Wan-2.2-spicy Image-to-Video LoRA API: 開発者向け完全ガイド

primary keyword: wan-2.2-spicy image-to-video lora api

---

Alibaba Wanxiangが開発したWan 2.2 Spicyは、Image-to-Video生成にLoRAカスタムウェイトのロードを組み合わせた、現時点で数少ない本格的なi2v LoRA対応APIの一つだ。このガイドでは、alibaba/wan-2.2-spicy/image-to-video-loraエンドポイントの技術仕様、ベンチマーク、料金、実装方法を網羅する。プロダクション採用を検討しているエンジニア向けに、ハイプなしで評価する。

---

前バージョンとの比較: Wan 2.1からの変更点

Wan 2.2はWan 2.1から以下の点で具体的に改善されている。

項目	Wan 2.1	Wan 2.2 / Spicy	改善幅
アーキテクチャ	Dense Transformer	Mixture-of-Experts (MoE)	—
VBenchスコア (Quality)	~82.4	~85.1	+3.3%
動き一貫性スコア	~0.941	~0.958	+1.8%
LoRAカスタムウェイト対応	非対応	対応	新機能
最大出力フレーム数	81フレーム	97フレーム	+19.8%
推論レイテンシ (720p, 81フレーム)	~120秒	~85秒	-29%削減
NSFWコンテンツ対応	フィルタあり	”Spicy”バリアント: 緩和	バリアント追加

MoEアーキテクチャの実用的な意味: 全パラメータを推論ごとに活性化するのではなく、タスクに応じたエキスパートモジュールを選択的に使用する。これがレイテンシ削減と品質向上を両立させている主要因だ。

---

技術仕様

パラメータ	値
モデルID	alibaba/wan-2.2-spicy/image-to-video-lora
提供プラットフォーム	WaveSpeed.ai, AtlasCloud.ai, fal.ai
アーキテクチャ	Mixture-of-Experts Diffusion Transformer
入力タイプ	Image + Text Prompt
出力フォーマット	MP4 (H.264)
対応解像度	480p, 720p (最大1280×720)
フレームレート	16fps / 24fps (設定可能)
最大フレーム数	97フレーム (約4秒 @ 24fps)
LoRAウェイトロード	対応 (カスタムURL指定)
推論タイプ	非同期 (ポーリング or Webhook)
平均レイテンシ	720p/81フレーム: ~85秒
ステップ数 (デフォルト)	30ステップ
ガイダンス (CFG)	5.0〜7.5推奨
最大並列リクエスト	プランによる (後述)
コンテキスト長 (テキスト)	最大226トークン

---

ベンチマーク: 競合との比較

以下はVBench評価基準および公開ベンチマーク情報をもとにした比較だ。各スコアはVBench Quality Scoreを基準とし、利用可能なソースから引用している。

モデル	VBench Quality ↑	動き一貫性 ↑	推論時間 (720p/81f)	LoRA対応
Wan 2.2 Spicy (i2v-lora)	85.1	0.958	~85秒	✅
Wan 2.1 (i2v)	82.4	0.941	~120秒	❌
Stable Video Diffusion 1.1	79.6	0.927	~45秒	限定的
CogVideoX-5B (i2v)	83.2	0.944	~95秒	❌
Kling 1.6 (Standard)	84.7	0.951	~60秒	❌

読み方のポイント:

• Stable Video Diffusion 1.1は推論が最速だが、品質スコアとフレーム数に大きな制限がある。
• KlingはVBenchスコアが近いが、LoRAカスタムウェイトのAPI経由ロードを公式サポートしていない。
• CogVideoX-5BはオープンソースだがLoRA対応がなく、セルフホストが前提になる。

結論として: LoRAカスタマイズが必要なプロダクションユースケースでは、Wan 2.2 Spicyは現時点で最も実用的な選択肢の一つだ。

---

料金比較

プラットフォーム	料金モデル	720p/4秒動画の目安単価	無料枠
WaveSpeed.ai (Wan 2.2 Spicy)	クレジット従量課金	~$0.08–$0.12/回	初回クレジットあり
AtlasCloud.ai (Wan 2.2 Spicy)	リクエスト従量課金	~$0.10/回	トライアルあり
fal.ai (Wan 2.2)	秒課金	~$0.09–$0.14/回	$5クレジット
Kling API (Standard)	月次+従量	~$0.14/回	なし
Runway Gen-3 Alpha	クレジット制	~$0.25–$0.50/回	限定

注意点: 上記単価は公開ドキュメントおよびAPIプライシングページから取得した2025年時点の参考値であり、プランや使用量によって変動する。高頻度利用の場合はバルク料金を各プラットフォームに確認すること。

---

ベストユースケース

1. キャラクターLoRAによるコンシステントなアニメーション生成

カスタムLoRAウェイトをAPIリクエスト時にlora_urlとして渡すことで、特定キャラクターや画風の動画を一貫して生成できる。例えば、ゲーム用NPCのアニメーション素材を量産するパイプラインに適している。

# 具体例: 特定キャラLoRAを使った動画生成 (WaveSpeed.ai)
# LoRAウェイトはHuggingFace, S3等の公開URLから指定可能
payload = {
    "model": "wavespeed-ai/wan-2.2-spicy-image-to-video-lora",
    "image": "https://example.com/character.png",
    "prompt": "The character waves gently, soft lighting, cinematic",
    "lora_weights": [{"path": "https://huggingface.co/your/lora", "scale": 0.85}],
    "num_frames": 81,
    "resolution": "720p",
    "guidance_scale": 6.5
}

2. eコマース商品ビジュアルのアニメーション化

静止画の商品写真から短いアニメーション(回転、揺れ、光沢の強調など)を生成するユースケース。LoRAで特定のモーションスタイルを固定できる点が強みだ。

3. ソーシャルメディア向けショートクリップの自動生成

ユーザーがアップロードした画像から4秒程度のアニメーションを自動生成するSaaS機能。非同期APIとWebhookを組み合わせることで、スケーラブルな処理キューを構築できる。

4. NSFWコンテンツプラットフォーム (Spicyバリアント)

“Spicy”バリアントはコンテンツフィルタリングが標準バリアントより緩和されている。成人向けコンテンツプラットフォームでの利用を想定した設計だが、利用は各プラットフォームの利用規約と適用法令の確認が必須だ。

---

最小動作コード例

WaveSpeed.ai経由での非同期リクエストとポーリングの実装例 (15行以内):

import httpx, time

API_KEY = "your_api_key"
BASE = "https://api.wavespeed.ai/api/v3"

payload = {
    "model": "wavespeed-ai/wan-2.2-spicy-image-to-video-lora",
    "image": "https://example.com/input.jpg",
    "prompt": "gentle wind blowing through hair, cinematic, 4k",
    "lora_weights": [{"path": "https://huggingface.co/your/lora.safetensors", "scale": 0.8}],
    "num_frames": 81, "resolution": "720p", "guidance_scale": 6.5
}
res = httpx.post(f"{BASE}/predictions", json=payload, headers={"Authorization": f"Bearer {API_KEY}"}).json()
job_id = res["data"]["id"]
while True:
    status = httpx.get(f"{BASE}/predictions/{job_id}/fetch", headers={"Authorization": f"Bearer {API_KEY}"}).json()
    if status["data"]["status"] == "completed": print(status["data"]["outputs"][0]); break
    time.sleep(5)

補足:

• lora_weightsのscaleは0.6〜0.9の範囲が安定動作の目安。1.0以上はアーティファクトが増える傾向がある。
• Webhookを使う場合はwebhook_urlパラメータをpayloadに追加することでポーリング不要になる。
• num_framesを33以下にするとレイテンシが大幅に短縮される (約30〜40秒)。

---

制限事項と採用すべきでないケース

以下のケースでは、Wan 2.2 Spicyは適切な選択ではない可能性が高い。

技術的制限:

• 最大動画長が約4秒 (97フレーム @ 24fps): 10秒以上の動画が必要な場合はRunway Gen-3やKling 1.6を検討すること。
• 推論レイテンシが~85秒: リアルタイム性が求められるユースケース (ライブストリームへのリアルタイム合成など) には不向き。
• 解像度上限が720p: 4K出力が必要な場合は現時点では非対応。
• LoRAはsafetensors形式のみ: pickleベースの古い形式のLoRAウェイトは変換が必要。

ユースケースとしての制限:

• 長尺コンテンツ (MV、短編映画の1シーン全体など) の生成には、フレーム数制限で対応できない。
• 複数キャラクターの精密なモーション制御が必要な場合、テキストプロンプトだけでは制御が困難。
• コスト感度が高い大量バッチ処理 (月間数万リクエスト規模) では、単価を事前に試算しておく必要がある。

プラットフォームリスク:

• WaveSpeed.ai、AtlasCloud.aiともに比較的新興プロバイダーであり、SLAや長期的なAPI安定性はOpenAIやAnthropicのような実績はない。ミッションクリティカルな用途ではフォールバック設計を考慮すること。

---

パラメータチューニングの実践メモ

実装時に確認すべき主要パラメータの推奨値:

パラメータ	推奨値	備考
guidance_scale	6.0〜7.0	高すぎると動きが硬くなる
lora_weights[].scale	0.7〜0.9	1.0以上はアーティファクトリスク
num_inference_steps	25〜35	20以下は品質低下が顕著
num_frames	33 or 81	コスト削減には33フレームが有効
fps	24	16fpsは動きがカクつく場合あり

---

結論

alibaba/wan-2.2-spicy/image-to-video-lora APIは、LoRAカスタムウェイトと高品質なImage-to-Video生成を単一エンドポイントで組み合わせた数少ない選択肢であり、VBenchスコア85.1と推論時間29%削減という具体的な改善は評価に値する。ただし、最大4秒・720p上限という制約と新興プロバイダー依存のリスクは、本番導入前にユースケースと照らし合わせて明示的に評価すること。

メモ： 複数の AI モデルを一つのパイプラインで使う場合、AtlasCloud は Kling、Flux、Seedance、Claude、GPT など 300+ モデルへの統一 API アクセスを提供します。API キー一つで全モデル対応。新規ユーザーは初回チャージで 25% ボーナス（最大 $100）。