アリババ、始端と終端の2コマから動画を補間する「Wan2.1-FLF2V」をオープンソース公開

Wan2.1-FLF2V-14Bは、アリババがオープンソース化した14Bパラメータの動画生成モデルだ。機能はいたって明確で、最初と最後のフレームを2枚入力するだけで、その間をつなぐ移行動画を自動生成してくれる。

何ができるのか

従来のテキストからの動画生成や1枚の画像からの生成は、結末がどうなるか読めない運任せな部分が多かった。狙った通りのラストカットに着地させるのは至難の業だ。

Wan2.1-FLF2Vは、始点と終点の両方を固定することでこの問題を解決する。クリエイターが開始フレームと終了フレームを指定すれば、モデルがその間の複雑な動きを補間してくれるため、絵コンテ通りの画面遷移を低コストで試せる。

Wanの公式サイトでは、プロンプトを入力して5秒・720p解像度の移行動画を無料で生成できる。また、コードとモデルの重みはGitHub、Hugging Face、アリババのModelScopeですでに公開されている。

どのような仕組みか

離れた2枚の静止画をつなぎ合わせる際、最大の難関となるのが途中で画風が崩れたり不自然な歪みが生じたりすることだ。

Wan2.1-FLF2Vは、独自の制御調整メカニズムを組み込んでいる。ユーザーが渡した最初と最後のフレームを制御条件として扱い、両方の特徴量を生成プロセス全体に注入する設計だ。

この仕組みによって、開始から終了まで画風、被写体の構造、画面の一貫性を崩すことなく、複雑なアクションやカメラワークを滑らかに表現できる。

ベースとなっているのは、アリババが2025年2月にオープンソース公開したWan2.1シリーズだ。同シリーズの4モデルはHugging FaceとModelScopeですでに累計220万回以上ダウンロードされており、中英両言語のテキストエフェクトに対応し、動画評価ベンチマークのVBenchでも首位に立っている。

なぜ重要か

アニメーション制作やショート動画を手がけるクリエイターにとって、すぐに試す価値があるツールだ。これまで手作業で中割りを描いたり3Dレンダリングに頼ったりしていたカットのつなぎを、キーフレーム2枚からAIに任せられるようになる。

多くのオープンソース動画モデルが「1枚絵を動かす」段階にとどまるなか、アリババが始点と終点の両方を制御できる14Bモデルを完全公開したのは非常に的を射た動きと言える。14Bモデルのローカル動作には相応のVRAMが必要で、現状は5秒・720pという制約もあるが、制作現場のコントロール性を大きく引き上げる実用的な基盤だ。