FusionX: シネマ品質の画像から動画生成 | Image to Video

FusionX の紹介

Wan FusionX は、WAN エコシステムの中核的な強みを統合し、NAG（Normalized Attention Guidance）によって駆動される単一の融合モデルとして開発された、ビデオ生成分野における画期的なツールです。CausVid、AccVideo、MoviiGen1.1、LoRA 精緻化モデルなどを統合することで、テキストからビデオ、またはイメージからビデオへと変換する両方のワークフローにおいて、映画品質の映像を生成します。

FusionX は、最小限の手順で高品質かつ滑らかで視覚的に精密なビデオ出力を実現します。テキストや画像プロンプトから、映画のような映像シーケンスを制作したいクリエイター、映像制作者、アーティストのために設計されています。高速なレンダリング、メモリ効率、そしてプロンプトへの高い忠実性を備えた FusionX は、プロフェッショナル用途に最適なビデオ生成ツールです。

FusionX の主要モデル

Wan2.1-14B-Fusionx_Image2Video

Model Loader は、コアとなる image-to-video diffusion モデル であり、静止画像から動的な映像フレームへと時間的に拡張するために特化して設計されています。このモデルは Wan2.1-14B-Fusionx_Image2Video をロードし、以下の高度な機能を統合しています：

• Temporal Fusion：静止画像の潜在表現をフレームの連続シーケンスへと自然に拡張し、滑らかな動きと映画的な流れを生成します。
• 量子化（fp8_e5m2）：全体の品質を維持しながらメモリ使用量を最適化し、推論を高速化します。
• Torch Compile & BlockSwap：パフォーマンスとメモリ効率をさらに向上させ、長尺の映像シーケンスをより滑らかに生成します。

このモデルは、画像の潜在情報、テキストの意味情報、動作のダイナミクスを融合し、高品質でアニメーション性の高いビデオ出力を生み出す中核エンジンとして機能します。

FusionX の使用方法

必要な入力

FusionX の使用を開始するには、まずシーンの内容やスタイルを定義するテキスト記述を Prompt 入力に設定する必要があります。さらに、参照画像を読み込むことも可能で、画像からビデオへ変換を行う場合には必須となります。これらの入力は、FusionX の要件に沿った一貫性のある高品質な映像シーケンスを生成するために不可欠です。

オプション入力とコントロール

Steps や Shift といったパラメータ、ならびに Seed 値を設定することで、サンプリングプロセスを制御できます。また、Width（幅）、Height（高さ）、Number of Frames（フレーム数）を設定することで、出力サイズや映像の長さを調整できます。さらに、Frames Per Second（フレームレート）や Output Format（出力形式）を調整することで、最終的なビデオ書き出しを制作目的に合わせることができます。

出力

FusionX は、入力されたテキストまたは画像プロンプトに忠実な映像シーケンスを出力します。推奨設定を用いることで、1024x576 や 1080x720 の解像度、そして映画的な印象を与える滑らかなフレームレートを実現可能です。出力は、Output Format 入力で設定された標準的なビデオファイル形式で生成されます。

ベストプラクティス

FusionX を使用する際は、スピードと品質のバランスを取るために Steps パラメータを 6〜10 の範囲に設定し、提供されている設定を使用して CFG の互換性を維持することを推奨します。解像度に応じて Shift を調整することで、最適な結果が得られます。より滑らかな動きを得るためには、Number of Frames を増やし、Frames Per Second を適切に設定してから最終的なビデオ出力として結合してください。