Wan2.2のI2Vで長い動画を生成（shootthesound/comfyUI-LongLook）

Wan2.2のI2Vで長い動画を生成しようと思うと、最初に生成した動画の最後のフレームを使って、次の動画を生成していくことがありますが、時間経過とともにどんどん劣化していきます。

これを緩和するようなカスタムノードがリリースされたので、紹介します。

環境

OS:Windows 11
GPU:GeForce RTX 4090
CPU:i9-13900KF
memory:128G

構築手順

ComfyUIと必要なノードは全て最新化してください。

以下のカスタムノードについてもインストールしてください。

また、以下のコマンドでカスタムノードをインストールして、ComfyUIを再起動してください。

cd ComfyUI/custom_nodes
git clone https://github.com/shootthesound/comfyUI-LongLook.git

モデル

それぞれのモデルをダウンロードして、ComfyUI配下のフォルダに配置します。

Wan2_2-I2V-A14B-HIGH_fp8_e4m3fn_scaled_KJ.safetensorsとWan2_2-I2V-A14B-LOW_fp8_e4m3fn_scaled_KJ.safetensorsをダウンロードして「ComfyUI\models\diffusion_models」に配置

wan_2.1_vae.safetensorsをダウンロードして「ComfyUI\models\vae」に配置
umt5_xxl_fp8_e4m3fn_scaled.safetensorsをダウンロードして「ComfyUI\models\text_encoders」に配置

wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensorsとwan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensorsをダウンロードして「ComfyUI\models\loras」に配置

ワークフロー

ワークフローは以下です。

生成ごとにプロンプトを指定できますが、めんどうなので今回は全て同じプロンプトにしています。

解像度については、この「Scale Image to Total Pixel…」のmegapixelsで指定します。
今回の場合だと480×864 = 414720 ≒ 0.4Mピクセルです。

ちなみにもとにしたワークフローは以下にあります。

生成結果

生成結果は以下で、VRAMは23GB、生成時間は67分でした。

https://x.com/jun_kongo/status/2005327888460226645?s=20

（なぜか描画されず。）

感想

たしかに質は下がってませんね。
長い動画を生成できるモデルが増えてきているので、これまでできなかったことが少しずつできるようになっていきそうですね。

ローカルの動画生成は、そのまま使うには解像度が物足りませんが、有料度が生成のインプットにできると思っているので、有料モデルもローカルのモデルも追っていく必要がありそうですね。