ComfyUIでWan 2.2のtext-to-videoを始める方法｜最初のT2V動画まで

Wan 2.2のtext-to-video（T2V）をComfyUIで始めるなら、最初から長い動画や複雑な独自ワークフローを作るより、公式T2Vテンプレートで短い動画を1本生成するところから始めると分かりやすい。

T2Vは開始画像を使わず、テキストを主な入力条件として動画を生成する方式だ。I2Vと似た構成に見えても、入力条件が違うため、設定や測定結果は分けて扱う。

図を拡大して見る

図: 処理や設定の流れを1枚に整理。実際の操作条件は本文で確認する。

まず公式T2Vテンプレートを読み込む

ComfyUIにはWan 2.2向けの公式動画ワークフローが用意されている。

最初はテンプレートをそのまま読み込み、必要なモデル構成を確認する。

ワークフロー・テンプレートのリビジョン:
動画モデル:
テキストエンコーダー:
VAE:
そのほか必要な構成:
ComfyUIのバージョン:

動画生成では、1個のCheckpointだけで完結するとは限らない。ノードが何を読み込もうとしているかを見て、必要なファイルをそろえる。

ファイル名が似ているという理由だけで別のモデルを選ばず、テンプレートや配布元が示す構成と照合する。

最初は短く分かりやすいプロンプトにする

T2Vでは、まずプロンプトを固定する。

最初の動作確認で、長い情景説明、複数の人物、複雑なカメラ指示などを全部詰め込む必要はない。生成そのものが成功したか判断しやすい内容から始める。

たとえば、比較用に次を残す。

プロンプト: 固定
seed: 保存
解像度: 固定
フレーム数: 固定
精度: 保存
オフロード設定: 保存

この状態を最初の基準にする。

解像度とフレーム数を同時に増やさない

動画生成では、解像度とフレーム数のどちらも処理条件へ影響する。

最初の短い動画が出た後で品質や長さを上げたい場合も、両方を一度に変えるより片方ずつ試す。

たとえば、

1. 基準条件で1本生成する
2. フレーム数だけ増やす
3. 結果と生成時間を記録する
4. 基準条件へ戻す
5. 今度は解像度だけ変える

という順なら、どの変更が負荷や結果へ影響したか追いやすい。

「このGPUなら○秒」「VRAMは○GB必要」といった数字も、解像度やフレーム数などの条件をそろえずに比較しない。

T2VとI2Vの測定結果は分けて残す

同じWan 2.2系でも、T2VとI2Vでは入力条件が異なる。

I2Vは開始画像を使うのに対し、T2Vではテキストから場面を作る。そのため、片方で測った生成時間やメモリ使用量を、もう片方へそのまま当てはめるのは避けたい。

両方を試すなら、

方式: T2V / I2V
ワークフロー:
入力条件:
解像度:
フレーム数:
精度:
オフロード設定:
生成時間:

のように分けて記録する。

I2Vを先に試したい場合は、ComfyUIでWan 2.2のimage-to-videoを始める方法で開始画像を使う手順を確認できる。

動画が出たら再現条件を保存する

最初の動画が出たら、出力ファイルだけでなく、そのときの条件も残す。

ワークフローJSON:
モデルID・リビジョン:
プロンプト:
seed:
解像度:
フレーム数:
精度・量子化:
オフロード設定:
出力ファイル:

後からモデルやComfyUIを更新したときも、この情報があれば同じ条件を試し直せる。

また、次の生成で一項目だけ変えるための基準にもなる。

最初の成功後に画質や動きを詰める

最初の目的は「最高品質の動画を作ること」ではなく、公式構成でT2Vが最後まで動く状態を作ることだ。

まず、

1. 公式T2Vテンプレートを読み込む
2. 必要なモデル構成をそろえる
3. 短いプロンプトと短い動画条件で生成する
4. 成功条件を保存する
5. その後に長さ、解像度、画質、動きの調整へ進む

という順にすると、途中で問題が起きても戻る基準が残る。

T2VとI2Vの使い分け自体を決めたい場合は、ローカル動画生成はtext-to-videoとimage-to-videoのどちらを選ぶ？で用途の違いを整理する。

カメラ移動を細かく指定したい場合も、まず通常のT2Vが動く状態を作ってからComfyUIでカメラモーション制御を使う前に確認することへ進む方が切り分けやすい。