コンシューマGPUで最新の動画生成AIを動かす ― オープンソース統合エンジン Wan2GP

動画生成AIはこの数年で一気に実用域へ入りました。ところが最新の高品質モデルは数十GBのVRAMを前提とすることが多く、手元のコンシューマGPUでは「そもそも動かせない」という壁に突き当たりがちです。

今回紹介する Wan2GP は、その壁を大きく下げてくれるオープンソースの動画生成エンジンです。最小 6GB のVRAMから動作し、Wan / Hunyuan / LTX / Flux / Qwen といった主要モデルを単一のUIで横断的に扱えます。本記事に掲載する画像・動画は、すべてこの Wan2GP で実際に生成した出力です。

GitHub: github.com/deepbeepmeep/Wan2GP ― DeepBeepMeep 氏による開発

デモ映像

何を解決するのか

最新の動画生成モデルは、品質と引き換えに「重さ」と「扱いづらさ」を抱えています。

• SOTA級の動画モデルは数十GBのVRAMを要求し、RTX 10/20/30 系では動かない
• モデルごとに環境構築や推論コードがバラバラで、乗り換えのコストが高い
• 省メモリ化・高速化のテクニックはあるが、適用が煩雑

Wan2GP は、これらに対して次のような答えを用意しています。

• 最小6GBから動く自動メモリ管理（mmgp）
• 主要モデルを単一UIに統合し、アーキテクチャを自動判定してモデルを自動ダウンロード
• 量子化・オフロード・LoRA加速・Attention最適化を標準搭載
• Web UI だけでなく CLI・バッチ・MCP からも実行でき、自動化に組み込める

仕組み ― 役割ごとに分かれた5つの層

Wan2GP は、機能を層に分けて設計されています。

• インターフェース層 ― Gradio の Web UI、CLI（wgp_cli.py）、バッチ生成、MCPサーバ
• オーケストレーション層（wgp.py） ― モデル選択・設定管理・キュー処理・前後処理
• 最適化層（mmgp） ― オフロード・量子化・遅延ロード・VRAM/RAM の予約管理
• モデル層 ― Wan 2.1/2.2・Hunyuan Video・LTX Video・Flux・Qwen Image（+ LoRA / VACE）
• 基盤層 ― PyTorch + CUDA・Diffusers・SafeTensors・ffmpeg・SageAttention

この層構造のおかげで、利用者はモデルの違いをあまり意識せず、同じ操作感で多様なモデルを切り替えられます。

6GBで大規模モデルを動かす ― メモリ最適化

Wan2GP の核心は、限られたVRAMを賢く使い回すメモリ最適化です。

• 動的オフロード（mmgp） ― 計算に使うブロックだけをVRAMへ載せ、残りはRAMや予約領域へ退避。層単位でスワップしながら処理します。
• 量子化（int8 / fp8） ― 重みやテキストエンコーダを量子化してメモリを圧縮。たとえば Qwen ではテキストエンコーダの量子化だけでRAMを約10GB削減できます。
• VAEタイリング ― デコードをタイル状に分割し、高解像度でもVRAMのピークを抑えます。
• 遅延ロードと予約管理 ― LoRAやモジュールをRAMに一度だけ読み込み、無駄なロードを避けます。

これらを組み合わせることで、14B級の大規模モデルでも6GBクラスのGPUで動かせるようになります。

速くする ― 高速化技術

省メモリと並ぶもう一つの柱が、生成そのものを速くする工夫です。

• ステップ削減 ― CausVid / FusioniX などのLoRAアクセラレータで4〜12ステップに短縮。Lightning LoRA を使えば約7倍の高速化も狙えます。
• キャッシュ活用 ― TeaCache / MagCache がステップ間の再計算をスキップします。
• Attention最適化 ― Sage Attention で30〜40%の高速化。さらに PyTorch compile でグラフを最適化します。

一例として、FastWan 2.2 5B では720pの121フレームを約20秒で生成できます。

「作る」だけでなく「操る」 ― VACE / ControlNet

Wan2GP は、ただ動画を生成するだけでなく、生成結果を細かく制御できます。

• モーション転送 ― 制御用の動画の動きを、別の被写体へ移植する
• 人物・オブジェクト注入 ― 参照画像の被写体をシーンに合成する
• 精密マスキング ― 領域を指定して部分的に編集する
• アウトペインティング ― フレームの外側へ拡張して生成する
• Sliding Window ― 重なり処理で最大1分程度の長尺生成
• Multitalk連携 ― 最大2名の発話に同期したアニメーション

Pose・Depth・Flow といった制御信号を自動で抽出し、条件付けに使える点も特長です。

実際に生成してみる

Text-to-Video（動画生成）

プロンプトから動画を生成します。下は「砂地の海底と岩のキャニオンに日差しが差し込み、岩の間を小魚が漂う」といったプロンプトで生成した、海中や屋外の実例です（ここでは静止画。動きは冒頭のデモ映像でご覧いただけます）。

Text-to-Image（画像生成）

バージョン7.0以降、Wan系のモデルは画像生成器としても動作します。Flux Kontext や Qwen Image を使えば、高品質な静止画も生成できます。

性能の目安 ― ベンチマーク

RTX 4090 を基準にした、生成速度とVRAM使用量の目安です。

生成速度

VRAM使用量

LoRA加速・量子化・オフロードを併用することで、ハイエンドに近い速度を保ちつつ、コンシューマGPUでも実用域に収められます。最小構成はVRAM 6GBからです。

使い方 ― Web UI から自動化まで

基本は Web UI ですが、CLI・バッチ・MCP からも扱えます。

# インストール & 起動
git clone https://github.com/deepbeepmeep/Wan2GP
pip install -r requirements.txt
python wgp.py        # Web UI（Text-to-Video）
python wgp.py --i2v  # Image-to-Video

# CLI から直接生成
./execute_t2v.sh "美しい夕日が海に沈む"

# バッチ生成（シード違いで大量生成）
python batch_t2v_generator.py prompts_t2v/test_prompts.xls

# MCP サーバ経由で AIエージェントから生成
python mcp_server.py

CLIやバッチに対応しているため、「プロンプトをまとめて投入して一括生成」といったパイプライン化も容易です。

まとめ

Wan2GP は、最新の動画生成AIを「手元のGPUで実際に動かす」ためのよくできた統合エンジンです。

• アクセシビリティ ― 6GBのVRAMから最新モデルを実行できる
• 統合性 ― Wan / Hunyuan / LTX / Flux / Qwen を単一UIで横断できる
• 最適化の標準搭載 ― 量子化・オフロード・LoRA加速・Attention最適化
• 制御性 ― VACEによるモーション転送・注入・マスキング
• 自動化 ― CLI・バッチ・MCPでパイプラインに組み込める

当社でも、動画・画像生成を伴う検証やプロトタイピングに、こうしたツールを積極的に活用しています。生成AIの活用や開発についてのご相談は、お気軽にお問い合わせください。