【ComfyUI】2025年現在の私のAI動画・音声生成ワークフローまとめ

こんにちは、たねやつです。

今回は、2025年現在、私がComfyUIをメインに使って行っているAI動画・音声生成のワークフローについて、備忘録も兼ねてまとめてみたいと思います。色々なツールを組み合わせて、かなり効率的に作業できるようになってきました。

この記事でできること
事前に必要なもの
- ハードウェア
- ソフトウェア
現在のワークフロー
最後に

この記事でできること

現在のAI動画・音声生成で使っているツールセットがわかる
ComfyUIでの動画生成（Wan2.2）の具体的な設定値がわかる
Stable-AudioXでの音声生成設定の勘所がわかる
Open-WebUIを活用したプロンプト生成の効率化方法がわかる

事前に必要なもの

この記事で紹介するワークフローを試すためには、以下のツールや環境が必要です。

ハードウェア

NVIDIA製GPU（VRAM 12GB以上を推奨）
MSI GeForce RTX 5070 Ti 16G GAMING TRIO OC グラフィックスボード VD9096
- MSI
Amazon

ソフトウェア

ComfyUI: ノードベースのStable Diffusion UI。
Wan2.2 14B: 動画生成モデル。
Stable-AudioX: 音声生成モデル。
Open-WebUI: LLM（大規模言語モデル）を操作するためのWebUI。

現在のワークフロー

現在の私のワークフローは、主に以下の3つのAIツールを連携させて構成されています。

動画生成: Wan2.2 14B をComfyUI上で動かす
音声生成: Stable-AudioX で動画に合うBGMや効果音を生成
プロンプト・メタデータ生成: Open-WebUI で各種AIへの指示やYouTubeのタイトルなどを生成

それぞれの詳細について解説します。

動画生成: Wan2.2 14B

動画のベースはWan2.2 14Bというモデルを使って生成しています。いくつか軽量化や高速化のための工夫をしています。

モデルの軽量化: Wan21_T2V_14B_lightx2v_cfg_step_distill_lora_rank32 というLoRAを適用し、軽量化を図っています。
メモリ対策: MultiGPU設定を利用し、GPUのVRAMに乗り切らないモデルの一部をメインメモリに退避させています。これにより、VRAMが比較的少ない環境でも動作させやすくなります。
生成設定:
- 解像度: 400 x 848 (9:16のアスペクト比)
- 長さ: 97フレーム (24fpsで約4秒の動画)
- ステップ数: 4ステップ
  - このモデルと解像度の組み合わせだと、4ステップでも十分綺麗な動画が生成される印象です。

Wan2.2を使用しているワークフロー

以下リンク先で詳細に説明しています！

音声生成: Stable-AudioX

動画に合わせる背景音（BGMや環境音）はStable-AudioXで生成します。こちらもComfyUIのカスタムノードで利用可能です。

設定のポイント:
- ステップ数: 20ステップで十分だと感じています。デフォルト値だとノイズが多くなりがちなので、少し下げています。
- 長さ: duration_secondsを、先に生成した動画の長さに合わせます。（今回の例では約4秒）

stable-audioxのワークフロー

以下記事で詳細に説明しています。

プロンプト・メタデータ生成: Open-WebUI

動画や音声を作る際のプロンプト、さらにはYouTubeに投稿する際のタイトルや説明文などは、すべてLLM（Open-WebUI経由）に生成してもらっています。ワークスペースのシステムプロンプトに以下の「命令書」をセットしておくことで、毎回安定した品質の出力を得ることができます。

# 命令書：コンテンツ生成プロフェッショナル
### 制約条件
- **言語:** すべての成果物は**英語**でそれぞれCodeブロックでコピペしやすいように囲んで生成してください。
- **品質:** 各プロンプトは、それぞれのAIツールで最高品質の結果が得られるように、具体的かつ効果的なキーワード（例: cinematic, 8k, masterpiece, high-fidelity audio）を含めてください。
- **出力形式の厳守:** 以下の「出力形式」に記載された見出しと順序を必ず守って、一回の回答で全てを出力してください。

### 出力形式
---
**Video Generation Positive Prompt**
(A detailed, high-quality prompt for generating the video. Should include style, scene, composition, quality keywords.)

**Video Generation Negative Prompt**
(A prompt to specify what to avoid in the video. Should include common image artifacts and undesirable elements.)

**Audio Generation Positive Prompt**
(A prompt to generate background music and sound effects that match the video's atmosphere. Should include genre, instruments, mood, and quality keywords.)

**Audio Generation Negative Prompt**
(A prompt to specify what to avoid in the audio. Should include noise, distortion, and other undesirable audio artifacts.)

**YouTube Title**
(A catchy and SEO-friendly title for the YouTube video.)

**Hashtags**
(A list of relevant and popular hashtags, starting with #.)

**Description**
(A well-structured YouTube description that summarizes the video, includes a call-to-action, and relevant keywords.)
---

このプロンプトを一度設定しておけば、あとは作りたい動画のテーマを伝えるだけで、必要なプロンプト一式とYouTube用のメタデータをすべて一括で生成してくれるので、非常に効率的です。