Yyatmita

【第4回】MiniMax H3 の代わりを探す——Wan と LTX を『鼻』と同じ入力で比べた

前回の『鼻』で使った MiniMax H3 は、生成物の使い方にも地域の制限があった。そこで、制限の無いオープンなモデル Wan と LTX を、同じ絵コンテ・同じ声で作り比べた。Colab の A100 で動くか、どんな絵が出るか、どんな制御ができるか、ライセンスはどうか。3 回・約 10.5 ユニットの記録。

AI動画制作#ai-video#wan#ltx#comfyui#google-colab#short-drama
← 前の記事: 【第3回】芥川『鼻』を 2 分のミニアニメドラマにしてみた——Colab の A100 と MiniMax H3 で、固定する絵で動きを指示する

※ハス画像・微グロ画像注意。鼻の毛穴から脂を抜く場面が、「11 か所を固定する」の節にある。

この記事の動画は、すべて AI 生成動画（映像: LTX-2.3／Wan 2.2 S2V／Wan 2.1 VACE、セリフの声: Irodori-TTS）。

前回は、芥川龍之介『鼻』を MiniMax H3 で約 2 分のミニアニメドラマにした。締めに「ライセンスの地域の制限が無いモデル（Wan、LTX など）で、同じ作り方ができるか。次はこれを確かめる」と書いた。今回はその確かめだ。

先に結論を書いておく。

  • どちらも Colab の A100 で動いた。3 回借りて約 10.5 ユニット
  • 絵を何枚も固定して動きを指示するのは、LTX が速くて乱れも少なかった。H3 で 11 か所を固定したカットも、同じ絵を置けば同じように作れた
  • しゃべるカットは、Wan の S2V がいちばん安定していた
  • ライセンスは Wan（Apache-2.0）がいちばん縛りが少ない。LTX は AI 生成の表示などの条件が付く
  • なので、どちらか 1 つではなく、カットの種類で使い分けるのがよさそうだ

なぜ乗り換えを考えたか

前回の「ライセンスを読み落としていた」の節に書いたとおり、MiniMax H3 のライセンスは、生成物の使用・表示も、米国・EU・英国・韓国の外に限っている。このサイトでは、H3 で作った動画をその地域から再生できないようにした。

ネットに出す動画で、毎回この制限を気にするのは重い。作り方（絵コンテの絵を何枚も固定し、用意した声で口を動かす）はそのままに、制限の無いモデルへ移れるかを確かめることにした。

比べたもの

2026 年 11 月の時点で、重みが公開されている最新の版を調べた。

公開されている最新備考
Wan（アリババ）2.2。途中のコマを制御する VACE は 2.12.5〜3.0 は API だけで、重みは出ていない
LTX（Lightricks）2.5（2026 年 7 月）。2.3 は 2026 年 3 月2.5 は Hugging Face でログインと同意が要る。2.3 は要らない

今回の Colab では、ログインせずに取れる LTX-2.3 と Wan を使った。2.5 は、取るのにトークンが要る。Colab の VM にはトークンを送らないことにしているので、今回は見送った。

使ったモデルは 3 つだ。Wan は目的別に 2 つ、LTX は 1 つで済む。

使ったモデル役目今回の使い方
Wan 2.2 S2V 14B声から動画（Sound to Video）始まりの絵と声を渡して、しゃべらせる
Wan 2.1 VACE 14B制御用の動画とマスクで、途中のコマに絵を置く・参照絵でキャラを保つ絵コンテの絵を決めたコマに置く
LTX-2.3 22B映像と音を一緒に作る。決めたコマに絵を置ける絵を置く・声を入れる・その両方

VACE は、動画を作る・直すをいくつも 1 つでこなす版の Wan だ。制御用の動画（どのコマに何を見せるか）、マスク（どこを残してどこを作らせるか）、参照絵を一緒に渡せる。Wan で途中のコマに絵を固定するなら、ほかに手は無い。

ライセンス

それぞれのライセンスの原文を読んで、論点を並べた。

論点WanLTX-2.3LTX-2.5参考: H3
ライセンスApache-2.0LTX-2 Community LicenseLTX-2.x Community License独自
地域の制限なしなし（輸出管理・制裁の条項だけ）なし（同じ）あり
売上の条件なし年 1,000 万ドル以上の会社は有料の許諾同じ年 2,000 万ドル超で許諾
生成物定めなし作者は権利を主張しない。禁止用途の一覧に従う同じ権利を主張しない
AI 生成の表示義務なし機械生成だと明示する同じ明示する
禁止用途の一覧なしあり（付属書 A。別の利用方針も参照）あり（付属書 A と、組み込まれた利用方針。性的に露骨な内容など）あり
透かし・来歴の情報—定めなし消す・変えるのを禁止—
ほか—最新版を使う努力義務、作者が遠隔で制限できる同じ。重い違反で通知なく終了—

LTX-2.3 は、文章を読む部分に Gemma 3 を使う。Gemma 3 には Gemma 独自の利用規約があるので、それも関わりうる。ただ、文章を読む部品として使ったときに動画の出力まで及ぶかは、条文からは読み取れなかった。2.5 は Gemma 4（Apache-2.0）に替わっている。

いちばん縛りが少ないのは Wan だ。LTX は、AI 生成の表示（このサイトではもともと書いている）と禁止用途の一覧を守れば、『鼻』のような作品には収まる。

動かす場所の規約もかかる

モデルのライセンスとは別に、動かす場所の規約もある。Colab の FAQ には「許されていない使い方」の一覧があり（無料版と有料版で中身が違う）、ディープフェイクの作成は入っている。性的な内容の項目は無かった。

ただ、Google には生成 AI の禁止事項の方針が別にあり、性的に露骨な内容を禁じている。これが Colab で動かす処理にもかかるのかは、FAQ からは読み取れなかった。モデルのライセンスで許されていても、Colab ではアカウントに響くおそれがある。きわどい内容を試すなら、手元の GPU で回すのが無難だと判断した。

比べ方

見たのは 3 つだ。

  1. Colab で動くか（時間、VRAM、ユニット）
  2. どんな絵が出るか（手描きアニメ調が保てるか、崩れないか）
  3. どんな制御ができるか（声に口を合わせる、途中のコマに絵を固定する）

入力は『鼻』と同じにした。同じ絵コンテの絵を同じコマに置き、同じ声を使い、H3 で作ったものと並べる。題材にしたカットは 3 つだ。

カット中身見たいこと
C06弟子が「京のお医者さまから、鼻を短くする方法を聞いてきました」と言う。内供は黙って聞く声に口が合うか。話す人だけ口が動くか
C12小坊主たちが陰で笑い、内供が振り返る。絵を 6 枚固定途中のコマの固定
C10y鼻の毛穴から脂を 4 本抜く。絵を 11 か所固定いちばんきつい固定。抜いた穴に粒が戻らないか

グラフ（ComfyUI に渡す処理の組み立て）は、ComfyUI に付いている公式の見本を元に組んだ。プロンプトは、LTX に付いている「プロンプトを書き直すノード」は使わず、Claude に書いてもらった。

Colab では、カスタムノードを入れずに ComfyUI 本体だけで動かしている。VM を借りる前に、手元で「本体のノードだけでできているか」「必須の入力がそろっているか」「つなぎ先の型が合うか」を機械的に確かめた。Wan S2V は手元の RTX 3090 にも入るので、小さめ（480×864）で 1 本流して、グラフが動くことも確かめた（420 秒）。

Colab で動くか

動いた。1 本あたりの時間と VRAM はこうだった（A100 80GB、704×1280）。

モデルカット長さ時間VRAM の最大
LTX-2.3C06161 コマ・24fps100 秒（モデルの読み込み込み）44GB
LTX-2.3C12145 コマ51〜61 秒44GB
LTX-2.3C10y281 コマ（11.7 秒）139 秒（読み込み込み）45GB
Wan 2.2 S2VC0677 コマ×2・16fps308 秒（読み込み込み）40GB
Wan 2.1 VACEC1281 コマ・16fps290 秒（読み込み込み）51GB
Wan 2.1 VACEC10y185 コマ（11.6 秒）1,040 秒63GB
  • LTX は速い。前回の H3 は 124 コマで 1 本 130〜145 秒だったので、それより速い
  • Wan は 1 本 5 分前後。VACE は学習の長さが 81 コマ（16fps で約 5 秒）で、その 2 倍強の 185 コマにすると、約 17 分かかった
  • モデルの取得は、Hugging Face から 100GB 近くを 4 分半で取れた（毎秒 377〜395MB）。前回悩まされた 429 は、今回は出なかった

しゃべるカット（C06）

声は 0.8 秒目から 5.3 秒まで。LTX は始まりと終わりの絵を固定し、声を「変えない音」として入れて映像だけを作らせた。Wan S2V は始まりの絵と声を渡した。

LTX-2.3（AI 生成）

Wan 2.2 S2V（AI 生成）

どちらも、動画の音は渡した声のトラック（Irodori-TTS）に差し替えてある。

弟子の口元を 0.125 秒ごとに並べた。

弟子の顔を 0.5 秒目から 5.5 秒目まで 0.125 秒ごとに並べた一覧を、上に LTX-2.3、下に Wan 2.2 S2V で 2 つ重ねた図。LTX は 0.6 秒ごろから口が開き、1.5〜1.7 秒で顔の位置がずれて形が崩れるコマがある。Wan は 1.0 秒ごろから口が動き、5.4 秒まで顔の位置も形も変わらない。
  • Wan S2V は、顔の位置も形も最後まで崩れず、セリフの間ずっと口が動いた。日本語の声で、音声の読み取りは英語用の部品だが、口は動く
  • LTX は口の動き出しが早いが、1.5〜1.7 秒で弟子の位置がずれ、顔が一瞬崩れるコマがあった
  • 内供（黙る方）の口は、長い鼻に隠れていて、どちらも判断できなかった
  • Wan S2V は 77 コマずつ作って延ばすので、映像は 9.9 秒になる。声の長さで切って使う

6 枚を固定する（C12）

前回、H3 で 3 回作り直したカットだ（1 回目は内供が画面から消え、2 回目は同じ動きを繰り返した）。同じ 6 枚の絵を、同じコマに置いた。Wan VACE は 81 コマまでなので、5.9 秒を 5.1 秒に縮めて置いている。

LTX-2.3（AI 生成）

Wan 2.1 VACE（AI 生成）

固定したコマを、固定した絵と並べた（左から 絵、H3 の 3 回目、LTX の強さ 0.7、LTX の強さ 1.0、Wan VACE）。

6 行 5 列の比較。行は固定した 6 枚（背を向ける、笑う、気づく、振り向く、鼻をかく、去る）、列は左から固定した絵、H3、LTX 強さ 0.7、LTX 強さ 1.0、Wan VACE。どの列も絵とほぼ同じ構図になっている。LTX 0.7 の「気づく」の行だけ、内供が振り返らず正面を向いている。
  • LTX も Wan VACE も、背を向ける → 小坊主たちが笑う → 振り向く → 鼻をかく → 小坊主たちが去る、と絵の順に進んだ。内供は左に留まっている
  • LTX は、固定の強さ 1.0 の方が絵に近い。0.7 では「気づく」で振り返らなかった
  • Wan VACE は、黒い衣が少し濃く出る

11 か所を固定する（C10y）

前回、いちばん苦労したカットだ。鼻の毛穴から脂を 4 本抜き、懐紙に並べる。画像生成で絵コンテの続きを描かせると、抜いた穴に粒が戻ってしまう。そこで、穴と懐紙の脂を描き入れた絵を用意し、11 か所に置いて押さえた。H3 はこれで、穴を保ったまま 11.5 秒を 1 本で作れた。今回も、同じ絵を同じコマに置いた。

LTX-2.3（AI 生成）

Wan 2.1 VACE（AI 生成）

鼻の同じ所を、2 秒から 11.5 秒まで並べた。

鼻の同じ範囲を 2、3、4.5、6、8、10、11.5 秒で並べた拡大を、上に LTX-2.3、下に Wan 2.1 VACE で 2 段にした図。どちらも抜いた穴が 1 個、2 個、3 個、4 個と増え、穴に粒が戻っていない。 出来た動画を 0.5 秒ごとに並べた一覧を、上に LTX-2.3、下に Wan 2.1 VACE で 2 つ重ねた図。LTX は 4 秒で懐紙に 1 本目が置かれ、そこから 1 本ずつ増える。Wan は 1 秒と 1.5 秒のコマで、まだ抜いていない脂が懐紙の上に 2 本見え、2 秒のコマでは消えている。
  • どちらも、抜いた穴は 1 → 4 と増え、粒は戻らなかった。懐紙の上の脂も 1 本ずつ増える。固定した絵があれば、H3 と同じように穴は保てる
  • Wan VACE は、1.0〜1.5 秒で、まだ抜いていない脂が懐紙の上に 2 本出て、2 秒には消える。「置く前に脂が出ない」が守れていない。LTX ではこれは見当たらなかった
  • 時間は LTX が 139 秒、Wan VACE が 1,040 秒。約 7 倍の差がある

絵を固定しないと（キスの場面）

絵コンテの絵を置かず、文章だけで作るとどうなるかも試した。題材はキスの場面だ。銀杏の下で、20 代後半の男女が見つめ合い、男が頬に手を添え、口づけをして、額を合わせる。

LTX-2.3（AI 生成）

Wan 2.1 VACE（AI 生成）

キスの場面を 0.33 秒ごとに並べた一覧を、上に LTX-2.3、下に Wan 2.1 VACE で 2 つ重ねた図。どちらも見つめ合い、頬に手を添え、口づけをし、額を合わせる。LTX は太い線のコミック調、Wan はアニメのセル画調で、どちらも手描きの色鉛筆調ではない。
  • どちらも、書いたとおりの流れで口づけまで描けた
  • 絵柄は、プロンプトに「手描き・色鉛筆」と書いても、LTX はコミック調、Wan はアニメのセル画調に寄った。『鼻』の絵柄が保てたのは、固定した絵のおかげだとよく分かる

使い分け

カット向いていたもの理由
しゃべるカットWan 2.2 S2V顔が崩れず、口が声に沿って動き続ける
動きが多く、絵を何枚も固定するカットLTX-2.3絵の順に進み、乱れが少なく、速い。11 秒を 1 回で作れる
しゃべりながら動くカットLTX-2.3声と固定する絵を 1 回で渡せる。今回は始まりと終わりの 2 枚＋声で試しただけで、途中の絵まで置いた組み合わせは試していない。Wan では S2V と VACE が別のモデルで、1 回ではできない

Wan の弱いところは、まだある。16fps で作るので、24fps の作品に混ぜるならコマを足す必要がある。VACE は 1 回 5 秒前後が基本で、長いカットはつなぎ足しになる。

時間とユニット

回日時本数分ユニット結果
111/03 12:175243.40成功・接続切れ 3 回
211/03 13:21323約 3.544 本目を止まったと見なして打ち切り（下の失敗の記録）
311/03 14:151243.60成功。2 回目の 4 本目の作り直し
計971約 10.5
  • 1 回の準備（VM の確保、ComfyUI の導入、入力の転送、モデルの取得、起動）は 6〜8 分で、前回の 8〜10 分より短い。取得が速かったため
  • 2 回目は、終わった時点では 2.81 だったが、あとから 0.73 引かれた。差し引きが遅れて出るのは前回と同じだ

失敗の記録

止まっていないのに、止めた（2 回目）

前回の失敗から、生成の様子を外から見て「5 分進まなければ止まったと見なして打ち切る」ようにしている。Wan VACE で 185 コマを作ったら、1 段に 2〜3 分かかり、記録が 5 分変わらない間があって、打ち切られた。

ComfyUI の記録を見ると、6 段のうち 3 段まで進んでいた。止まっていたのではなく、遅かっただけだ。長いクリップでは、見る時間を延ばす（3 回目は 15 分にして通った）。

入力の確認用の表示を、出来た動画と数えた

Wan VACE には、絵を置いた制御用の動画を入力として渡す。ComfyUI は、読み込んだ動画を確認用にも返す。それを出来た動画と一緒に回収しようとして、存在しないファイルを取りに行き、記録の本数も 7 本（本当は 5 本）になった。出力の場所にあるものだけを回収するように直した。

「あとから口だけ合わせる」は、本体ではできない

Wan では声（S2V）と絵の固定（VACE）が別のモデルだ。そこで、VACE で動きを作ってから、声に合わせて口だけ動かし直せないかと考えた。ComfyUI の公式の見本に、声で動画を作る InfiniteTalk（Wan 2.1 系）があったからだ。

調べると、ComfyUI 本体の InfiniteTalk のノードに入れられるのは、始まりの絵と、前の回の続きのコマだけだった。出来た動画を入れて口を合わせ直す口は無い。カスタムノードを使わない限り、この組み合わせはできない。

まだ分かっていないこと

  • カットの切り方の良し悪し。今回見たのは「絵コンテどおりに出せたか」「崩れないか」で、カットとして良いかではない。どこで切るか、寄りか引きか、どれくらいの長さか、何でつなぐか。この物差しが無いと、出た絵の良し悪しも決めきれない。次はここを固めたい
  • LTX-2.5。2.3 より絵が良くなったと公式は言うが、取るのにログインと同意が要り、ライセンスの条件も増える
  • Wan で、しゃべりながら動くカットを 1 回で作る方法
  • 2 人が同じカットで交互に話すカット

前回の記事: 【第3回】芥川『鼻』を 2 分のミニアニメドラマにしてみた——Colab の A100 と MiniMax H3 で、固定する絵で動きを指示する