Wan2.1 T2V VRAM 12GB：フレーム数の上限と設定手順

RTX 3060（VRAM 12GB）でWan2.1 T2V（Text to Video）を使う場合、フレーム数を増やすほどVRAMが急増し、設定を誤ると即OOMでクラッシュする。この記事では、Wan2.1 T2VのVRAM消費の仕組みを押さえたうえで、12GBで安定して動かせるフレーム数・解像度・量子化の設定を整理する。

Wan2.1 T2Vが12GBに収まる条件

Wan2.1 T2VはAlibaba Tongyi Wanxiangチームが開発した動画生成モデルで、ライセンスはApache 2.0（執筆時点）。商用利用が可能な点が特徴のひとつ。

モデルは大きく2種類ある。

14BモデルはFP8量子化でウェイトサイズを約半分に圧縮しても、推論時の中間テンソルが積み上がるため、フレーム数が増えると12GBはすぐに限界を超える。まず1.3Bモデルから試すのが現実的。

フレーム数は4n+1が制約：解像度との組み合わせ目安

4n+1の制約

Wan2.1はCausal 3D VAEを採用しており、時間方向を4倍圧縮する構造（先頭1フレームは独立して扱う）のため、有効なフレーム数は 4n+1 の形に限られる。

有効なフレーム数:
1, 5, 9, 13, 17, 21, 25, 29, 33, 37, 41, 45, 49 ...

ComfyUIのノードでlength/num_framesを指定する際、4n+1以外の値を入れるとエラーになる実装が多い。最初から正しい値を入れておくと余計なデバッグが減る。

解像度とフレーム数の組み合わせ目安

Wan2.1の標準解像度は 480×832（縦）または 832×480（横）。これを大きく外れると品質が落ちる可能性がある。

VRAMの使用量は環境・ドライバ・常駐プロセスによって大きく異なるため、以下はあくまで目安。

Wan2.1-T2V-1.3B（fp16）

Wan2.1-T2V-14B（fp8量子化）

14BをRTX 3060で動かす場合、17フレーム（約0.57秒 at 30fps）が現実的な上限と考えられる。映像として短すぎる場合は複数回生成してffmpegで連結する方法が現実的。

ComfyUIでの設定手順

1. モデルと周辺ファイルの入手

Hugging Faceのリポジトリからモデルを取得する（執筆時点で公開中）。

# 1.3Bモデルの場合
huggingface-cli download Wan-AI/Wan2.1-T2V-1.3B \
  --include "*.safetensors" \
  --local-dir /path/to/ComfyUI/models/diffusion_models/Wan2.1-T2V-1.3B/

テキストエンコーダ（umt5-xxl）とVAEファイルも同じリポジトリから入手し、ComfyUIの models/text_encoders/ と models/vae/ に配置する。

2. latentノードでフレーム数と解像度を指定

空のlatentを生成するノード（EmptyWanLatentVideo相当）で以下を設定する。

width:      480
height:     832
length:     33    ← 4n+1 の値を必ず入れる
batch_size: 1

3. 14BモデルではFP8を指定

モデルローダのdtype（または quantization）パラメータを設定する。

dtype: fp8_e4m3fn

ノードの名称・パラメータ名は実装によって異なるため、使用するカスタムノードのドキュメントを確認する。

4. サンプリングパラメータ

5. VAEデコードのタイリングを有効化

フレーム数が多いほどVAEデコード時のVRAM使用量も増える。タイリングが使えるノードでは必ず有効化する。

tile_size: 256   # 縦・横に分割して順次処理する

つまずきやすいポイント

フレーム数エラー

「video_length」「temporal」などを含むエラーが出たら、フレーム数が4n+1になっていない可能性がある。まず33や17に変えてみる。

テキストエンコーダのVRAM

umt5-xxlは単体で数GBのVRAMを使う。プロンプトをエンコードしたあとにエンコーダをオフロードしてから推論に入るワークフローにすると、ピーク使用量を下げられる場合がある（sequential offloadに対応したノードでは自動で行われることもある）。

他のプロセスが残っている場合

OllamaやStable Diffusion WebUIなどがVRAMを掴んでいると、その分だけフレーム数の余裕が減る。Wan2.1を動かす前に他のプロセスをアンロードしておく。

VAEデコードの長時間処理

フレーム数が多いとVAEデコードだけで数分かかる。ComfyUIがフリーズしたように見えても実際は処理中のことが多い。ターミナルのログで進行を確認する。

まとめ

Wan2.1 T2VをVRAM 12GBで動かすための要点をまとめる。

まず1.3Bで33フレームから試し、VRAMに余裕があれば49フレームに上げる順序で進めるとOOMで時間を無駄にしにくい。ComfyUIのワークフロー構成に慣れているなら、FLUX Schnell img2img＋ControlNet Canny をComfyUIで組む設定手順も参照してほしい。ノードの接続の考え方は共通している部分が多い。