Wan 2.2、HunyuanVideo 1.5、LTX-2のようなオープンソース（オープンウェイト）の動画生成AIは、自分のGPUで無料・透かしなしで動かせます。その一方で、性能の高いグラフィックボード、ComfyUIと付き合う根気、そして台本・音声・字幕・編集を別に用意する手間が必要です。ここでは現状を正直に整理し、FacelessGenieがオープンモデルをどう使っているか、つまり自分で動かさなくても済む方法もご紹介します。
動画の元になる素材を入力してください。
AI動画生成ツールとして売られているものの多くは、他社のサーバー上でクローズドモデルを動かしています。オープンソース、あるいはオープンウェイトの動画モデルはそこが違い、開発者が学習済みの重みを公開しているため、誰でもダウンロードして自分のハードウェアで動かせます。ライセンスはさまざまで、Apache 2.0のように制限の緩いものもあれば、企業規模や地域、商用利用に条件があるコミュニティライセンスもあります。実際には、ローカルのNVIDIA製GPUやレンタルしたクラウドGPU上で、ComfyUIやHugging Face Diffusersを通して動かすのが一般的です。
Wanは最も広く使われているオープン動画モデルのシリーズです。2025年7月にApache 2.0で公開されたWan 2.2には、14Bのテキストから動画・画像から動画のモデルと、720p・24フレーム/秒の動画を作れる小型のTI2V-5Bモデルがあります。Wanチームによると、5BモデルにはRTX 4090のような最低24 GBのVRAMが必要で、720p・5秒のクリップは9分未満で生成できます。旧版のWan 2.1には約8 GBのVRAMで動く1.3Bのテキストから動画モデルがあり、480pに向いています。新しいWanのバージョンはダウンロードではなくAlibabaのクラウド経由で提供されており、公式のWan GitHubで公開されている重みはWan 2.2までです。
HunyuanVideo 1.5は2025年11月に公開された8.3Bのモデルで、480pと720pのテキストから動画・画像から動画に対応し、1080pへのアップスケーラーも備えています。クリップは標準で約5秒、Tencentはオフロード使用時の最低VRAMを約14 GBとしています。ライセンスはTencent Hunyuan Community Licenseで、EU、英国、韓国では適用されず、月間ユーザー数が1億人を超えるサービスには別途ライセンスが必要です。商用で使う前にライセンスを読んでください。
LightricksのLTX-2シリーズは、映像と同期した音声を同時に生成します。テキストから動画、画像から動画、キーフレーム、動画から動画のモードがあり、ネイティブ出力は約1080p、4Kへのアップスケールにも対応します。ライセンスはLTX-2 Community Licenseで、年間売上1,000万ドル未満の組織は無料で商用利用でき、それより大きな企業は有料契約が必要です。フルサイズのダウンロードは大きいため、一般向けGPUでは精度を落とした重みやオフロードを使うことになります。
ZhipuのCogVideoXには、Apache 2.0の2B版と独自ライセンスの5B版があり、約6秒の短いクリップを作れます。メモリ最適化を使えば控えめなGPUでも動きます。GenmoのMochi 1はApache 2.0の10Bテキストから動画モデルで、480pで出力し、ComfyUIなら20 GB未満で動作します。ほかにも、Open-Sora 2.0（Apache 2.0）、StepFunの30B Step-Video-T2V（MIT、80 GBのGPUが必要）、Sand AIのMAGI-1（Apache 2.0、24 GBのグラボに収まる4.5B版あり）、そして通常の5秒を大きく超えてクリップを延長できるSkyworkのSkyReelsモデルも知っておく価値があります。
FacelessGenieはオープンモデルとクローズドモデルを組み合わせ、形式ごとに使い分けています。無料プランは自社GPU上のオープンモデルで動いており、シーン画像にはAlibabaのTongyiラボによるZ-Image Turbo（Apache 2.0）、ナレーションにはKokoro（Apache 2.0）を使い、一語ずつ表示される字幕のタイミングはWhisperで合わせています。テキストから直接シーンを生成する場合の標準モデルはWan 2.2です。より高品質なプランでは、Seedance 2.5やGenie Motionなどのクローズドモデルに切り替えられます。何もインストールせずにオープンモデルの恩恵を受けられるうえ、台本の作成、シーンの組み立て、BGMのミックス、最終的なMP4の書き出しまでアプリが行います。
手持ちのGPUメモリに合うモデルを選びます。ビジネス用途や収益化しているチャンネルで使う場合は、ライセンスも必ず読んでください。
ローカルモデルで得られるのは、無音または音声付きの短いクリップです。完成した動画にするには、台本、ナレーション、字幕、BGM、編集が別途必要です。
形式を選んでアイデアを入力すれば、アプリが動画を丸ごと仕上げます。無料プランではオープンモデルを使い、1日1本、最大90秒まで無料で作れます。
多くの人にとって最初の一歩はWan 2.2です。ライセンスはApache 2.0で、ComfyUIとDiffusersの対応も充実しており、24 GBのグラボで動く5Bモデルもあります。HunyuanVideo 1.5とLTX-2も有力な選択肢ですが、まずコミュニティライセンスを確認してください。映像と一緒に音声も生成したいなら、LTX-2が主な候補になります。
性能の高いNVIDIA製GPUがあれば可能です。Wan 2.1の1.3Bモデルは480pのクリップで約8 GBのVRAM、Wan 2.2の5Bモデルは720pで最低24 GBが必要です。ハイエンドの一般向けグラボでも5秒のクリップ1本に数分かかり、小さめのGPUでオフロードを使うとさらに時間がかかります。
モデルによります。Wan 2.1と2.2、Mochi 1、CogVideoX-2B、Open-Sora 2.0はApache 2.0です。一方でコミュニティライセンスのものもあり、HunyuanVideoのライセンスはEU、英国、韓国を対象外としています。LTX-2のライセンスは、年間売上1,000万ドル未満の組織に限り無料です。必ずモデルの重みに付属するライセンスを読んでください。
1回の生成でおよそ5秒、解像度は480p〜720pが一般的です。1080pや4Kにアップスケールできるモデルもあり、SkyReelsのようにクリップをさらに延長できるものもあります。長い動画は、たくさんのクリップを生成してつなぎ合わせて作ります。
はい。無料プランでは、画像にZ-Image Turbo、ナレーションにKokoro（どちらもApache 2.0）を自社GPUで動かし、字幕のタイミングはWhisperで合わせています。テキストから動画を作る際の標準モデルはWan 2.2です。有料の高品質プランでは、Seedance 2.5やGenie Motionなどのクローズドモデルも使えます。
ローカルモデルで手に入るのはクリップだけです。完成した動画には、台本、ナレーション、内容に合ったシーン、字幕、BGM、編集も必要です。FacelessGenieなら、ひとつのアイデアからそのすべてをブラウザ上で仕上げます。GPUもインストールも不要で、必要なクレジットはレンダリング前に表示されます。試行錯誤が好きで高性能なGPUをお持ちなら、ローカルで動かすのも良い勉強になります。