Alibaba、Wan2.1-VACE動画モデルを公開 71

2025年5月14日の夜、Alibaba傘下の通義万相チームは、万相Wan2.1 - VACEの動画編集と生成を統合したモデルをオープンソース化しました。このaiモデルは、直接動画を「生成」できるだけでなく、既存の動画に対してさまざまな複雑な編集や再創造処理を行うこともできます。しかも、たった1つのモデルでこれらすべての作業を完了でき、動画中のキャラクターの動き、姿勢、向き、構図レイアウト、動きの軌跡、スタイルなどを正確にコントロールできます。

コアな優位性

万相Wan2.1 - VACEは、現在の動画生成および編集機能として最も包括的なソリューションです。1つのモデルアーキテクチャで多くの動画処理タスクを処理でき、テキストからの動画生成、参照画像からの動画生成、動画の再描画、動画内容の部分的修正、動画背景の拡張、動画時間の延長などが可能です。また、複数のタスクを同時に実行することもサポートしており、ユーザーは1つのフロー内で複雑な動画編集を完了でき、制作プロセスが大幅に簡素化されます。

さらに、Wan2.1-VACEのもう一つの大きな利点は、ユーザーが複数の基本機能を自由に組み合わせて柔軟に組み合わせ、複雑な応用シーンを形成できることです。

このモデルには1.3Bと14Bの2種類のパラメータ規模があります。1.3Bの軽量バージョンは consumer向けグラフィックスカードでスムーズに動作し、480Pの動画を出力できます。14Bのフルスペックバージョンは720Pなど、より高い解像度をサポートし、より良い効果を発揮します。

技術革新

このモデルでは、新たな動画条件ユニットVCUが導入され、テキストからの動画生成、参照画像からの動画生成、動画から動画へ、部分的動画から動画への動画生成および編集タスクを統合しています。VCUは、テキストや画像などさまざまな入力を、テキスト、フレームシーケンス、Maskシーケンスに変換することができ、複数タスクの自由な組み合わせの基盤を築いています。

また、VCUに入力されたフレームシーケンスを処理し、それらを可変シーケンスと不変シーケンスに分けてエンコードすることで、トークンシリアライゼーションの問題を解決し、マルチモーダル入力の処理効率を向上させました。

実際の応用

このモデルを使えば、縦版の『モナ・リザ』の静止画を横版の動的動画に変換したり、人物にメガネを追加したりすることができ、画面拡張、時間延長、画像参照という3つのタスクを一度に完了でき、クリエイターの創造性の発揮に大きな可能性を提供します。

ダウンロード方法

開発者はGitHub、Huggingface、魔搭コミュニティという3つのプラットフォームでこのモデルをダウンロードして体験することができます。

• GitHub：https://github.com/Wan-Video/Wan2.1

• HuggingFace：https://huggingface.co/Wan-AI

• 魔搭コミュニティ：https://www.modelscope.cn/organization/Wan-AI?tab=model

Wan2.1 - VACEのオープンソース化により、動画生成技術は単一タスクのみ可能な段階から、複数タスクの組み合わせへと大きく前進し、動画制作者により便利で効率的なツールを提供します。