan2.2 で MoE の構成を採り入れて総パラメータを 27B まで押し上げ、さらに音声駆動、キャラクターアニメーション、音楽とダンスという専用モデルに分かれ、その一方で民生カードでも動く軽い枝を残している。

Wan2.2：MoE を動画拡散モデルに持ち込む

技術報告は核心を最初の段落に置く。混合エキスパートの構成を動画生成の拡散モデルに導入した、というものだ。A14B 系列は二つのエキスパートを使う。高ノイズのエキスパートが去噪の初期、全体の配置を決める段階を担い、低ノイズのエキスパートが後期の細部を詰める。それぞれ約 14B で合計約 27B、しかし各ステップで動くのは約 14B だけなので、計算量もメモリも単一エキスパートのモデルとほぼ同じに収まる。切り替え点は信号対雑音比で決まり、去噪の開始時は雑音が高く比が低いので高ノイズ側が動き、閾値はその低い値の半分に置かれる。

変わったのは構成だけではない。報告は Wan2.1 に比べて画像を 65.6 パーセント、動画を 83.2 パーセント増やしたと書き、動き、意味、美学での汎化を狙う。さらに美学のデータには光、構図、コントラスト、色調といった軸で個別の注記を付け、映画的な見た目を願うものから指定できるものに変えた。

5B の TI2V：720P 24fps を民生カードで

TI2V-5B は個人の開発者に優しい枝だ。テキストからの動画と画像からの動画を一つのモデルにまとめ、720P で 24fps の出力に対応し、4090 のような民生カードで動く。公開された効率の数値はそのまま費用に換算できる。1 枚の 4090 で 720P のテキストからの動画は約 534.7 秒、ピークメモリは約 22.9 GB、画像からは約 524.8 秒で約 22.8 GB。8 枚に広げるとそれぞれ約 157.2 秒と 160.1 秒まで下がる。

メモリを生む圧縮 VAE

5B のモデルが民生カードに収まる鍵の一つは、動画 VAE の圧縮率にある。Wan2.2-VAE は 16×16×4 を実現し、時間と空間の両方で高い倍数を出す。比較表では Wan2.1-VAE と一部の同類が 4×8×8 だ。情報の圧縮倍数 64 を保ちながら、Wan2.2-VAE は再構成品質の PSNR を 32.222 から 33.221 へ上げ、SSIM と LPIPS もわずかに改善する。圧縮率を上げて再構成を落とさないことが、同じカードでより高い解像度が扱える直接の理由だ。

GPU 別の効率表

公式リポジトリには、所要時間（秒）とピークメモリ（GB）を並べた横断的な表がある。4090 の行のほか、A14B の段が H20 で 720P のテキストからの動画を 1 枚で約 4048.7 秒、ピーク 59.8 GB、4 枚にすると約 1067.8 秒で 51.7 GB まで下がる。リポジトリはまた、A14B の既定の 1 枚向けコマンドには 80GB 以上の GPU が要るとし、足りない場合はモデルの退避と型変換で速度を容量に振り替えられると記す。

三本の専用ライン

Wan2.2 の後、この公開の系統は的を絞った仕事に分かれる。2025 年 8 月 26 日公開の Wan2.2-S2V-14B は音声駆動の動画生成モデルで、推論コードと重み、技術報告が同時に出され、480P と 720P の二段に対応する。2025 年 9 月 19 日公開の Wan2.2-Animate-14B はキャラクターのアニメーションと差し替えに向き、重みとコードが提供され、2025 年 11 月 13 日に Diffusers へ統合された。それ以前に ComfyUI への統合も出ている。

2026 年 8 月 7 日公開の Wan-Animate-2 はさらに先へ進む。駆動映像を再設計した Diffusion Transformer に直接送り、途中の動き抽出器を省く端から端までの構成で、動きの忠実さと同一性の保持に効く。新しい点はもう一つあり、テキストで視点を操作でき、出力のカメラを駆動映像から切り離せる。遅延を即時の閾値まで詰めた Lite という軽い変種も、流れるアニメーション向けに用意される。

音楽からダンスへは Wan-Dancer として別に公開された。1 分を超える 720p 30fps のダンス映像を、クラシック、ストリート、ラテンなど五つの種目で作れると明記されている。生成を全体のキーフレーム設計と局所の時間的な作り込みの二段に分け、時間を写した位置エンコードとオプティカルフローの損失で長い時間の安定を保つ。検証環境は A800 80GB を 8 枚で、この専用モデルの中では高い部類に入る。

Wan2.1 を振り返る：8.19GB と日中英の文字

Wan2.1 はこの系統の出発点であり、軽い枝の意味を説明してくれる。T2V-1.3B は 8.19 GB のメモリで足り、ほぼすべての民生カードで動く。RTX 4090 では 5 秒の 480P を約 4 分で作り、量子化などの工夫は使っていない。段は T2V-14B の 480P と 720P、I2V-14B の 480P と 720P、T2V-1.3B の 480P、FLF2V-14B の 720P、そして VACE の 1.3B と 14B に及ぶ。

能力はテキストと画像の入力だけではない。動画編集、テキストから画像、動画から音声も含む。公式は中国語と英語の文字を映像の中に描けることを売りの一つに挙げ、Wan-VAE が任意の長さの 1080P を時間情報を保ったまま符号化と復号できると説明する。この二点が、後に多くの二次開発がそのまま土台に使う理由になった。

ライセンス、重み、統合の道

組織のページには、Wan の名の下の公開リポジトリ 6 件がすべて Apache-2.0 だと書かれている。Wan2.2、Wan2.1、Wan-Dancer、Wan-Animate-2、Wan-skills、そして Diffusers の枝だ。Wan2.2 の星は約 17.5k、Wan2.1 は約 17k。重みは Hugging Face と ModelScope の両方で公開され、対応するコマンドで手元に落とせる。チームにとってはライセンスと配布の経路が内部の流れに入れられるかを決め、どちらもリポジトリの表紙で確認できる。

コミュニティの層

この系統の周りの第三者の仕事は実際の規模になっている。説明が集めるのは、軽い推論の枠組みで、一つは現行の旗艦カード、もう一つは 8GB の 4060 で動くもの、層ごとの退避と FP8 量子化、系列の並列、LoRA の学習を備えた最適化の道具、疎な注意とキャッシュによる加速、ComfyUI の包み、そしてプロンプトの引き継ぎや長い動画の類の仕事だ。Wan-skills という別のリポジトリは、モデルの能力をエージェントが呼べる技能として包む。

いくつかの境界

所要時間とメモリの数字はすべて公式リポジトリの効率表から来ており、特定の並列方法と注意の実装の下で測られているので、自分の機械では変わる。A14B は既定のコマンドを 1 枚で動かすには 80GB 以上の GPU が要り、民生カードでは 5B の枝が現実的な選択だ。専用モデルの要件は幅が大きく、Wan-Dancer は A800 8 枚で測られている。ライセンスと商用の条件はリポジトリ内の許諾文書で確認し、人物の肖像や素材そのものの権利は別に確かめたい。

まとめると、この公開の系統の価値は単一の点数ではなく、勾配のついた製品の並びにある。1.3B は 8GB の機械でも映像を出せるようにし、5B は圧縮率の高い VAE で 720P 24fps を 4090 一枚に収め、A14B は2エキスパートの MoE で総パラメータを 27B にしつつ1ステップの費用を変えず、その上で音声、人物、長い時間のダンスという三つの具体的な課題を専用モデルが受け持つ。