AnimeGenの使い方｜ローカル実行の手順と必要スペック、ComfyUI・GGUF版と商用利用の注意点

AnimeGen（アニメジェン）は、AIdeaLabが2026年7月13日に無償公開したアニメ調の動画生成AIです。使い方は3通りあります。ブラウザのデモで試す方法、PythonのDiffusersで手元のGPUに載せる方法、ComfyUI用の量子化版を使う方法です。この記事では、Hugging Faceのモデルカードとdiffusersのソースコードを突き合わせ、ローカル実行に必要なGPU・ダウンロード容量・コード、デモが動かないときの原因、Apache-2.0で商用利用するときの線引きまでを順に説明します（情報は2026年10月13日時点）。

まとめ：まずI2Vのデモで試し、ローカルはRTX 4090と約70GBの空きから

2026年10月13日時点で、Hugging Face上の3つのデモのうち動いているのは画像から動画を作るI2Vだけで、テキストから作るT2Vとフレーム補間のデモは起動エラーで止まっています。手元で動かすなら、公式が推奨するRTX 4090以上のGPUに加えて、1モデルあたり約70GBのダウンロードと、重みを待機させるメインメモリが要ります。

商用利用はApache-2.0で認められています。ただしモデルカードは実在人物のディープフェイクや未成年に見えるキャラクターの性的表現などを禁止用途として挙げており、生成物が既存作品に似たときの責任は利用者側に残ります。

AnimeGenで公開されたもの：2つのモデル、3つのデモ、Webベータ

AnimeGenという名前は、配布されている重み、Hugging Face上のデモ、AIdeaLabのWebサービスの3つを指します。検索すると名前の似た別のアニメ画像生成サービスも出てきますが、この記事で扱うのはAIdeaLabの動画生成AIです。手順を探す前に、どれを使うのかを決めておくと迷いません。

配布モデルはT2VとI2Vの2つ、フレーム補間はI2Vの使い方

Hugging FaceのAIdeaLab組織で公開されている重みはAnimeGen-T2VとAnimeGen-I2Vの2つです。デモ（Spaces）はT2V・I2V・Frame Interpolationの3つがあるため「3モデル」と紹介されることがありますが、フレーム補間専用の重みはありません。I2Vのモデルカードに載っているフレーム補間のコードは、I2Vの重みに先頭と末尾の2枚の画像を渡しているだけです。

I2Vのリポジトリには、ComfyUI向けの単一ファイル（high_noise・low_noise）と、Diffusers向けのtransformer・transformer_2フォルダが両方入っています。リポジトリを丸ごと落とすと同じ重みを2形式で取ることになり、約114GBになります。

ベースのWan2.2 A14Bは高ノイズ・低ノイズの2エキスパート構成

AnimeGenは、Alibabaが2025年7月28日に公開したWan2.2を、アニメ調の動き・キャラクター描写・色彩に向けて追加学習したモデルです。Wan2.2のREADMEによると、A14Bは生成の前半で全体の配置を決める高ノイズ用と、後半で細部を詰める低ノイズ用の2つのエキスパートを持ち、各約14B・合計27Bのパラメータのうち1ステップで動くのは14Bです。AnimeGenのファイルがhigh_noiseとlow_noiseの2本に分かれているのはこのためで、どちらか片方だけでは動きません。

Wan2.2系の推論手順やComfyUIのワークフローがそのまま使えるのは、この構成を変えていないからです。Wan2.2そのものの導入やVRAM別の設定はWan2.2の使い方・VRAM要件・ComfyUI導入の解説にまとめています。

GENIACの支援と学習データについての公式説明

モデルカードによると、AnimeGenは経済産業省とNEDOの生成AI開発支援プロジェクト「GENIAC」の支援を受け、KDDIが香川県に置くGPUクラスタのNVIDIA H200 24基で学習されました。AIdeaLabは2024年10月公表のGENIAC第2期で「動画生成AI基盤モデルと動画生成AIプラットフォームの開発」が採択されており、NEDOの採択資料では日本語アニメの動画生成基盤モデルを含む3種類の開発が計画されていました。学習データについてAIdeaLabは公開時のプレスリリースで「日本国内の著作権法および関連法令に基づき、適切に実施」と説明していますが、データの中身や出所は公開していません。2025年5月の事前登録の告知では「著作権法（第30条の4）に準拠し、合法的に取得したデータのみを使用」と書き、モデル公開時の公式noteでは、約半年のベータテストの範囲で重大な権利侵害などの問題は確認されなかったと報告しています。

T2Vのリポジトリには2026年7月15日に学習データの出所と権利処理を尋ねる質問が投稿されていますが、10月13日時点で回答は付いていません。権利面の説明を社内で求められる場合は、この点を「公式は法令に沿った収集と説明しているが、内訳は非公開」と書いておくのが正確です。

AnimeGenの使い方①：ブラウザのデモとWebベータでの試用

GPUを用意せずに出力を見たいなら、Hugging FaceのSpacesを使います。AnimeGen-I2Vのデモに画像を1枚とプロンプトを入れると、832×480相当で3秒（49フレーム・16fps）の動画が返ります。プロンプトはモデルカードの推奨どおり英語で書きます。

デモはZeroGPUという共有GPUで動いています。Hugging Faceの説明では、ZeroGPUのSpaceは誰でも無料で使える一方、1日あたりの利用枠（未ログイン2分・無料アカウント5分・PRO 40分）があり、PROアカウントは待ち行列でも最優先になります。混雑時に順番待ちになったり、枠を使い切って生成できなくなったりするのはこのためです。

AIdeaLabは2025年10月1日から、ブラウザで使うWebサービスのベータ版（bt.animegen.jp）も提供しています。公開時の告知では、テキストから作る機能と画像を動かす機能の2つを無料で提供し、利用にはGoogleアカウントが必要とされていました。こちらはモデルの配布とは別のサービスで、生成物の扱いはサービス側の規約に従います。商用案件に使うなら、条件がApache-2.0で明確なオープンモデルを自社環境で動かす方を選びます。

AnimeGenの使い方②：Diffusersでローカル実行する手順

公式が案内しているローカル実行の方法は、PythonのDiffusersライブラリです。ここではモデルカードのコードに沿って、必要な環境、T2Vの実行、I2Vとフレーム補間への切り替え、パラメータの決め方を順に示します。

必要スペック：80GB VRAM前提のWan2.2 A14BがRTX 4090で動く理由

モデルカードの推奨はNVIDIA RTX 4090以上です。ただし素のWan2.2 A14Bは、公式READMEの単一GPU推論の手順で「80GB以上のVRAM」が前提で、24GBのRTX 4090で動くと書かれているのは別系統の5Bモデルです。モデルカードのコードは次の3つを重ねています。このうちVRAMを抑えるのは最初の2つ（FP8キャストとCPUオフロード）で、3つ目のLightning LoRAはメモリではなく生成時間を縮めるための設定です。

• 重みをFP8（float8_e4m3fn）で保持し、計算するレイヤーだけをBF16に戻すレイヤー単位のキャスト
• 使っていない部品をメインメモリへ退避させるCPUオフロード
• 生成を4〜8ステップに縮めるLightning LoRA（lightx2v/Wan2.2-Lightning）

CPUオフロードを使う以上、GPUにないあいだの重みはメインメモリで待機します。重みファイルのサイズから計算すると、2つのエキスパートはBF16で約57GB、FP8に変換した後でも約29GBあり、テキストエンコーダー（umT5-XXL）も11.4GBあります。モデルカードのコードはBF16で読み込んでからFP8に変換する順序なので、読み込みの時点では合計約69GBがメインメモリに載る計算です（実測値ではありません）。VRAMだけでなくメインメモリの容量も先に確認してください。FP8とBF16の違いはFP8とFP16・BF16の違いとE4M3の仕組みで解説しています。

手元にRTX 4090級のGPUが無い場合は、GPUクラウドを時間単位で借りる方法があります。料金と選び方はRunpodとGPUクラウドの選び方を参照してください。

T2Vの推論コード：パッケージ導入から書き出しまで

Python 3.10以上の仮想環境を作り、パッケージを入れてから重みを落とします。2026年10月6日に出たdiffusers 0.41.0はPython 3.10以上が必須です。Python 3.9のままpipを実行してもエラーにはならず、3.9に対応する最後の版（0.36.0）が入るため、モデルカードのコードが前提とする最新版になりません。

# Python 3.10 以上の仮想環境で実行する（diffusers 0.41.0 は Python 3.10 以上が必要）
pip install torch torchvision transformers diffusers accelerate peft ftfy imageio imageio-ffmpeg safetensors

# T2V は単一ファイル2本だけを落とす（各28.6GB）
hf download aidealab/AnimeGen-T2V high_noise.safetensors low_noise.safetensors --local-dir .

次のコードはT2Vのモデルカードの例に日本語のコメントを足したものです。WanPipeline.from_pretrainedに渡したtransformer・transformer_2・vaeは、diffusersの実装上ダウンロード対象から外れるため、素のWan2.2の重み（各57GB）を余計に落とすことはありません。

import torch
from diffusers import WanPipeline, WanTransformer3DModel, FlowMatchEulerDiscreteScheduler, AutoencoderKLWan
from diffusers.utils import export_to_video

# AnimeGen T2V の重み（high_noise / low_noise の2ファイル）を先に hf download で取得しておく
scheduler = FlowMatchEulerDiscreteScheduler(shift=3.0)
transformer_high = WanTransformer3DModel.from_single_file("high_noise.safetensors", torch_dtype=torch.bfloat16)
transformer_low = WanTransformer3DModel.from_single_file("low_noise.safetensors", torch_dtype=torch.bfloat16)

# VAE とテキストエンコーダーは素の Wan2.2 から読む（transformer は渡した分だけダウンロードされない）
vae = AutoencoderKLWan.from_pretrained("Wan-AI/Wan2.2-T2V-A14B-Diffusers", subfolder="vae", torch_dtype=torch.float32)
pipe = WanPipeline.from_pretrained("Wan-AI/Wan2.2-T2V-A14B-Diffusers", transformer=transformer_high, transformer_2=transformer_low, scheduler=scheduler, vae=vae, torch_dtype=torch.bfloat16)

# 少ステップ化の Lightning LoRA（T2V用）。high の強度は 2.0
pipe.load_lora_weights('lightx2v/Wan2.2-Lightning', weight_name='Wan2.2-T2V-A14B-4steps-lora-250928/high_noise_model.safetensors', adapter_name='high')
pipe.load_lora_weights('lightx2v/Wan2.2-Lightning', weight_name='Wan2.2-T2V-A14B-4steps-lora-250928/low_noise_model.safetensors', adapter_name='low', load_into_transformer_2=True)
pipe.set_adapters(["high", "low"], adapter_weights=[2.0, 1.0])

# 重みを fp8 で保持し、計算時だけ bf16 に戻す。続けて CPU オフロード
transformer_high.enable_layerwise_casting(storage_dtype=torch.float8_e4m3fn, compute_dtype=torch.bfloat16)
transformer_low.enable_layerwise_casting(storage_dtype=torch.float8_e4m3fn, compute_dtype=torch.bfloat16)
pipe.enable_model_cpu_offload()

width, height = 832, 480   # 1280, 720 にも変更できる
secs = 5                   # モデルカードはコメントで 2 秒も例示

prompt = "A young girl with blue hair is walking in a cherry blossom park, petals gently falling around her. The girl wears a school uniform. The girl is smiling."
negative_prompt = "3d, cg, photo, stop, wait"
generator = torch.Generator("cuda").manual_seed(42)

output = pipe(
    prompt="Japanese anime style, " + prompt,
    negative_prompt=negative_prompt,
    height=height,
    width=width,
    num_frames=int(16 * secs + 1),
    guidance_scale=1.0,
    num_inference_steps=8,
    generator=generator,
).frames[0]
export_to_video(output, "output.mp4", fps=16)

プロンプトの先頭に「Japanese anime style, 」を付けるのがモデルカードの書き方です。ネガティブプロンプトも渡していますが、diffusersのWanPipelineはguidance_scaleが1.0より大きいときだけネガティブ側の計算（CFG）を行うため、例の1.0のままでは使われません。Lightning LoRAはCFGなしの少ステップ生成用なので、guidance_scaleは1.0のまま回し、写実寄りになるのを抑えたいときはプロンプト側で画風を指定します。

I2Vとフレーム補間：T2Vから変わる読み込み元・LoRA・ステップ数

I2Vは、T2Vのコードからパイプライン、重みの読み込み元、LoRA、ステップ数、入力画像の扱いが変わります。下のコードは単体で動くよう、FP8キャストとCPUオフロード、動画の書き出しまで含めています。フレーム補間は同じI2Vのコードでlast_imageに末尾の画像を渡すだけです。diffusers 0.41.0のWanImageToVideoPipelineは、先頭画像と末尾画像のあいだを空のフレームで埋めてから生成します。

import numpy as np
import torch
from diffusers import WanImageToVideoPipeline, WanTransformer3DModel, FlowMatchEulerDiscreteScheduler, AutoencoderKLWan
from diffusers.utils import export_to_video, load_image

scheduler = FlowMatchEulerDiscreteScheduler(shift=3.0)

# I2V はリポジトリ内の Diffusers 形式（subfolder）から読む
transformer_high = WanTransformer3DModel.from_pretrained("aidealab/AnimeGen-I2V", subfolder="transformer", torch_dtype=torch.bfloat16)
transformer_low = WanTransformer3DModel.from_pretrained("aidealab/AnimeGen-I2V", subfolder="transformer_2", torch_dtype=torch.bfloat16)
vae = AutoencoderKLWan.from_pretrained("Wan-AI/Wan2.2-I2V-A14B-Diffusers", subfolder="vae", torch_dtype=torch.float32)
pipe = WanImageToVideoPipeline.from_pretrained("Wan-AI/Wan2.2-I2V-A14B-Diffusers", transformer=transformer_high, transformer_2=transformer_low, scheduler=scheduler, vae=vae, torch_dtype=torch.bfloat16)

# LoRA は I2V 用に差し替え、強度は high・low とも 1.0
pipe.load_lora_weights('lightx2v/Wan2.2-Lightning', weight_name='Wan2.2-I2V-A14B-4steps-lora-rank64-Seko-V1/high_noise_model.safetensors', adapter_name='high')
pipe.load_lora_weights('lightx2v/Wan2.2-Lightning', weight_name='Wan2.2-I2V-A14B-4steps-lora-rank64-Seko-V1/low_noise_model.safetensors', adapter_name='low', load_into_transformer_2=True)
pipe.set_adapters(["high", "low"], adapter_weights=[1.0, 1.0])

# T2V と同じく FP8 キャストと CPU オフロードを掛ける
transformer_high.enable_layerwise_casting(storage_dtype=torch.float8_e4m3fn, compute_dtype=torch.bfloat16)
transformer_low.enable_layerwise_casting(storage_dtype=torch.float8_e4m3fn, compute_dtype=torch.bfloat16)
pipe.enable_model_cpu_offload()

width, height = 832, 480
secs = 5

# 入力画像の縦横比を保ったまま、面積 832×480 に収まり VAE とパッチの倍数になる大きさへ丸める
image = load_image("sample_1.png")      # 先頭フレーム
max_area = height * width
aspect_ratio = image.height / image.width
mod_value = pipe.vae_scale_factor_spatial * pipe.transformer.config.patch_size[1]
height = round(np.sqrt(max_area * aspect_ratio)) // mod_value * mod_value
width = round(np.sqrt(max_area / aspect_ratio)) // mod_value * mod_value
image = image.resize((width, height))
image_2 = load_image("sample_2.png").resize((width, height))   # 末尾フレーム（フレーム補間のときだけ渡す）

prompt = "Make this character press both hands together in prayer and close their eyes."
negative_prompt = "3d, cg, photo, stop, wait"
generator = torch.Generator("cuda").manual_seed(42)

output = pipe(
    image=image,
    last_image=image_2,                 # 省略すると通常の I2V になる
    prompt="Japanese anime style, " + prompt,
    negative_prompt=negative_prompt,
    height=height,
    width=width,
    num_frames=int(16 * secs + 1),
    guidance_scale=1.0,
    num_inference_steps=4,
    generator=generator,
).frames[0]
export_to_video(output, "output.mp4", fps=16)

取り違えやすいのはLoRAです。T2V用（Wan2.2-T2V-A14B-4steps-lora-250928）とI2V用（Wan2.2-I2V-A14B-4steps-lora-rank64-Seko-V1）はファイル名が似ていて、強度もT2Vがhigh 2.0、I2Vがhigh・lowとも1.0です。GGUF版の作者も、モデルカードで取り違えに注意するよう書いています。

解像度・秒数・プロンプトの目安：832×480・5秒・英語3文

モデルカードの例は832×480・5秒で、コメントで別の値として1280×720と2秒も示しています。フレームレートは16fpsで固定され、フレーム数は「16×秒数＋1」で計算します。diffusersは「フレーム数−1」が4の倍数でないと近い値へ丸めて警告を出すため、秒数を整数にしておけば丸めは起きません。

• 解像度：832×480で構図と動きを詰め、決まったカットだけ1280×720で出し直す
• 秒数：5秒（81フレーム）が例示の上限。長いカットは分けて作り、編集でつなぐ
• プロンプト：英語で、人物と動作・背景、服装、表情を短い文に分けて書く（モデルカードの例は3文）
• I2Vの入力画像：縦横比を保ったまま16の倍数に丸めて渡す（上のコードのmod_value）

モデルカードは、手・指・目・小物の崩れ、フレーム間でキャラクターの顔が変わる、ちらつき、長く複雑な動作が苦手、といった制約を挙げています。動きの大きいカットほど破綻しやすいので、1カット1動作に分けて指示します。

ComfyUIで動かす：公式のsafetensorsとGGUF・FP8・MLX版の選び方

ComfyUIで使う場合、公式の配布物ではI2Vのモデルカードに「For ComfyUI」としてhigh_noise・low_noiseの単一ファイルが案内されています。T2Vも同じ形式の単一ファイルです。Wan2.2のComfyUIワークフローで、2つのモデル読み込みノードにAnimeGenのhighとlowを指定すれば差し替えられます。Lightning LoRAを使う場合、T2VのGGUF版の作者は、highの強度を2にすることと、合計8ステップをhighで0〜4、lowで4〜8に分ける設定を試す価値があるとしています。VRAMが足りない場合は、コミュニティが変換した量子化版を使います。

GGUF版を使うには、ComfyUIにComfyUI-GGUFを入れ、モデルの読み込みノードを「Unet Loader (GGUF)」に替えます。量子化を強くするほどファイルは小さくなりますが、Q4_K_Mは元の約3分の1まで削っているため、線の細部や色の再現が元のモデルと同じになるとは限りません。まずQ8_0で通し、VRAMが足りなければ段階的に下げます。

MLX版は、Lightning LoRAを焼き込んだ少ステップ用のチェックポイントで、モデルカードはSwift製のMLXランタイム向けと説明しています。PythonのDiffusersやComfyUIでそのまま読み込めるファイルではありません。モデルカードによると、int4版のピークメモリは832×480・17フレーム・8ステップで約42GBで、64GBのMacに収まるとしています（対応ランタイムはSwift-MLXのwan-core／Bernini-R）。Macで試すなら、まず対応ランタイムの手順を確認してください。同じく大型の動画生成モデルで量子化版をどう選ぶかは、MiniMax-H3の必要スペックと量子化版の選び方で、VRAMとメインメモリの量から選ぶ手順を解説しています。

AnimeGenが使えないときの原因と対処

「AnimeGenが使えない」という状況は、デモ側の停止とローカル環境の問題に分かれます。2026年10月13日時点で確認できた原因を、起きやすい順に並べます。

デモの稼働状況は、Hugging FaceのSpaceのページ上部に「Runtime error」と出ているかで確かめられます。2026年10月13日時点では、T2VとFrame InterpolationのSpaceがコンテナの起動に失敗した状態で、7月14日（日本時間）を最後に更新されていません。動いているI2Vのデモも、ZeroGPUの割り当て次第で待ち時間が延びます。またI2Vのデモは、プロンプトをNGワードの一覧と、特定のアニメ・漫画・ゲーム・キャラクター・作者名を含むかを判定するLLMで事前に検査し、該当すると理由を示さずにエラーで止めます。

成人向けの表現については、モデルカードが「NSFWの生成には向かない」と制約に挙げ、未成年や未成年に見えるキャラクターの性的表現を禁止用途に明記しています。出力が意図どおりにならないのは不具合ではなく、モデルの設計上の範囲外です。

Apache-2.0での商用利用：モデルの条件と生成物の責任の切り分け

AnimeGenのT2VとI2VはどちらもApache License 2.0で配布され、ベースのWan2.2も同じライセンスです。重みを商用の制作に使うこと、追加学習すること、自社サービスに組み込むことは認められています。

再配布するときの義務と、モデルカードの禁止用途

重みをそのまま社内で使うだけなら手続きは要りません。追加学習したモデルや量子化版を外部に配布する場合は、Apache License 2.0の第4条に従い、ライセンスの写しを添え、変更したファイルに変更した旨を書き、元の著作権表示を残します。上の表のGGUF版やFP8版はいずれも「ライセンスはAnimeGenと同じ」と書いていますが、Apache-2.0は派生物に同じライセンスを求めてはおらず（第4条は改変部分に別の条件を付けることも認めています）、これは作者の選択です。派生版を使うときは各リポジトリのライセンス表記を確かめます。

ライセンスとは別に、モデルカードは次の用途を禁止しています。

• 実在人物のディープフェイク、なりすまし
• 報道・政治・記録映像を装った誤解を招く映像、生成物を実写と偽ること
• 嫌がらせ、名誉毀損、同意のない描写
• 未成年や未成年に見えるキャラクターの性的表現、違法・有害な内容

既存作品に似た生成物の責任：利用者側の確認手順

Apache-2.0が保証するのは、モデルを使ってよいことまでです。モデルカードは、法令やプラットフォームの規約に沿って使う責任は利用者にあるとし、公開や商用利用の前に生成物を確認するよう求めています。T2Vのリポジトリへの質問でも、出力サンプルが特定の有名作品を想起させるという指摘が出ています。

商用で回すなら、特定の作品名・キャラクター名・作家名をプロンプトに入れない、公開前に既存作品との類似を人が確認する、生成に使ったプロンプトと設定を記録する、の3点を制作ルールに入れておきます。画像生成AI全般の権利の考え方は画像生成AIの商用利用はどこまで可能かの解説で整理しています。

AnimeGenを採用する場面・見送る場面

AnimeGenが向くのは、5秒以内のアニメ調カットを数多く試す工程です。モデルカードが想定用途に挙げる絵コンテやビデオコンテの試作、キャラクターの動きの検討、構図や背景の検討がこれにあたります。重みを自社のGPUサーバーに置けるため、未公開の企画素材を外部サービスに送れない制作会社にも向いています。

見送るべきなのは、次の3つの条件のどれかに当たる案件です。

• 数十秒以上の連続したカットを1回で作る必要がある（例示は最長5秒・16fps）
• 入力画像のキャラクターデザインを崩さずに動かすことが納品条件になっている（モデルカードがフレーム間での顔の変化を制約に挙げている）
• 実写やフォトリアルな映像が目的である（モデルカードが想定外と明記）

音声付きの長い動画や実写寄りの映像が要件なら、クラウド型の動画生成サービスや他のオープンモデルを比べます。22BのLTX-2.3はLTX-2.3のスペック・VRAMと主要モデル比較、業務で使う主要ツールの費用は動画生成AIランキングの実額比較で確認できます。GPUサーバーの調達や生成物チェックの仕組みまで含めて社内の制作フローに組み込む場合は、生成AI導入支援で要件の整理から相談できます。

AnimeGenの使い方とローカル実行に関するよくある質問

AnimeGenは無料で商用利用できますか？

できます。T2VとI2Vの重みはHugging Faceから無料で入手でき、ライセンスはApache-2.0です。ただしモデルカードの禁止用途に当たる使い方は認められず、生成物が既存作品に似たときの責任は利用者が負います。ローカルで動かす場合はGPUの費用が別にかかります。

AnimeGenを動かすのに必要なPCスペックは？

モデルカードの推奨はRTX 4090以上のGPUです。加えて、重みとテキストエンコーダーなどで約70GBのディスクと、CPUオフロードで待機する重みを置くメインメモリが要ります。VRAMが24GBに満たない場合は、GGUFやFP8の量子化版をComfyUIで使います。Apple siliconのMacでは、MLXのint4版がピーク約42GBで64GBのMacに収まるとモデルカードに書かれています（832×480・17フレームの条件）。

AnimeGenのGGUF版はありますか？

公式の配布ではありませんが、NullpoLabがT2VとI2VのGGUF版（Q4_K_M・Q5_K_M・Q6_K・Q8_0）をApache-2.0で公開しています。ComfyUIにComfyUI-GGUFを入れ、Unet Loader (GGUF)ノードで読み込みます。

AnimeGenのデモが使えないのはなぜですか？

2026年10月13日時点で、T2VとFrame InterpolationのデモはHugging Face上で起動エラーになっています。動いているのはI2Vのデモだけで、これもZeroGPUの1日あたりの利用枠と混雑の影響を受けます。

AnimeGenで成人向けの動画は作れますか？

モデルカードはNSFWの生成には向かないと明記し、未成年や未成年に見えるキャラクターの性的表現を禁止用途にしています。成人向けの用途を前提にしたモデルではありません。

関連記事

• Wan2.2とは？使い方・VRAM要件・ComfyUI導入を解説【2026年最新・後継Wan2.7まで】
• MiniMax-H3とは｜必要スペック（VRAM・RAM）と量子化版の選び方、LoRA・商用ライセンスの条件
• LTX-2.3とは｜22Bオープンソース動画生成AIのスペック・VRAM・料金と主要モデル比較
• 動画生成AIランキング｜業務利用で選ぶ主要9ツールの実額比較と生産投入の判断基準【2026年最新】
• FP8とは？FP16・BF16・FP4との違いとE4M3/E5M2の仕組み、対応GPU【2026年版】