InVideo vs ローカルAI動画生成：一方は$0＋週末の時間、もう一方は$17

プロプライエタリな動画市場は混乱を続けています。OpenAIは2026年3月、ローンチからわずか6か月足らずでSoraのコンシューマー向けアプリを終了しました。ダウンロード数がピーク時から約66%減少したためです（APIは別途稼働を続けています）。ByteDanceのSeedance 2.0は同じ月、ハリウッドからの訴訟に直面し、グローバル展開を一時停止しました。Disney、Paramount、Warner Bros.からの停止要求書が原因です。中国国内では引き続き利用可能ですが、国際的な商用利用には法的リスクが伴います。AlibabaのHappyHorseモデルは2026年4月、品質リーダーボードで首位に立ちましたが、一般公開されることはありませんでした。

この混乱こそが、両方の入り口を魅力的なものにしています。オープンなローカルモデルは、ベンダーの騒動から独立した存在です。そしてInVideoは、その混乱をあなたの代わりに吸収します。サブスクリプションには、Kling 3、Veo 3.1、Seedance 2.5を含む200以上のモデルへのアクセスが含まれているため、あるモデルが消えたり訴訟を起こされたりしても、あなたのワークフローは影響を受けません。

ダウンロード数、コミュニティの活動、ベンチマーク結果で見ると、現時点でローカル動画生成を主導しているのは3つのオープンウェイトシステムです。3つとも、ComfyUIというノードベースのインターフェース上で動作します。これは自分のマシンにインストールするもので、Ollamaのようなチャット形式のツールではありません。これらは拡散モデル（diffusion model）であり、LLMではありません。

Wan 2.2は最も広く使われているオープンな動画モデルです。I2V-A14Bリポジトリだけで、1か月あたり約424万件のHugging Faceダウンロードを記録し、数百のコミュニティ派生版が作られています。T2V-A14BとI2V-A14B（Mixture-of-Experts、合計27B／アクティブ14Bパラメータ）に加え、テキストと画像の両方から動画を生成できるコンパクトなTI2V-5Bの3種類が提供されており、TI2V-5Bはわずか6〜8GBのVRAMで動作します。14Bクラスは15GB（GGUF Q3）から25GB（FP8）が必要で、公式の非量子化版は80GBを要求します。ライセンスはApache 2.0で、商用利用も無制限、収益しきい値も地域制限も一切ない、正真正銘の無料モデルです。

速度について具体的に： RTX 4090では5秒のクリップ1本の生成に約4〜9分かかります（これは独立した1件の報告値です。Wan 2.2はネイティブでは1回のパスでより長いクリップを出力しません）。20秒のシーケンスを作るには、5秒のクリップを4本生成してつなぎ合わせる必要があり、生の生成時間だけで約16〜36分、さらにスムーズにつなげるための手作業の編集が加わります。この範囲は1クリップあたりの数値からの外挿であり、20秒を直接計測したベンチマークではありません。

LTX-2は、この3つの中で唯一、1回のパスで同期した音声と映像を生成するモデルです。足音、環境音、効果音が映像と同時に生成されます。また3つの中で最速であり、ハードウェアへの要求も最も緩やかです。アーキテクチャは22Bの拡散トランスフォーマーで、LTX-2.3（2026年3月）は現行のLTX-2.5リリースと並んで引き続き完全サポートされています。ライセンスはLTXコミュニティライセンスで、会社の年間総売上が$10M未満であれば商用利用は無料、それを超える場合は有料の商用ライセンスが必要です（一部のサードパーティ記事はApache 2.0だと誤って記載していますが、公式ライセンスページのみが信頼できる情報源です）。ハードウェア要件は量子化で18〜20GB、フル精度で32GB以上のVRAMです。12GBのカードでは、旧世代のLTX-Video 0.9.5が現実的な選択肢として残ります。

速度について具体的に： LTX-2は定性的には3つの中で最速で、ハイエンドなコンシューマーカードではほぼリアルタイムのプレビューが可能です。ただし、本記事執筆時点でRTX 4090上での独立検証済みの「1クリップあたり何分」という数値は存在しないため、ここでは推測を書きません。唯一入手できる確かな数値は、Lightricks自身によるデータセンター級「NVIDIAスーパーチップ」（コンシューマー向けGPUではありません）でのベンチマークで、10秒のクリップを約6.8秒で生成したというものです。これは本格的なハードウェアでこのアーキテクチャが達成できる上限値として捉えるべきであり、自宅のマシンで得られる数値ではありません。

2025年11月にリリースされたTencentの8.3Bモデルは、映画的なライティングと質感でコミュニティの人気を集めており、3つの中でVRAM消費が最も軽いモデルです。オフロードを使えば最低14GB、快適に使うなら24GBで、RTX 4090では480pのクリップ1本あたり約75秒かかります。ネイティブで480p/720pを生成し、内蔵の超解像機能で1080pまで対応、クリップ長は最長10秒です。

速度について具体的に： 480pの5秒クリップ1本あたり約75秒ということは、動画1秒あたり約15秒のレンダリング時間がかかる計算です。ネイティブの最大クリップ長は10秒のため、20秒のシーケンスを作るには最大長での生成を2回行う必要があります。1秒あたりのレートから外挿すると、20秒分の映像を生成する生の時間はおよそ5分、これにつなぎ合わせの作業が加わります。これは5秒クリップの実測値からの外挿であり、10秒や20秒を直接計測したベンチマークではありません。

2026年8月3日にリリースされたMiniMax H3は、ネイティブなステレオ音声、リリース初日からのComfyUIサポート、そしてRTX 3060でも動く量子化バージョンを備えた33.1Bのオムニモーダルモデルです。これを4つ目の選択肢として扱う前に、2つの注意点があります。ローカル版の解像度は768pが上限で（フル2Kパイプラインはホスト型のみ）、そのコミュニティライセンスには独自の地域制限と$20Mの売上しきい値があると報告されています。決定する前に必ず公式のモデルカードを確認してください。初期の評判は良好ですが、公開から3週間というのは、まだ本番運用に耐えるかどうかとは別の話です。

ローカル動画生成が「無料」なのは、子犬が「無料」なのと同じ意味です。モデルの重み自体にはコストがかかりませんが、GPUこそが本当の参入コストです。GPUのVRAMが12GB未満で、アップグレードの予定もない場合は、ローカル生成は最初から見送るべきです。上記3モデルはいずれも、このクラス以下では実用的な品質で動作せず、クラウドプラットフォームの方が速く良い結果を得られます。

自分のマシンがどのクラスに当たるか分からない場合は、以下のガイドが参考になります。モデルごとの正確な要件はVRAM Calculator、モデルサイズ別の一覧表はHow Much VRAM Do You Need?、ハードウェア選びにはBest GPUs for Local AIとBest Budget GPUs、プラットフォーム比較にはGPU vs CPU vs Apple Siliconをご覧ください。一つ正直に断っておくと、これらのガイドはLLM用のVRAM計算式（パラメータ数×ビット数÷8）を使っています。動画拡散モデルの場合はVRAM使用量が解像度とクリップ長にも比例して増えるため、これらの数字は動画ワークロードにおいては下限であり上限ではないと考えてください。

ローカルモデルを使うということは、動画ツールを1つインストールするのではなく、パイプライン全体を自分で組み立てるということです。

生成環境の構築。 ComfyUIはノードベースです。ローダー、サンプラー、デコーダーからなるワークフローグラフを、自分で構築するか、あるいはインポートしてデバッグする必要があります。最初のフレームがレンダリングされるまでに、CUDAバージョンの不一致、PyTorchのバージョン固定、flash_attnのインストールエラーなどに遭遇することを覚悟してください。

プロンプトの作成。 動画モデルには、ショットタイプ、カメラの動き、ライティング、被写体の動作といった構造化されたプロンプトが必要で、一行だけの指示では不十分です。組み込みのプロンプトヘルパーもシステムプロンプト層もなく、構造全体を自分で書く必要があります。system prompts vs. user promptsとprompt engineering for local modelsのガイドで扱う基本は、そのまま動画プロンプティングにも応用できます。

クリップの周辺にあるすべて。 ローカルモデルが出力するのは、5〜20秒の無音（LTXを除く）の生クリップです。台本、ナレーション、音楽、ストック映像、字幕、編集は、それぞれ別のツールを自分で選び、インストールし、つなぎ合わせる必要があります。

短くまとめると、よくある状況ごとの推奨は次のとおりです。

InVideoの方が良い選択になりやすいのは、次のような方です。

• パワフルなGPUを持っていない
• すぐに動画制作を始めたい
• ComfyUI、CUDA、モデル、Python環境のインストールや設定をしたくない
• 複数のローカルツールを組み合わせるより、統合されたワークフローが欲しい
• 台本、音声、音楽、字幕、動画生成を1つのワークフローで済ませたい
• 基盤となるモデルを試すことより、完成した動画そのものを重視する

ローカルAIの方が良い選択になりやすいのは、次のような方です。

• すでに適切なGPUハードウェアを持っている
• 最大限のコントロールが欲しい
• モデルやワークフローを自由に試したい
• 高い技術スキルを持っている
• 生成をローカルで完結させることを優先する
• 非常に大量の生成を見込んでおり、限界生成コストを最適化したい

ローカルGPUのセットアップや有料サブスクリプションにコミットしなくても、クラウドワークフローを評価することはできます。ハードウェアを購入したり、週末をComfyUIに費やしたりする前に、まず逆方向に5分使ってみる価値があります。

1. InVideoの無料版を試す。 2. 短い動画を1本作成する。 3. 出力品質と、ワークフローの使い心地を評価する。 4. その体験を、ローカルインストールにかかるセットアップの手間と比較する。

こうすることで、比較は単に読むものから、この記事の残りを読み終えるより短い時間で自分自身で試せるものへと変わります。

VRAM 12GB以上のGPUを持っている（あるいはこれから購入する予定がある）、自分のツールを組み立てるのが好き、そしてプライバシーと無制限で$0の生成を利便性より重視するなら、ローカルを選んでください。Wan 2.2が最も安全な土台です。最高品質、Apache 2.0、細かい注意点なし。速度と音声を重視するならLTX-2が専門です。

ハードウェアがない、セットアップをしたくない、あるいは生のクリップではなく完成した動画が必要なら、クラウドを選んでください。単にAI生成の動画を作りたいだけのほとんどの人にとって、クラウドの方が入り口として簡単です。ローカル生成に必要なハードウェアと技術的な関心がまだないなら、InVideoはそのほとんどの複雑さを1つのプロンプトで取り除いてくれます。すべてのモデルと素材がまとめられ、自動化も含まれており、お試しは$0から、透かしを外すには月額$17（年間契約）からです。自分のワークフローに合うかどうかを知る一番簡単な方法は、無料版を試してみることです。

どちらの入り口も、AI動画へとつながっています。問われるべきなのは、どちらの技術が優れているかではなく、どちらのワークフローが自分のマシン、忍耐力、目的に合っているかです。