Wan 2.2(公式の綴りはWan2.2)は、アリババの公式チームが公開している、オープンな動画生成AIです。ことばで指示したり、写真を渡したり、音声を添えたりして、短い映像をつくれます。会話の相手をするチャットAIではなく、「映像をつくる道具」だと考えてください。
公式GitHubによると、オープンな推論コードとモデルの重み(AIを動かすためのデータ)は2025年7月28日に公開されました。ライセンスはApache 2.0で、商用利用も認められています。一方、公式のウェブサイトやクラウドでは、その後の版も案内されています。本稿は、自分の環境に入れて使えるオープン版のWan 2.2を中心に、種類の違い、試し方、必要なGPU、注意点をやさしく整理します。
本稿は2026年11月16日時点の、公式サイト、公式GitHub「Wan-Video/Wan2.2」、Hugging Faceの公式モデルカード、アリババクラウド公式コミュニティブログ(2025年7月29日)、公式X(@Alibaba_Wan)、公式YouTube(Alibaba Cloud)、ComfyUI公式ドキュメント、アリババクラウドModel Studio(百煉)の公式ヘルプに基づいています。公式に書かれていないことは「未発表」とします。
Wan 2.2とは
Wanは、アリババの通義ラボ(Tongyi Lab)系の映像生成モデルで、中国語では「通義万相」とも呼ばれます。公式サイトは wan.video です。公式Xアカウントは @Alibaba_Wan で、プロフィールでは「Video & Image Generation Model from @Ali_TongyiLab」と案内されています。
たとえで言うなら、映画の短いワンシーンを、脚本(文章)やスチル写真、音声から組み立てるスタジオです。自分でカメラを回さなくても、指示の内容に沿った映像を出せます。ただし、出来栄えは指示の仕方や選ぶモデル、機材の性能に左右されます。毎回、映画のような仕上がりになるとは限りません。
公式X(@Alibaba_Wan)は2025年7月28日22:41(日本時間)の発表投稿で、Wan2.2を「オープンソースのMoE(Mixture-of-Experts、得意分野の違う部品を組み合わせる仕組み)を使った動画生成モデル」として紹介しています。アリババクラウド公式コミュニティブログ(2025年7月29日)も、同じ日の公開を伝えています。論文「Wan: Open and Advanced Large-Scale Video Generative Models」(arXiv:2503.20314)は公式GitHubでも引用されていますが、この論文の本体は先行版Wan2.1を中心に書かれています。Wan 2.2固有の説明は、公式GitHubとモデルカードを優先します。
なお、公式のウェブサービスやアリババクラウドのModel Studioでは、2.2より後の版(Wan 2.5、2.6、2.7、3.0)も案内されています。違いの整理は、後述の「Wan 2.2より新しいバージョンはある?」をご覧ください。AI JAPAN PROJECTのサイトには、後続バージョンだけの独立した解説記事はまだありません。
どんな種類がある?
公式GitHubが案内するオープン版は、次の5つです。名前の「T2V」は文章から動画、「I2V」は画像から動画、「TI2V」は文章と画像の両方に対応、「S2V」は音声から動画、という意味です。「A14B」は、一度に働くパラメータ(AIの規模を表す数)が約140億のMoEモデルです。
| モデル名(公式) | できること | 解像度の目安 |
|---|---|---|
| Wan2.2-T2V-A14B | 文章から動画をつくるMoEモデル | 480Pと720P |
| Wan2.2-I2V-A14B | 静止画から動画をつくるMoEモデル | 480Pと720P |
| Wan2.2-TI2V-5B | 文章からでも画像からでも使える、ひとつの小型モデル | 720P・24fps |
| Wan2.2-S2V-14B | 音声を手がかりに、映像をつくる(2025年8月26日公開) | 480Pと720P |
| Wan2.2-Animate-14B | キャラクターの動きの転写と、映像内の置き換え(2025年9月19日公開) | 公式の前処理例では1280×720 |
T2V-A14BとI2V-A14Bは、公式が「2人の専門家が交代で働く」と説明するMoEです。ノイズの多い最初の段階では全体の配置を決める担当、後半では細部を整える担当が働きます。専門家はそれぞれ約140億パラメータ、合計は約270億ですが、一度に働くのは約140億分です。計算の量をほぼ増やさずに、得意分野を分けて質を上げる、という公式の狙いです。料理にたとえるなら、盛り付けの配置を決める人と、最後に味と見た目を整える人が分かれていて、その時点で必要なほうだけが厨房に立つイメージです。
TI2V-5Bは、公式が「消費者が使う級のGPU(例:GeForce RTX 4090)でも動く」と案内する小型版です。独自のWan2.2-VAE(映像を小さくまとめて扱う仕組み)により、圧縮比は16×16×4です。公式GitHubは、最適化を特別にしなくても、5秒の720P映像を民生用GPU1台で9分未満で作れる、としています。家庭用のパソコンでまず試すなら、この5Bが候補になります。
何ができる?
公式が強調している使い道は、次のとおりです。
- 文章の指示から、短い映像をつくる(T2V)
- 写真を動かす(I2V)。公式によると、指示文を空にして写真だけから作ることもでき、指示文を自動で足す機能(prompt extension)もあります
- 照明、構図、コントラスト、色味など、映画のような見た目を細かく指定する
- 顔の表情、手の動き、スポーツのような複雑な動きを、先行版Wan2.1より安定して出す(公式は、学習に使った画像が+65.6%、動画が+83.2%増えたと説明しています)
- 音声や声を手がかりに、人物の映像をつくる(S2V)。姿勢の動画を添える使い方もあります
- キャラクターの画像と参考動画から、動きと表情を写す「アニメーション」と、元の映像の中にキャラクターをはめ込む「置き換え」(Animate)
公式Hugging FaceのT2V-A14Bモデルカードでは、480Pと720Pで5秒の動画に対応すると書かれています。これより長い本編を公式がどこまで保証するかは、モデルや使い方によって違うため、使う前に各モデルカードと公式サイトを確認してください。
公式の紹介動画
公式YouTubeチャンネル「Alibaba Cloud」に、Wan2.2-S2V(音声から映像をつくるモデル)の紹介動画があります。公開は2025年8月29日12:33(日本時間)です。タイトルは「Today, let’s look at what makes Wan2.2-S2V a true leap forward for creators and developers.」です。Wan 2.2全体の入門というより、後から公開された音声対応モデルの公式紹介です。
公式Xで公開された紹介動画
公式アカウント @Alibaba_Wan は、Wan2.2-S2Vを2025年8月26日23:36(日本時間)、Wan2.2-Animateを2025年9月19日15:14(日本時間)に、紹介動画付きで発表しています。最初のWan2.2本体の発表投稿(2025年7月28日)は文章が中心で、本稿では動画付きの公式発表を埋め込みます。
公式の性能比較(Wan-Bench 2.0)
公式GitHubは、独自の評価「Wan-Bench 2.0」で、Wan2.2-T2V-A14Bを主要な商用モデルや先行のWan2.1-T2V-14Bと比べた図表を公開しています。数値は図表からの転記で、点数が高いほど良い、という軸(Score)です。比較対象の名前は、公式図表の表記どおりです。
| テスト | Seedance 1.0 | Hailuo 02 | KLING 2.0 | Sora | Wan2.1-T2V-14B | Wan2.2-T2V-A14B |
|---|---|---|---|---|---|---|
| 見た目の美しさ(Aesthetics Quality) | 84.3 | 77.2 | 80.1 | 82.3 | 75.9 | ★ 85.3 |
| 動きの大きさ(Dynamic Degree) | 38.6 | 38.5 | 48.7 | 47.6 | 50.5 | ★ 52.0 |
| 文字の描画(Text Rendering) | 61.1 | 47.0 | 19.9 | 50.4 | 65.1 | ★ 66.5 |
| カメラの制御(Camera Control) | 38.0 | 39.4 | 37.1 | 20.8 | 27.9 | ★ 39.6 |
| 映像の忠実さ(Video Fidelity) | ★ 81.8 | 63.6 | 64.8 | 70.9 | 63.6 | 73.7 |
| 物の正確さ(Object Accuracy) | 73.8 | 80.1 | ★ 82.1 | 69.0 | 75.4 | 78.2 |
★と色付きは各テストの1位です(数値は公式GitHub「Wan-Video/Wan2.2」README掲載のWan-Bench 2.0図表)。
公式図表では、Wan2.2-T2V-A14Bは6項目のうち4項目で1位です。「映像の忠実さ」はSeedance 1.0、「物の正確さ」はKLING 2.0が上回っています。これは公式チーム自身の評価であり、使う場面や指示の出し方で印象は変わります。点数だけを見て選ぶのではなく、自分の用途で試し、結果を目で確認するのが確実です。
試し方
公式が案内している入り口は、大きく分けて4つです。
- 公式サイト wan.video で、ブラウザから試す
- 公式のデモ空間で試す。例として、Hugging Face Spacesの Wan-2.2-5B、Wan2.2-S2V、Wan2.2-Animate があります。ModelScopeにも同様のStudioが案内されています
- 動画づくりの定番ソフト「ComfyUI」の公式ワークフローを使う。公式GitHubは、公開当日にComfyUIへ組み込まれたと案内しています。手順は ComfyUI公式チュートリアル(英語) にあります
- 公式GitHubのコードと、Hugging FaceまたはModelScopeの重みを、自分のGPU環境に入れて動かす
このほか、アリババクラウドのModel Studio(百煉)では、wan2.2-t2v-plus などの名前でAPI(ほかのサービスから呼び出す窓口)が提供されています。これはブラウザや自分のパソコンにモデルを置く方法とは別で、使った分のクラウド料金がかかります。オープン版の重みと、クラウド側の製品名は同じ「2.2」でも中身が完全に同じとは限りません。同じ公式クラウドでは、2.2より新しい版も選べます(後述)。料金は公式の料金ページで確認してください。
自分のパソコンに大きいGPUがない場合は、必要な時間だけGPUを借りる方法もあります。借り方の考え方は、当サイトの Runpodの解説記事 を参照してください。同じオープンな動画生成の系統では、当サイトに LTX-2.5の解説 もあります。アリババの言語モデルについては、Qwen3.8-Maxの解説 があります。
必要なGPUの目安
公式GitHubの実行例では、T2V-A14B、I2V-A14B、S2V-14Bの「1台のGPUで動かす」コマンドは、いずれもVRAM(GPUの作業メモリ)が少なくとも80GBある機械向け、と注記されています。一方、TI2V-5Bは、メモリ節約のオプションを付けた例で「少なくとも24GB(例:RTX 4090)」と書かれています。
同じ公式READMEには、実測の時間とピークメモリの表もあります。条件は、A14Bではモデルを適宜オフロードする(GPUから一部を退避する)オプションなどを使った計測です。抜粋は次のとおりです(単位は、時間=秒、メモリ=GB)。
| モデル | 解像度 | GPU | 1台の時間(秒) | 1台のピークメモリ(GB) |
|---|---|---|---|---|
| TI2V-5B(文章から) | 720P | 4090 | 534.7 | 22.9 |
| TI2V-5B(画像から) | 720P | 4090 | 524.8 | 22.8 |
| T2V-A14B | 720P | H100/H800 | 1041.5 | 59.8 |
| I2V-A14B | 720P | H100/H800 | 1055.9 | 59.7 |
4090でTI2V-5Bの720P(文章から)は約535秒、つまり約9分です。公式の「9分未満」という説明と一致します。A14BをH100/H800の1台で720Pにする場合は、約17分です。表は公式の計測条件での平均値で、自分の環境では前後します。
ComfyUI公式チュートリアルは、これとは別に、「Wan2.2の5B版は、ComfyUI標準のオフロードを使えば8GBのVRAMでも十分収まりやすい」と書いています。これはComfyUI側の案内であり、公式GitHubの「24GB」とは条件が違います。自分の機械で試す前に、使うソフトの公式手順を確認してください。
クラウドで使う場合の料金(公式)
オープン版そのものを自分のGPUで動かす場合、モデルのライセンス料はかかりません。電気代や、GPUを借りる場合のレンタル料は別です。一方、アリババクラウド Model Studio のAPIは従量課金です。公式ヘルプ「wan2.2-t2v-plus」によると、課金は生成に成功した動画の秒数で、本稿確認時点の本体価格(キャンペーンを含まない原価)は次のとおりです。
| リージョン | 480P(元/秒) | 1080P(元/秒) |
|---|---|---|
| 華北2(北京) | 0.14 | 0.7 |
| シンガポール(国際) | 0.146785 | 0.733924 |
日本リージョン向けの公式単価は、同ページでは確認できませんでした(未発表)。図生動画(i2v-plus、i2v-flash)や音声系など、ほかのAPI製品の単価も公式ヘルプに分かれています。料金は変わるため、利用前に必ず公式の料金・モデルページで最新を確認してください。
Wan 2.2より新しいバージョンはある?
あります。ただし、選び方のポイントははっきりしています。Wan 2.2は、公式GitHubと公式Hugging Faceで重み(自分のGPUで動かすデータ)が公開されているオープン版です。ライセンスはApache 2.0です。一方、その後に出たWan 2.5、Wan 2.6、Wan 2.7、Wan 3.0は、公式サイト(wan.video)やアリババクラウドのModel Studio、Qwen CloudなどのクラウドやAPIで使う案内が中心です。
本稿確認時点(2026年11月16日)で、公式GitHub組織「Wan-Video」と公式Hugging Face「Wan-AI」には、2.5以降の世代の重みは見当たりませんでした。Wan 3.0については、アリババクラウド公式の案内リポジトリ(AlibabaCloud-Official/Wan3.0)はありますが、中身は紹介と利用条件へのリンクが中心で、Wan 2.2のような推論コードや重みの一式は含まれていませんでした。新しい版を自分のパソコンだけに置いて動かしたい場合は、公式の公開状況をその都度確認してください(現時点では未確認、とお考えください)。
公式が案内している主な違いは、次のとおりです。料金比較ではないので、性能の1位マーク(★)は付けていません。
| 版 | 公式の主な発表 | オープンな重み | 公式が案内する動画の長さ | 公式が強調する新しさ |
|---|---|---|---|---|
| Wan 2.2 | 2025年7月28日に公式GitHubで公開 | あり(Apache 2.0) | オープン版の例は5秒(720P)など。クラウドAPIの wan2.2-t2v-plus は5秒固定・無音 | MoE構造と、民生向けの小型モデルTI2V-5B |
| Wan 2.5 Preview | 公式Xが2025年9月26日11:30(日本時間)に「now live」と発表。映像の音声対応は同月28日10:15(日本時間) | 本稿時点で公式の重み公開は未確認 | 公式ドキュメントでは5秒または10秒(480P/720P/1080P)、音付き | 映像と音を同時に作る。最長10秒。公式の製品名はいまも「preview」 |
| Wan 2.6 | アリババクラウド公式ブログが2025年12月16日に発表。公式Xの紹介投稿は同日23:04(日本時間) | 本稿時点で公式の重み公開は未確認 | 文章/画像からが最長15秒(720P/1080P)。参考映像からの生成(R2V)は2〜10秒 | 自分や被写体を映像に出す参考生成、複数カットの物語、音と映像の同期 |
| Wan 2.7 | 公式ブログが2026年4月1日に画像版を発表。映像モデルは公式Model Studioの更新履歴で2026年4月3日に掲載 | 本稿時点で公式の重み公開は未確認 | 文章/画像からが2〜15秒。参考生成と映像編集は2〜10秒(720P/1080P) | 映像の編集、より細かい演出。のちに日付付きの更新版も公式に追加 |
| Wan 3.0 | 公式Model Studioに2026年8月6日掲載。公式Xが2026年8月24日12:12(日本時間)に一般提供を発表。高速版primeは8月20日 | 本稿時点で公式の重み公開は未確認 | 1回あたり最長30秒(480P/720P/1080P)。音のオンオフ、長さの自動提案、延長に対応 | ひとつのモデルで文章・画像・参考・編集・資料やウェブからの生成まで扱う。公式クラウドの最新案内 |
どれを選ぶかの目安は、次のとおりです。
- 自分のパソコンや借りたGPUで動かしたい、データを外に出したくない、オープンなライセンスで使いたい → Wan 2.2
- 音付きの短い映像を、公式の画面やAPIですぐ試したい → Wan 2.5以降(まずは公式サイト wan.video)
- 自分や商品を映像に出したい、複数カットの物語を15秒まで作りたい → Wan 2.6やWan 2.7
- 30秒まで、資料やウェブページも材料にしたい、編集や延長も一つの窓口で進めたい → Wan 3.0(本稿時点の公式クラウドの最新案内)
公式X(@Alibaba_Wan)と公式アカウント @ComfyUI は、2026年8月25日に「Wan 3.0がComfyUIで使える」と案内しています。これは公式の利用経路のひとつですが、オープンな重みが置かれたという意味ではありません。新しい版のクラウド料金は変動します。アリババクラウド公式コミュニティの一般提供解説(2026年8月27日)では、国際向けのWan 3.0標準APIが、生成に成功した1秒あたり480Pで0.05ドル、720Pで0.10ドル、1080Pで0.20ドルと案内されています。日本リージョンの円建ての公式単価は未発表です。使う前に、必ず公式の料金ページで最新を確認してください。
最新のWan 3.0について、公式X(@Alibaba_Wan)は一般提供の発表と同時に紹介動画を公開しています。投稿の文言は「This is Wan3.0. Simple Input. Smart Creation. Where Imagination Meets Reality.」です。公開は2026年8月24日12:12(日本時間)です。
ライセンスと気をつけたいこと
公式GitHubによると、リポジトリ内のモデルはApache 2.0ライセンスです。公式は、生成された内容についての権利は主張せず、利用者がライセンスの定めを守ったうえで自由に使える、としています。ComfyUI公式チュートリアルも、著作権表示とライセンス文を残すことを条件に、改変や配布、商用利用ができる、と説明しています。最終的な判断は、必ず公式の LICENSE.txt を読んでください。
そのうえで、公式READMEは、使い方の責任は利用者にある、と明記しています。違法な内容の共有、個人や集団への加害、害を与える目的での個人情報の拡散、誤った情報の拡散、立場の弱い人を狙う利用は、使ってはいけない、と書かれています。他人の顔や著作物、社内の機密を安易に学習や生成の材料にしないことも、実務では大切です。
- 大きいモデル(A14BやS2V)は、公式の目安ではVRAM 80GB級が必要です。家庭用のパソコンだけで動かすのは難しいことが多いです
- 公式サイトやクラウドのデモに写真や音声を送ると、データが外部のサーバーに渡ります。社外秘や個人が写った素材は、送信前に取り扱いを確認してください
- できた映像の品質は、指示の書き方や素材で変わります。公式の点数は参考で、実務では必ず目視確認を
- 公式のクラウドAPIと、自分で置くオープン版は別物です。名前が似ていても、機能や長さ、料金は公式ページで個別に確認してください
- Wan 2.5以降は公式クラウドや公式サイトの案内が中心です。オープンな重みが後から出るかは、その時点の公式GitHubと公式Hugging Faceで確認してください
日本では使える? まだ分かっていないこと
公式GitHub、Hugging Face、公式サイト wan.video は、インターネット経由で利用できる案内です。ただし、日本向けの画面やサポートが公式に用意されているか、日本語での公式サポート窓口があるか、日本国内の法令や業務に合わせた提供条件があるかは、公式には見当たりませんでした(未発表)。Wan 2.5以降の新しい版についても、日本向けの正式な提供開始や円建ての公式料金は未発表です。
アリババクラウド Model Studio の wan2.2-t2v-plus 公式ページに載っている料金リージョンは、華北2(北京)とシンガポールです。日本リージョンの単価や、円建ての公式料金表は未発表です。無料で使える分量があるかどうかも、同ページでは確認できませんでした(未発表)。
オープン版でつくれる動画の長さの上限を、全モデル共通で何秒まで、と公式が一つの数字で保証している記述は見当たりません。T2V-A14Bは5秒対応、TI2V-5Bは5秒の720Pの速度例、と個別に書かれています。それ以外の長さは、各モデルの公式案内を確認してください。
まとめ
Wan 2.2は、アリババ公式がオープンソースで公開している動画生成AIです。文章から、写真から、音声から、キャラクターの動きの転写まで、用途に応じてモデルが分かれています。まず試すなら、公式サイトや公式デモ、あるいは必要なGPUが比較的小さいTI2V-5BとComfyUI公式ワークフローが分かりやすい入り口です。本格的なA14Bを自分で動かすなら、公式の目安どおり大きなGPUが要ります。
公式のWan-Bench 2.0では、多くの項目で良い点数が出ていますが、すべての項目で1位ではありません。ライセンスはApache 2.0で商用利用もできますが、生成物の中身と使い方の責任は利用者にあります。自分の環境で動かしたいならWan 2.2、音付きや15秒・30秒、資料からの生成など新しい機能を公式クラウドで使いたいならWan 2.5以降(本稿時点の最新案内はWan 3.0)を、公式ページで見比べてください。中小企業や個人事業主が宣伝や説明の短い映像を内製したい場合は、まず公式デモで品質と手間を確認し、機密や肖像、著作権の扱いに注意してから、業務に乗せるのが安全です。
参考リンク
- 公式サイト:Wan(wan.video)
- 公式GitHub:Wan-Video/Wan2.2
- 公式ライセンス:Apache 2.0(LICENSE.txt)
- 公式Hugging Face:Wan-AI(例:Wan2.2-T2V-A14B)
- 公式ModelScope:Wan-AI
- 公式論文:Wan: Open and Advanced Large-Scale Video Generative Models(arXiv:2503.20314)
- アリババクラウド公式コミュニティブログ:Alibaba Releases Wan2.2 to Uplift Cinematic Video Production(2025年7月29日)
- 公式X発表:@Alibaba_Wan「Introducing Wan2.2」(2025年7月28日)
- 公式X紹介動画:Wan2.2-S2V発表(2025年8月26日)/Wan2.2-Animate発表(2025年9月19日)
- 公式YouTube:Alibaba Cloud「Wan2.2-S2V」紹介(2025年8月29日)
- ComfyUI公式:Wan2.2 Video Generation ComfyUI Official Native Workflow Example
- アリババクラウド公式ヘルプ:wan2.2-t2v-plus モデル情報
- 公式X:@Alibaba_Wan「Wan 2.5-Preview is now live」(2025年9月26日)
- 公式X:@Alibaba_Wan「Introducing Wan2.6」(2025年12月16日)
- アリババクラウド公式コミュニティブログ:Alibaba Unveils Wan2.6 Series Enabling Everyone to Star in Videos(2025年12月16日)
- アリババクラウド公式コミュニティブログ:Alibaba Unveils Wan2.7 Redefining Personalized and Precision Image Creation(2026年4月1日)
- アリババクラウド公式ヘルプ:Model releases and updates(Wan 2.7映像モデルは2026年4月3日、Wan 3.0は2026年8月6日に掲載)
- アリババクラウド公式ヘルプ:Video generation and editing
- アリババクラウド公式ヘルプ:Wan3.0 Video Generation(2026年10月27日更新)
- 公式X:@Alibaba_Wan「Wan3.0 is now generally available」(2026年8月24日)
- アリババクラウド公式コミュニティ:Wan3.0 at General Availability(2026年8月27日)
- 公式GitHub(案内リポジトリ):AlibabaCloud-Official/Wan3.0
- 公式YouTube:Alibaba Cloud「Agentic Talks EP6: WAN 3.0: Multimodal AI Video Generation in Practice」(2026年11月13日)
- 関連記事:Runpodとは?——高性能GPUを必要な分だけ借りてAIを動かすクラウド
- 関連記事:LTX-2.5とは?オープンな動画生成モデルの最新版を整理
- 関連記事:Qwen3.8-Maxとは?アリババの旗艦AIをわかりやすく整理


コメント