【ComfyUI】Wan 2.1で開始・終了フレームを指定して動画を生成する方法【完全ガイド】

1. Wan 2.1 と今回のワークフローの概要

AIアーキテクトのOKIHIROです。今回は、動画生成AIの新たな可能性を切り拓く「Wan 2.1」を用いた、非常に実用的なComfyUIワークフローをご紹介します🚀

通常、動画生成（Text-to-Video）はプロンプトだけで動きを作りますが、思い通りの結果を得るのは難しいものです。しかし、今回紹介する手法は違います。

「開始フレーム（Start Frame）」と「終了フレーム（End Frame）」の画像をあらかじめ用意し、その間をAIに補完させるというアプローチです。これにより、動画の始まりと終わりの構図を完全にコントロールできます。

さらに、このワークフローではControlNet（DWPoseやDepth）を併用することで、人物のポーズや動きのタイミングまで精密に制御することが可能です。単なる補完ではなく、演出意図に沿った動画制作が可能になります💡

2. 必要な準備（モデル・カスタムノード）

このワークフローを再現するために必要な環境を整えましょう。PCスペックとしては、VRAM 12GB以上のNVIDIA製GPUを推奨します。

必須カスタムノード

ComfyUI Managerを使って、以下のノード群をインストールしてください。

• ComfyUI-WanVideo-Wrapper (by Kijai): WanモデルをComfyUIで扱うための主要ノードです。
• ComfyUI_Controlnet_Aux: DWPoseやDepthなどのプリプロセッサを使用するために必要です。
• ComfyUI-VideoHelperSuite: 動画の読み込みと保存に使用します。
• ComfyUI-KJNodes: 画像サイズ取得などのユーティリティノードです。

モデルのダウンロード

Hugging Faceから以下のモデルをダウンロードし、ComfyUI/models/ 以下の適切なフォルダに配置してください。

• Wan 2.1 Model: Wan-AI/Wan2.1-T2V-14B (または軽量な1.3B版)。models/diffusion_models フォルダへ。
• VAE: Wan 2.1専用のVAE。models/vae フォルダへ。
• Clip (T5): umt5_xxl_fp16.safetensors など。models/text_encoders フォルダへ。

3. ComfyUIワークフロー徹底解説

では、具体的なノードの組み方を解説します。このワークフローの核心は「マスクによる生成範囲の制御」と「ControlNetによる動きのガイド」です⚙️

ステップ1: 開始・終了画像の準備

まず、Load Image ノードを2つ用意し、それぞれに開始フレーム用と終了フレーム用の画像を読み込ませます。

動画内では、これらを WanVideo VACE Start To End Frame というラッパーノード（または類似のカスタムノード構成）に入力しています。この処理のポイントは、「動画の総フレーム数のうち、最初（0フレーム目）と最後（Nフレーム目）だけ画像を固定し、中間をマスクする」ことです。

ステップ2: ControlNetによるモーションガイド

単に間を繋ぐだけでは動きが不安定になるため、ガイド用の動画を使用します。

Load Video ノードで、動きの参考にしたい動画（ポーズガイド）を読み込みます。これを DWPose Estimator や Depth Anything V2 に通し、各フレームのポーズ情報や深度情報を抽出します。

抽出した情報は、ControlNetApply ノード（Wan対応のもの）を経由して、生成プロセスに「動きの指示」として渡します。これにより、「見た目は開始・終了画像に従い、動きはガイド動画に従う」という制御が可能になります✅

ステップ3: WanVideoToVideo ノードへの入力

準備したデータを WanVideoToVideo ノード（またはWrapperノード）に入力します。

• positive / negative: プロンプトを入力。
• vae: Wan専用VAEを接続。
• control_video: 処理済みのポーズ/深度画像を接続。
• control_masks: ステップ1で作成した「中間部分が生成対象（白）、両端が固定（黒）」となるマスク情報を接続します。
• reference_image: 開始フレームの画像をリファレンスとして入力することで、一貫性を高めます。

この構成により、AIは「最初と最後は元の画像のまま維持し、その間のコマだけを、ControlNetの動きに合わせて生成する」というタスクを実行します。

4. Any Switchノード使用時の注意点

動画の後半で重要なトラブルシューティングが紹介されています。Any Switch ノードを使って処理を分岐させる際のエラーについてです。

Trim Latent などの処理を行う際、Any Switch ノードを経由すると、データの型やサイズ（Kernel Size）の不一致により VAE Decode 時にエラーが発生することがあります。

解決策:
もし同様のエラーが出た場合は、横着せずに Any Switch をバイパスし、必要なLatentデータを手動で直接接続し直してください。特に動画生成のような重い処理では、動的なスイッチングノードが予期せぬ挙動をすることがあります。

5. まとめ

Wan 2.1とComfyUIを組み合わせることで、動画生成のコントロール性は格段に向上します。

• 開始・終了フレームを指定して、破綻のないトランジションを作る。
• ControlNetで動きだけを借りてくる。
• Depth情報を使って、立体感を維持したまま変身させる。

これらは以前は高度な編集ソフトでも難しかった表現ですが、今やPC1台で実現可能です。ぜひこのワークフローを試して、あなたのクリエイティブの幅を広げてみてくださいね🚀