無修正AI動画 · NVIDIA NVlabs
無修正 SANA-Video 2.0 720p:シネマティックな動画を数分ではなく数秒で
5秒のAI動画のために20分も待たされると、どんな創作アイデアも試す前にしぼんでしまいます。NVIDIA の NVlabs チームは、まさにその問題を解決するために SANA-Video 2.0 を開発しました。SANA-Video 2.0 720p チェックポイントは約44.7億パラメータのオープンウェイトモデルで、短いプロンプトから24 fps・8秒の動画を生成したり、静止画を最初のフレームとして動かしたりできます。チームによると、H100 1枚で5秒の720p動画を約13秒で生成できます。ウェイトが公開されているため、クラウドのフィルターを挟まずに自分のGPUで実行できます。得意なこと、実際の速度、実行方法、効果的なプロンプトを紹介します。
- 720p、約8秒
- オープンウェイト
- テキスト・画像から動画
無修正の代替動画ジェネレーター
画像から動画写真をアップロードして動きを記述すると、Spicy AI が短い動画にします。
SANA-Video からバージョン2.0へ:何が良くなったか
初代 SANA-Video は ICLR 2026 でオーラル発表され、重いアテンション計算の大部分を軽量なリニアアテンションに置き換えることで、小さな動画モデルでも高速に動くことを証明しました。2026年8月に NVlabs が MIT や HKU などのパートナーと公開した SANA-Video 2.0 は、その高速化の考え方を受け継ぎつつ、品質の差を埋めています。モデルサイズは約20億から約45億パラメータへと2倍以上に拡大。4層のうち3層は引き続き高速なリニアアテンションを使い、4層ごとに1層は従来のソフトマックスアテンションを使って、ディテールと動きの一貫性を保つアンカーにしています。さらに LTX 2.3 の動画オートエンコーダーを採用し、テキストから動画と最初のフレーム画像から動画の同時学習を追加、即座に下書きできる4ステップ蒸留プレビューも提供しています。その結果、シリーズの魅力だった速さを失わずに、より長く鮮明な動画が得られます。
バージョン1と2.0の比較
初代モデルを試して動画がぼやける、短いと感じたなら、SANA-Video 2.0 はもう一度試す価値があります。日常的にクリエイターに関係する変更点は次のとおりです。
| SANA-Video (v1) | SANA-Video 2.0 | |
|---|---|---|
| モデルサイズ | 約2Bパラメータ | 約4.47Bパラメータ(5Bクラス) |
| アテンション設計 | ブロック因果リニアアテンション | リニア層とソフトマックス層を3:1で混合 |
| 動画オートエンコーダー | 従来のVAE | LTX 2.3(128チャンネル) |
| モード | テキスト・画像から動画 | テキストから動画、最初のフレーム画像から動画、4ステッププレビュー |
| 720p動画の長さ | 短めの動画 | 24 fpsで193フレーム、約8秒 |
高速動画モデルでクリエイターが作るもの
速さは仕事の進め方を変えます。30分ではなく数秒で動画が仕上がるなら、プロンプトを1つずつ大事にするのをやめて探索を始められます。1シーンに10通りのカメラアングル、1つの商品に5種類のライティング、1つの場面に3通りの結末。だからこそ、SANA-Video 2.0 720p に最初に注目しているのは、1話あたり何十ものショットを絵コンテにするショートドラマチーム、毎週新しいBロールが必要なECセラー、ポスターに命を吹き込みたいイラストレーター、自作の動画ツールに安くて速いベースを求める開発者です。成人向け(18+)のクリエイターも、グラマラスなウォーキング、ファッションルック、ロマンチックなムードシーンで同じサイクルを好んで使います。そこでは完璧な1本より、多くのバリエーションを素早く試せることが重要だからです。
ショートドラマの絵コンテ
縦型ドラマのショット一式を数分でプレビュー。4ステップ版で下書きし、採用カットだけをフル品質でレンダリングできます。
商品・広告ショット
腕時計、香水、スニーカーなどの回転ショット、ゆっくりとしたズームイン、ムードのあるライティング。ストアやSNS広告用のBロールにそのまま使えます。
アニメのミニストーリー
踊ったり、手を振ったり、走ったりする明るいアニメキャラクター。NVIDIA 自身のデモもアニメ風のニワトリで、遊び心のあるスタイルはこのモデルと相性抜群です。

Wan 2.2 や LTX-2.3 と比べてどれくらい速い?
最大の売りは速さです。NVIDIA のプロジェクトページでは、H100 1枚で5秒の720p動画を40ステップでレンダリングする時間を比較しています。Sol-Engine 推論スタックを使うと、SANA-Video 2.0 720p は約13秒で完了し、チームはこれを Wan 2.2 A14B の約120倍の速さとしています。このスタックなしでは、論文は480p動画40ステップで13.2秒、VBench スコア84.30を報告しています。これらは研究チーム自身のグラフであり独立したベンチマークではなく、コンシューマー向けGPUでの計測値もまだ公開されていません。それでも、現時点で最速のオープンソース動画モデルを探しているなら、誰もが比較の基準にしているのがこのモデルです。
| モデル(720p、5秒、40ステップ、H100 1枚) | 報告されたレンダリング時間 |
|---|---|
| Wan 2.2 14B | 1556 s |
| HunyuanVideo | 788 s |
| LTX-2.3 | 130 s |
| SANA-Video 2.0 14B(未公開) | 69.3 s |
| SANA-Video 2.0 5B + Sol-Engine | 13.06 s |
数値は NVIDIA 自身のプロジェクトページと論文によるものです。コミュニティと LoRA のエコシステムは依然 Wan 2.2 のほうが大きく、音声ツールは LTX-2.3 のほうが充実しています。SANA の強みは純粋な速さです。
720p・8秒の出力はどんな感じ?
SANA-Video 2.0 720p の出力サイズは1280×736、24フレーム/秒で193フレーム、つまり約8秒の映像です。カメラワークを1つ完結させたり、キャラクターが振り向いて微笑み、フレームの外へ歩き去るといった小さな場面を描くには十分な長さです。サイズを変える場合は幅と高さを32で割り切れる値にし、フレーム数は「その数から1を引くと8で割り切れる」値(例:121や193)を選びましょう。被写体が1つに絞られた、すっきりとしたシネマティックなショットが最もきれいに仕上がります。商品の回転ショット、風景、穏やかな動きのポートレート、スタイライズされたアニメーションなどです。人が多く動きの速いシーンは今も弱点です。
50ステップのフルモデルと4ステッププレビュー
SANA-Video 2.0 には720pサイズのチェックポイントが2つあり、組み合わせて使うことを想定しています。フルモデルは最高のディテールを出し、最初のフレーム画像から動画にも対応します。2026年9月に公開された4ステップ版は、蒸留されたテキストから動画モデルで、ほぼ瞬時に下書きを作れるため、まずアイデアを試し、良いものを後でレンダリングできます。
| フルモデル | 4ステッププレビュー | |
|---|---|---|
| モード | テキストから動画+最初のフレーム画像から動画 | テキストから動画のみ |
| ステップとガイダンス | 約50ステップ、CFG 8、flow shift 12、motion score 20 | 4ステップ、CFG 1 |
| 動画オプション | 720p、193フレーム、24 fps | 16 fpsで5秒、または24 fpsで8秒 |
| 最適な用途 | 最終レンダリングと静止画のアニメーション化 | 素早い下書きと絵コンテ |
画像から動画:静止画を動かす
フルモデルの SANA-Video 2.0 720p では、画像を最初のフレームとして渡し、その後に起こることを記述できます。イラスト、ポスター、商品写真、キャラクターアートなど何でも使えます。髪が風になびき、カメラが寄り、笑顔が浮かぶ。公式のプロンプトファイルでは、各行にテキスト、次に <image> タグ、その後に画像のパスを書きます。チームによると8秒の間に元画像のディテールから離れていくことがあるため、動きは控えめにしましょう。4ステッププレビューは画像入力に対応していないので、このモードにはフルモデルを使ってください。

Hugging Face からダウンロードしてローカルで実行
SANA-Video 2.0 を動かすには4つのステップが必要ですが、何かをダウンロードする前に Hugging Face の無料オンラインデモでプロンプトを試すこともできます。よくある2つの疑問にはまだ公式の回答がありません。NVIDIA は必要VRAMを公表しておらず H100 でのテスト結果のみであり、バージョン2.0の ComfyUI や Diffusers のネイティブ対応も確認されていません。そのため、現時点では公式スクリプトが確実な方法です。
- GitHub から NVlabs/Sana リポジトリをクローンし、依存関係をインストールします。
- Hugging Face から Efficient-Large-Model/SANA-Video_2.0_5B_720p チェックポイント、または下書き用の _4step 版をダウンロードします。
- モデルカードで指定されている LTX 2.3 動画オートエンコーダーをダウンロードします。
- プロンプトファイル、サイズ、フレーム数を指定して inference_video_scripts/inference_sana_video.sh を実行します。
効果的なプロンプトテンプレート
チームのアドバイスはシンプルです。長くて曖昧なものより短く具体的なほうが良く、細かい指示を重ねすぎるとプロンプトへの追従性が落ちます。SANA-Video 2.0 720p では、被写体1つ、動作1つ、カメラワーク1つ、光源1つという公式が確実です。以下のテンプレートをコピーして、被写体を差し替えてください。
- 商品:"A sleek silver wristwatch rotating slowly on a black marble pedestal, soft rim light, shallow depth of field, 24fps cinematic."
- ショートドラマ:"Close-up of an adult woman on a rainy city street at night, neon reflections, she turns her head and smiles, handheld camera."
- アニメ:"A cheerful cartoon fox dancing in a cozy vintage room with floral wallpaper, bright colors, smooth motion."
- 風景:"Aerial drone shot gliding over misty mountains at sunrise, slow forward motion, golden light."
- 画像から動画:最初のフレーム+"The character gently blinks and her hair moves in the wind, camera slowly pushes in."
- グラマー(18+):"An adult model in a satin evening gown walks down a candlelit hallway, slow tracking shot, warm light."
- 1本の動画には被写体1つ・動作1つ。8秒はあっという間です。
- すべてのプロンプトにカメラワーク(push-in、オービット、トラッキング、ドローン)を明記しましょう。
- ネオン、ゴールデンアワー、リムライトなど光源を1つ加えましょう。
- 4ステップモデルで下書きし、最良のプロンプトをフルモデルで再レンダリングしましょう。
- 登場人物は全員成人(18+)であると明記しましょう。
既知の制限とコミュニティの初期の反応
NVIDIA は SANA-Video 2.0 の弱点を率直に認めています。人が多いシーンや動きの激しいシーン、人体の構造、画面上の文字、物理挙動は崩れることがあり、長く複雑なプロンプトへの追従性は下がり、画像から動画では元画像から離れていくことがあります。VBench スコアは自己申告です。初期の関心は本物で、最初の1か月で Hugging Face のチェックポイントは数千回ダウンロードされましたが、大規模な独立レビューはまだ出ていません。480pでレンダリングする14Bモデルは「近日公開」とされていますが、日付は発表されていません。
無修正の SANA-Video 2.0 はある?
ホスト型の動画アプリはすべてのプロンプトとフレームをチェックし、合意した成人同士であっても水着、ランジェリー、恋愛シーンを拒否することがよくあります。オープンウェイトは違います。SANA-Video 2.0 720p を自分のマシンで実行すれば、間にモデレーションサービスは入らないため、その意味でローカルモデルはすでに無修正です。ただ正直に言うと、成人向けコンテンツ用に学習・調整されたモデルではなく、2026年11月時点で NSFW のファインチューンや LoRA も見つかっていないため、露骨な描写は得意ではありません。上品な成人向けシーンの高速な下書きエンジンとして扱い、登場人物は必ず成人(18+)にし、実在の人物を同意なく使わないでください。
H100 がない?ブラウザで成人向け動画を作ろう
ほとんどの人はデータセンター級のGPUも、Python スクリプトをセットアップする根気も持っていません。Spicy AI なら同様の無修正動画生成をオンラインで利用できます。写真をアップロードし、動きを記述すれば、成人(18+)向けの短い動画が完成。インストールは不要です。自分が所有する写真、または使用許可を得た写真のみを使ってください。
写真1枚を無修正のショート動画に。GPUもセットアップも不要です。
画像から動画を開く →SANA-Video 2.0 のセルフホスト vs Spicy AI でのオンライン生成
| ローカル環境(公式ウェイト) | Spicy AI オンライン | |
|---|---|---|
| コンテンツフィルター | 自分の環境ではなし | 成人向けのコンテンツフィルターなし |
| オープンウェイト | あり | 不要、ブラウザで動作 |
| モデル | SANA-Video 2.0 5B 720p または4ステップ版 | オンラインでホストされた同様の無修正動画モデル |
| 始めるための費用 | 無料ダウンロード、GPUは自前 | 無料プランあり |
よくある質問
SANA-Video 2.0 とは?
NVIDIA の NVlabs チームが MIT や HKU などのパートナーと開発したオープンウェイトの動画モデルです。2026年8月に公開された5B 720pチェックポイントは、テキストまたは最初のフレーム画像から、24 fpsで約8秒の動画を生成します。
動画の長さと解像度は?
720pモデルは1280×736、193フレーム、24 fpsで約8秒です。4ステッププレビューは16 fpsで5秒、または24 fpsで8秒に対応しています。
必要なVRAMは?
NVIDIA はまだ要件を公表していません。公式の速度データはすべて H100 1枚で計測されたものです。
ComfyUI で使える?
バージョン2.0の ComfyUI や Diffusers のネイティブ対応は確認されていません。現時点では NVlabs/Sana リポジトリのスクリプトか Hugging Face のデモを使ってください。
14B版は公開されている?
まだです。480pの14Bモデルはプロジェクトページで「近日公開」とされていますが、公開日は未定です。
本当に無修正?
ローカルで実行すれば、プロンプトをフィルタリングするモデレーションサービスはありません。ただし成人向けコンテンツ用には学習されておらず、NSFW のファインチューンも見つかっていないため、露骨な描写には限界があり、すべてのコンテンツは成人のみを対象とする必要があります。
Spicy AI は NVIDIA と提携していますか?
いいえ。Spicy AI は独立したプラットフォームであり、NVIDIA と提携しておらず、NVIDIA の承認も受けていません。NVIDIA および SANA は各所有者の商標です。