ローカル動画生成はT2VとI2Vのどちらから始める？

ローカル動画生成を初めて試すとき、最初に決めたいのはモデル名よりも、開始画像を自分で用意するかどうかだ。

T2V（Text-to-Video）は文章を主な入力として映像を作る。I2V（Image-to-Video）は静止画を開始条件にして、その画像へ動きを付ける。

どちらが常に高品質という話ではなく、自分が最初の見た目をどこまで決めたいかで選ぶと分かりやすい。

図を拡大して見る

図: 主な比較軸を1枚に整理。細かな条件は本文と表で確認する。

T2Vは映像全体を文章から作る

T2Vは、開始画像をまだ持っておらず、構図や被写体を文章から作りたい場合に向く。

たとえば「雨の夜の交差点をカメラが前進する」といった場面を、先に静止画を作らず試せる。

一方、最初のフレームの顔、衣装、背景配置などを自分で固定しているわけではない。

特定のキャラクターや構図を維持したい用途では、生成結果を見ながら条件を調整する回数が増えることがある。

I2Vは開始画像を自分で決められる

I2Vでは、すでにある画像を入力にする。

• 自分で生成したイラストを動かす
• 写真の構図を開始点にする
• キャラクターや商品の見た目を最初のフレームで指定する

といった用途では入口が明確だ。

ただし、入力画像を使えばすべてのフレームで完全に同じ見た目が保証されるわけではない。開始条件を与えることと、動画全体の一貫性を保証することは別だ。

Wan 2.2でもT2VとI2Vは別の処理手順がある

ComfyUIの公式Wan 2.2ガイドでは、T2V、I2V、両方を扱う構成が別々に案内されている。

14BのT2VとI2Vでは読み込む拡散モデルのファイルも別に案内されているため、「Wan 2.2を一つ取得すれば同じファイルで両方動く」とは限らない。

最初は公式テンプレートを開き、そこに書かれた必要モデルをそろえる。

PC条件は方式と設定をセットで見る

動画生成の必要VRAMや生成時間は、モデル名だけでは決められない。

少なくとも次が関係する。

• T2VかI2Vか
• モデルの種類
• 精度・量子化
• 解像度
• フレーム数
• CPUへのオフロード方法
• テキストエンコーダーやVAEなどの配置

DiffusersのWan公式資料には、量子化やオフロードを使ったメモリ削減例もある。

ただし、その例の数字を別のモデル種類や解像度へそのまま当てはめない。

迷ったら「開始画像を自分で作りたいか」で選ぶ

自分の状況	最初の候補
文章だけから映像を探索したい	T2V
すでに基準画像がある	I2V
キャラクターや構図の開始状態を自分で決めたい	I2V
まずモデルが作る映像の幅を見たい	T2V

方式を決めたら、最初は公式テンプレートを大きく変更せず、短い動画を一本生成する。

カスタムノード、LoRA、長尺、高解像度などを最初から同時に追加すると、失敗したときに原因を追いにくい。

文章だけから始めたいならT2V、開始時点の見た目を自分で決めたいならI2Vという分け方から始めればよい。

I2Vへ使う静止画を作るところから試したい場合は、ComfyUIのimg2imgで変化量を調整する方法も確認できる。