動画生成AIの比較ふたたび(Hunyuan Video / Wan2.1)

2025/03/04

先日の「オープンソース動画生成AIのHunyuan VideoとWan 2.1で遊んでみた」で動画生成が楽しくなってきちゃったので、また遊んでみました。

元絵

今回は東北きりたん^※の足コキ絵を動かせるか試してみました。
※ずんずんPJキャラクター利用のガイドライン

ひとつは1:1の正方形、もうひとつは16:9です。

よく考えたらAIが学習した対象データは16:9なのでは…？　Stable Diffusionでは512x512がベースだったけど、動画生成AIは16:9のほうがミスが少なくなるのでは…？と気が付いて、途中から16:9に変えたので、別々の絵で出力となっています。

Hunyuan Videoで動画生成 (i2v)

12～13個くらいの512x512px動画を生成し、その中から良さげなのを3つピックアップしてひとつの動画に繋げました。

今回はBGMと音声も付けたので再生する際は注意。…といっても、あえぎ声などはありません。単なる台詞です。

Promptは「anime style,loli,footjob,jiggle,1penis,talking,blinking,pov」とかそんな感じ。あまりに動かな過ぎて最後のほうはswayingとかも入れてたかも。

FastVideoモデルを使っているためか、色彩が安定せず、3つのクリップを繋げるとウーンって感じですねぇ。

1つあたり3～4分で出力できるのは良いのですが、LoRAとか使わないと大きな動きは難しいのかなー。

Wan 2.1で動画生成 (i2v)

……………Wan 2.1すごくね？ｗｗｗ

これよりもっと足をぱかぱか動かしたり、持ち上げたり、顔が迫ってくるような動画も生成されたのですが、そのときは1:1の正方形で生成したせいか、破綻がひどくてペニスと足が融合していたりしました。

軽い480pモデルを使っているので、832x480pxで生成したところ、上述のような感じに。

生成時間も15分くらいで済みました。

前回30分かかったのは何も考えずに768x768pxで生成してたからみたい。

720pだとかなり重くなるだろうから、832x480pxで生成してアップスケールするのが良さげかなぁ？

謝辞

OSS/各種素材の制作者の皆様に感謝します

[Tools]
Stable Diffusion (Model:WAI-NSFW-illustrious)
Hunyuan Video
Wan 2.1
Style-Bert-VITS2

[Voice]
東北きりたん様

[BGM]
BGMer様「どこへいこうか？」

まとめ

Hunyuan VideoもWan 2.1もtalkingを指定すると口をパクパク動かしてくれたので、これだけでも助かる場面あるなーと感じました。

音声と同期（リップシンク）させる機能はないので、解説動画に使うようなアバター作るならSadTalkerとかそれ系のAIツール使ったほうが良いと思いますが、えっちシーンで目パチ口パク付けるのが面倒だったので、そこに動画生成AI使えるなら楽できるなーと。ただ、色合いが変わってしまう問題があるし、blinkingはなかなか効いてくれないのでそのへんも追々調べましょうかね。

16:9の動画のほうが破綻が少ない…かも？というのと、832x480pxくらいならWan2.1でも15分くらいで生成できる、とわかったのも今回の実験の収穫でした。