昨日、MiniMax H3を高速化する構成をひとつ検証し終えた。すると今日、別の手法が登場した。
やはり、そうなる。
2026年のComfyUIはこんな調子だ。ベンチマークを取り終えた直後に新しいノードが公開され、検証結果が早くも古く見えてしまう。昨日試したのはEasyCacheとSageAttentionの組み合わせ。今日はSpectrumと、中国のComfyUIコミュニティで広まりつつある別の高速化プラグインが加わった。ほぼ同じ時期にWan-Animate-2もついにオープンソース化され、SCAIL-2と比べる理由がまたひとつ増えた。
結局、検証はひとつではなく、次の3本立てになった。
- MiniMax H3におけるEasyCache + SageAttentionとSpectrumの比較。
- 通常版H3の出力と、コミュニティ製NSFWファインチューンの比較。
- キャラクターアニメーションにおけるWan-Animate-2とSCAIL-2の比較。
先に結論をまとめる。処理時間ではEasyCacheが大差で勝った。公開されたNSFW動画から確認できる内容は、プロンプトの主張ほど多くない。そして、2本のキャラクターアニメーションは条件が違いすぎて、優劣を決められない。詳しく見ていくと、もう少し面白い。
編集部注： 本記事の英語版は、WeChatの赵KK搞AIが公開した実機検証メモを英語圏向けに再構成したもので、逐語訳ではない。一人称で記された検証結果と意見は原著者のものを引き継ぎ、技術的な背景と注意点は各プロジェクトの公式リポジトリで確認している。
まずは速度検証：692秒対1,590秒
MiniMax H3による2回の生成では、どちらも544 × 960の縦長動画を15秒分出力した。EasyCache + SageAttentionのワークフローは692.69秒、約11分33秒で完了。Spectrumは1,590.15秒、約26分30秒かかった。
今回の実行では、EasyCache + SageAttentionが約2.3倍高速だった。待ち時間は56%強短くなっている。
| MiniMax H3の構成 | 出力 | 実測時間 | 相対結果 |
|---|---|---|---|
| EasyCache + SageAttention | 15秒、544 × 960 | 692.69秒 | 1.0倍 |
| Spectrum | 15秒、544 × 960 | 1,590.15秒 | 2.3倍長い |
ComfyUIに記録されたEasyCache + SageAttentionの実行結果。画像提供：赵KK搞AI。
記録された2件の処理時間。「体感では速かった」をベンチマーク扱いせずに済む、有用なスクリーンショットだ。画像提供：赵KK搞AI。
高速化検証で出力した15秒のMiniMax H3動画。動画提供：赵KK搞AI。
この2.3倍という数字を普遍的な法則にするのは早い。GPUのモデル、ソフトウェアのバージョン、seed、サンプリング設定、ノードごとの設定を網羅した再現用データは、元記事に掲載されていない。これは実際のワークフローで得られた1回の結果であり、査読済みの速度ランキングではない。
とはいえ、これほど大きな差は無視できない。「このマシンで次の試作を早く出せるのはどちらか」だけを考えるなら、まず選ぶのはEasyCache + SageAttentionだ。
今回、EasyCacheが速かった理由
2つの高速化手法は、仕組みが同じではない。
EasyCacheは、より大胆に処理を省く。簡単に言えば、ノイズ除去の各ステップですべてを再計算せず、前段階の計算結果を再利用する。生成が安定していれば、演算量を大きく減らせる。一方、キャッシュした推定値がずれ始めると、誤差が積み重なるおそれがある。
Spectrumは、もう少し慎重な手法だ。ComfyUI版では、チェビシェフ予測とリッジ回帰による特徴予測を使ってTransformerの中間特徴を見積もり、その後もモデルに結果を調整させる。前回の処理をそのまま複写するというより、直近の変化から次の状態を下描きし、モデルに仕上げさせるイメージに近い。
技術としてSpectrumが興味深いことは確かだ。ただし、今回の検証では速くなかった。
| 変更する処理 | EasyCache + SageAttention | Spectrum |
|---|---|---|
| 基本的な考え方 | 以前の計算結果を再利用し、Attentionの負荷を減らす | 直近の履歴から中間特徴を予測する |
| 高速化の要因 | 重複する処理をより多く省く | Transformerの計算を一部省く |
| 想定される代償 | ずれが蓄積する余地が大きい | より慎重な高速化 |
| 今回の結果 | 692.69秒 | 1,590.15秒 |
不足しているのは、適切な映像のA/B比較だ。同じseed、同じ素材、同じプロンプト、同じサンプリング設定を使い、両方の出力を完全な品質で確認する必要がある。今の情報から言えるのは、どちらが先に終わったかまで。どちらが細部をよく保ったかは、正直なところ判断できない。
この違いは重要だ。提供元の主張と、実際に観測できる結果を分けて考えることは、NSFWAIToolのレビュー方法でも重視している。ストップウォッチで速度は証明できる。しかし、それだけでは画質を証明できない。
「NSFW版MiniMax H3」には注釈が必要
ここで扱うNSFW版は、MiniMaxの公式リリースではない。MiniMax H3の公式リポジトリでは、汎用マルチモーダルモデルとして説明されている。成人向けのビルドは、5つのバージョンを検証したとされる独立系のコミュニティ開発者がファインチューンしたものだ。
リンクはすぐに消え、確認した時点ですでに404を返していた。困った話だが、オープンソースAIのこの領域では珍しくない。多くの人がダウンロードを終える前に、モデルが公開、ミラー、改名、削除されることもある。未検証のコミュニティ製リポジトリが永遠に公開され続ける前提でなければ動かない制作フローは、まだ実用段階にない。
元の検証では、通常版の基準として、複数カメラを指定した長いファッション映像用プロンプトを使っている。縦長の15秒リール、複数のレンズとアングル、カットをまたいだ衣装、音楽、照明、人物の一貫性まで指定したものだ。通常版H3の結果は以下のとおり。
基準となるMiniMax H3のファッション映像。画面に見える「V」マークは元動画に含まれていたもので、そのまま残している。動画提供：赵KK搞AI。
成人向けの検証では、同じ複数カメラ構成を維持しつつ、衣装の変化を露骨な脱衣シーケンスに変更した。ファインチューンの検証方法としては妥当だ。ショット構成を固定し、測定したい動作だけを変えられる。
元記事で公開された結果がこちら。
コミュニティ製NSFWファインチューンの公開ティザー。元の中国語字幕は英語字幕に置き換えられている。「V」マークは元動画の一部として残っている。動画提供：赵KK搞AI。
ここで少し宣伝に水を差す必要がある。公開動画には、プロンプトに書かれた脱衣シーケンスの全体が映っていない。最後まで服を着たままで、「本当に見たいなら自分で試して」といった趣旨の、じらす台詞で終わる。面白いかと聞かれれば、そうだろう。しかし、規制されていない動作を最後まで生成できた証拠かと聞かれれば、違う。
この動画から確認できるのは、コミュニティ製のNSFW版H3ファインチューンが存在し、成人向けのテーマを保ったティザーを生成できたことまでだ。露骨な指示をすべて完遂した証拠には使えない。この2つは別の主張だ。混同すると、AIのデモはすぐに意味のないものになる。
ホスティング型とローカル型の成人向け動画ツールを比べるなら、削除済みのリポジトリにすべてを賭けるより、幅広く掲載したAIポルノ動画生成ツール一覧から調べるほうがよい。
Wan-Animate-2がオープンソース化。もちろん、こちらも試した
Wan-Animate-2は、2026年8月に推論コードとモデルウェイトを公開した。参照キャラクターを元動画から直接動かしながら、人物の同一性、動き、表情、カメラワークを保つことを目指したプロジェクトだ。エンドツーエンド方式のため、パイプラインの途中に別の姿勢抽出器を置く必要はない。
元記事に掲載されたWan-Animate-2のパイプライン概要。画像提供：赵KK搞AI。技術情報：Wan-Animate-2プロジェクト。
少し話がそれるが、いまだに説明が必要らしいので触れておく。Wan 3.0はオープンソースではない。それは残念だ。しかし、開発者に向けた匿名の中傷が賢明にも正当にもなるわけではない。他人が数カ月かけて作ったモデルを使いながら、自分の望む日程で次のモデルが提供されなかったことを個人的な裏切りのように扱っている。Wan 4.0を自分で作れるなら、ぜひ作ってほしい。ウェイトの公開を求める列の先頭に、私が並ぶ。
Wan-Animate-2のオープンソース化によって、Wan 3.0を巡る議論が自動的に決着するわけではない。それでも重要な公開だ。Wanのエコシステムは、モデルの中身を実際に確認し、変更し、非公開のComfyUIパイプラインへ組み込める数少ない環境のひとつであり続けている。ホスティング型サービスでは素材自体が許可されない場合もあるため、成人向けプロジェクトでは特に重要だ。詳しくは、Wan 2.2による成人向け短編映像の制作フローで、数本のクリップを超える規模になるとローカルでの管理が制作要件になる理由を解説している。
Wan-Animate-2の設定で見落としやすいポイント
アニメーションを実行する前に、LLMを使って参照画像を説明しておく。公式プロジェクトでは、動作、主観的な評価、感情の推測を避け、キャラクターの外見と背景を客観的に記述するよう推奨している。
自然な日本語にすると、指示はおおむね次のとおり。
参照画像に実際に写っているものだけを説明してください。被写体の外見、服装、髪形、アクセサリー、背景を含めます。動作は説明しないでください。性格、気分、意図を推測しないでください。
細かすぎる指示に見えるが、理由を知れば納得できる。動作はすでに駆動用動画から与えられる。テキスト側で別の動作を作り出すと、2人の監督がモデルに異なる指示を叫んでいる状態になる。
ComfyUI上のWan-Animate-2。画像提供：赵KK搞AI。
もうひとつ間違えやすいのがフレーム長だ。24 fpsなら計算は単純。
秒数 × 24 = 目標フレーム数
元資料のワークフローでは81フレーム単位で処理するため、長い動画には複数回の処理が必要になる。
| 目標の長さ | 24 fpsでのフレーム数 | 必要な81フレーム単位の処理回数 |
|---|---|---|
| 3秒 | 72 | 1 |
| 5秒 | 120 | 2 |
| 8秒 | 192 | 3 |
| 10秒 | 240 | 3 |
| 15秒 | 360 | 5 |
| 30秒 | 720 | 9 |
ワークフローで使われた81フレームの設定。画像提供：赵KK搞AI。
公式リポジトリの標準720p構成はA800を8基使う前提で調整され、480p構成はA800を2基使って検証されている。ノートPCで気軽に「Queue Prompt」をクリックして済むような要件ではない。コミュニティによる最適化で必要メモリは今後も下がるだろう。しかし、ローカルのキャラクターアニメーションを無料同然に語る人は、実際のワークフローでプログレスバーがじわじわ進む様子を見たことがないのだろう。
Wan-Animate-2対SCAIL-2：この動画だけでは勝者を決められない
SCAIL-2も、同じようにエンドツーエンド方式を採用している。中間的な姿勢表現を使わず、マスクの意味情報と複数参照による条件付けを追加した。公式版は512pと704pのワークフローに対応し、プロジェクトは704pで姿勢駆動版を推奨している。
元記事から保存したWan-Animate-2のサンプルはこちら。
Wan-Animate-2のサンプル。元ファイルでは、駆動用・参照用の映像と生成されたキャラクターが短い間隔で交互に表示される。ここでは変更せず、そのまま掲載した。動画提供：赵KK搞AI。
SCAIL-2のサンプルはこちら。
SCAIL-2のキャラクターアニメーションサンプル。動画提供：赵KK搞AI。
この2本だけを見て勝者を発表するつもりはない。そんなことをすれば、精密そうに見せかけた不正確な評価になる。キャラクター、動作素材、構図、長さがすべて異なるからだ。Wan-Animate-2の動画は約2.7秒しかなく、表示が頻繁に切り替わるため、時間方向の欠陥を判断しにくい。SCAIL-2の動画は9秒近くあり、はるかに確認しやすい。ただし、「確認しやすい」と「モデルとして優れている」は別の話だ。
適切に比べるなら、参照画像、駆動用動画、解像度、フレーム数、ハードウェア、seedの運用方針、後処理を同じにする必要がある。そのうえで、人物の同一性維持、手の安定性、遮蔽後の復元、表情、布の動き、背景への漏れ、総レンダリング時間を採点する。そこまでそろわなければ、単なるデモ動画同士の比較だ。
検証後、実際に使うならどれか
MiniMax H3で試作を速く回したいなら、まずEasyCache + SageAttentionを使う。今回の差は無視できないほど大きい。ただし、品質面の代償を受け入れる前に、条件をそろえたサンプルを数本レンダリングする。顔や動きを気づかないうちに壊す高速化は、本当の意味で速いとは言えない。不採用素材を速く量産しているだけだ。
Spectrumは、今回の速度対決の勝者ではなく、興味深く、より慎重な代替案として考える。長尺または難しいショットでEasyCacheの誤差が目立ち始めるなら、条件をそろえた品質検証を行う価値がある。
コミュニティ製NSFW版H3ファインチューンについては、安定したリポジトリ、モデルカード、バージョン履歴、再現可能なサンプルがそろうまで待つ。消えたリンクと、内容をじらすティザーだけでも興味は湧く。しかし、制作フローを組むには足りない。
Wan-Animate-2とSCAIL-2は、自分で条件をそろえた入力を使って検証する。どちらも本格的に試す価値があるほどオープンなプロジェクトだ。ただ、元記事のサンプルから答えを出すことはできない。
「モデルAがモデルBを圧倒した」と言うより地味に聞こえるかもしれないが、こちらのほうがはるかに役に立つ。AIのベンチマークには、すでに根拠の薄い断定があふれている。無関係な2本の動画から、さらに架空の勝者を作る必要はない。
よくある質問
MiniMax H3は公式のNSFWモデルですか？
いいえ。MiniMax H3は汎用マルチモーダルモデルだ。ここで扱ったNSFW版は、独立したコミュニティ製ファインチューンであり、MiniMaxの公式リリースではない。
MiniMax H3ではEasyCacheが常にSpectrumより速いのですか？
証明されていない。今回の15秒、544 × 960の検証では、EasyCache + SageAttentionが約2.3倍速かった。ハードウェア、seed、ノードのバージョン、品質設定が変われば、結果も変わる可能性がある。
公開されたNSFWデモは、露骨なプロンプトを最後まで実行しましたか？
公開動画からは確認できない。最後まで服を着たまま、ティザーとして終わるため、プロンプトに書かれた脱衣シーケンス全体を実行した証拠にはならない。
Wan-Animate-2はSCAIL-2より優れていますか？
2本の元動画は、条件をそろえた比較ではない。入力素材と長さが異なるため、どちらのワークフローも動作することは示せても、どちらが優れているかは判断できない。
Wan-Animate-2のワークフローで81フレームを使うのはなぜですか？
紹介したComfyUIワークフローが、81フレームを1単位として処理するためだ。24 fpsの場合、より長い動画は複数の81フレーム単位に分けて処理し、その後に結合する。
Wan-Animate-2にはどの程度のGPUが必要ですか？
公式プロジェクトでは、標準の720p構成にA800を8基、検証済みの480p構成にA800を2基使っている。コミュニティ製ノードやオフロードによって要件を下げられる可能性はあるが、通常は処理速度が犠牲になる。
これらのモデルは成人向けコンテンツに使えますか？
ローカルで利用できるからといって、法律や同意に関する要件がなくなるわけではない。明確に成人であるキャラクターだけを使用し、参照画像、音声、駆動用映像には適切な利用許諾を得ること。実在人物について、本人の同意なく性的・親密なディープフェイクを作成してはならない。