クリックすると展開します
このリポジトリは、HunyuanVideo、Wan2.1/2.2、FramePack、FLUX.1 KontextのLoRA学習用のコマンドラインツールです。このリポジトリは非公式であり、公式のHunyuanVideoやWan2.1/2.2、FramePack、FLUX.1 Kontextのリポジトリとは関係ありません。
Wan2.1/2.2については、Wan2.1/2.2のドキュメントも参照してください。FramePackについては、FramePackのドキュメントを、FLUX.1 KontextについてはFLUX.1 Kontextのドキュメントを参照してください。
リポジトリは開発中です。
このプロジェクトがお役に立ったなら、ご支援いただけると嬉しく思います。 GitHub Sponsorsで受け付けています。
-
GitHub Discussionsを有効にしました。コミュニティのQ&A、知識共有、技術情報の交換などにご利用ください。バグ報告や機能リクエストにはIssuesを、質問や経験の共有にはDiscussionsをご利用ください。Discussionはこちら
-
2025/08/15
- Timestep Bucketing機能が追加されました。これにより、タイムステップの分布がより均一になり、学習が安定します。PR #418 詳細はTimestep Bucketingのドキュメントを参照してください。
-
2025/08/14
convert_lora.pyがQwen-ImageのLoRAをサポートしました。PR #444 Diffusers形式との相互変換が可能です。詳細はLoRAの形式の変換を参照してください。
-
2025/08/11
--timestep_samplingにqwen_shiftが追加されました。これはQwen-Imageの推論時と同じ方法で、各画像の解像度に基づいた動的シフト値を使用します。またこれに伴いqinglongはqinglong_fluxとqinglong_qwenに分割されました。PR #428 sdbds氏に感謝します。詳細はQwen-Imageのドキュメントおよび高度な設定を参照してください。wan_generate_video.pyでWan2.2のhigh/lowモデルを使用するときに、遅延読み込みを行う--lazy_loadingオプションを追加しました。PR #427 詳細はこちらを参照してください。
-
2025/08/10
- Qwen-Imageに対応しました。PR #408 詳細はQwen-Imageのドキュメントを参照してください。
-
2025/08/09
- wandbにログ出力用設定しているとき、サンプル生成画像もwandbに出力されるようになりました。PR #420 xhiroga 氏に感謝します。
-
2025/08/08
-
Wan2.2に対応しました。PR #399 詳細はWan2.1/2.2のドキュメントを参照してください。
Wan2.2はhigh noiseとlow noiseの二つのモデルから構成され、LoRAの学習時にどちらか一方、または両方を選択することができます。それに伴いtimestepの指定が必要になりますので、ドキュメントをご確認ください。
-
-
2025/08/07
- タイムステップのサンプリングに新しく
logsnrとqinglongのサンプリング手法を追加しました。PR #407 でsdbds氏により提案されました。sdbds氏に感謝します。logsnrはスタイルの学習に特化し、qinglongはスタイル学習、モデルの安定性、ディテールの再現性を考慮したハイブリッドサンプリング手法です。詳細はこちらのドキュメントを参照してください。
- タイムステップのサンプリングに新しく
-
2025/08/02
--fp8_scaledを指定したときのFramePack、Wan2.1のモデル読み込みのピークメモリ使用量を削減しました。これにより、学習、推論前のモデル読み込み時のVRAM使用量が削減されます。
-
2025/08/01
-
2025/07/31
- AI コーディングエージェントを使用する開発者の方へのセクションを追加しました。AIエージェントを利用する場合はご一読ください。
-
2025/07/29
- 依存関係が不足していてFLUX.1 KontextのLoRA学習ができない不具合を修正しました。
sentencepieceが必要です。pyproject.tomlにsentencepieceを追加しました。
- 依存関係が不足していてFLUX.1 KontextのLoRA学習ができない不具合を修正しました。
-
2025/07/28
- FLUX.1 KontextのLoRA学習を追加しました。詳細はFLUX.1 KontextのLoRA学習のドキュメントを参照してください。
Musubi Tunerの解説記事執筆や、関連ツールの開発に取り組んでくださる方々に感謝いたします。このプロジェクトは開発中のため、互換性のない変更や機能追加が起きる可能性があります。想定外の互換性問題を避けるため、参照用としてリリースをお使いください。
最新のリリースとバージョン履歴はリリースページで確認できます。
このリポジトリでは、ClaudeやGeminiのようなAIエージェントが、プロジェクトの概要や構造を理解しやすくするためのエージェント向け文書（プロンプト）を用意しています。
これらを使用するためには、プロジェクトのルートディレクトリに各エージェント向けの設定ファイルを作成し、明示的に読み込む必要があります。
セットアップ手順:
-
プロジェクトのルートに
CLAUDE.mdやGEMINI.mdファイルを作成します。 -
CLAUDE.mdに以下の行を追加して、リポジトリが推奨するプロンプトをインポートします（現在、両者はほぼ同じ内容です）：@./.ai/claude.prompt.md
Geminiの場合はこちらです：
@./.ai/gemini.prompt.md
-
インポートした行の後に、必要な指示を適宜追加してください（例：
Always respond in Japanese.）。
このアプローチにより、共有されたプロジェクトのコンテキストを活用しつつ、エージェントに与える指示を各ユーザーが自由に制御できます。CLAUDE.md と GEMINI.md はすでに .gitignore に記載されているため、リポジトリにコミットされることはありません。
- VRAM: 静止画での学習は12GB以上推奨、動画での学習は24GB以上推奨。
- *解像度等の学習設定により異なります。*12GBでは解像度 960x544 以下とし、
--blocks_to_swap、--fp8_llm等の省メモリオプションを使用してください。
- *解像度等の学習設定により異なります。*12GBでは解像度 960x544 以下とし、
- メインメモリ: 64GB以上を推奨、32GB+スワップで動作するかもしれませんが、未検証です。
- 省メモリに特化
- Windows対応（Linuxでの動作報告もあります）
- マルチGPUには対応していません
Python 3.10以上を使用してください（3.10で動作確認済み）。
適当な仮想環境を作成し、ご利用のCUDAバージョンに合わせたPyTorchとtorchvisionをインストールしてください。
PyTorchはバージョン2.5.1以上を使用してください（補足）。
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124以下のコマンドを使用して、必要な依存関係をインストールします。
pip install -e .オプションとして、FlashAttention、SageAttention（推論にのみ使用できます、インストール方法はこちらを参照）を使用できます。
また、ascii-magic（データセットの確認に使用）、matplotlib（timestepsの可視化に使用）、tensorboard（学習ログの記録に使用）、prompt-toolkitを必要に応じてインストールしてください。
prompt-toolkitをインストールするとWan2.1およびFramePackのinteractive modeでの編集に、自動的に使用されます。特にLinux環境でプロンプトの編集が容易になります。
pip install ascii-magic matplotlib tensorboard prompt-toolkituvを使用してインストールすることもできますが、uvによるインストールは試験的なものです。フィードバックを歓迎します。
curl -LsSf https://astral.sh/uv/install.sh | sh表示される指示に従い、pathを設定してください。
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"表示される指示に従い、PATHを設定するか、この時点でシステムを再起動してください。
以下のいずれかの方法で、モデルをダウンロードしてください。
公式のREADMEを参考にダウンロードし、任意のディレクトリに以下のように配置します。
ckpts
├──hunyuan-video-t2v-720p
│ ├──transformers
│ ├──vae
├──text_encoder
├──text_encoder_2
├──...
こちらの方法の方がより簡単です。DiTとVAEのモデルはHumyuanVideoのものを使用します。
https://huggingface.co/tencent/HunyuanVideo/tree/main/hunyuan-video-t2v-720p/transformers から、mp_rank_00_model_states.pt をダウンロードし、任意のディレクトリに配置します。
（同じページにfp8のモデルもありますが、未検証です。）
--fp8_baseを指定して学習する場合は、mp_rank_00_model_states.ptの代わりに、こちらのmp_rank_00_model_states_fp8.safetensorsを使用可能です。（このファイルは非公式のもので、重みを単純にfloat8_e4m3fnに変換したものです。）
また、https://huggingface.co/tencent/HunyuanVideo/tree/main/hunyuan-video-t2v-720p/vae から、pytorch_model.pt をダウンロードし、任意のディレクトリに配置します。
Text EncoderにはComfyUI提供のモデルを使用させていただきます。ComyUIのページを参考に、https://huggingface.co/Comfy-Org/HunyuanVideo_repackaged/tree/main/split_files/text_encoders から、llava_llama3_fp16.safetensors （Text Encoder 1、LLM）と、clip_l.safetensors （Text Encoder 2、CLIP）をダウンロードし、任意のディレクトリに配置します。
（同じページにfp8のLLMモデルもありますが、動作未検証です。）
こちらを参照してください。
latentの事前キャッシュは必須です。以下のコマンドを使用して、事前キャッシュを作成してください。（pipによるインストールの場合）
python src/musubi_tuner/cache_latents.py --dataset_config path/to/toml --vae path/to/ckpts/hunyuan-video-t2v-720p/vae/pytorch_model.pt --vae_chunk_size 32 --vae_tilinguvでインストールした場合は、uv run --extra cu124 python src/musubi_tuner/cache_latents.py ...のように、uv run --extra cu124を先頭につけてください。CUDA 12.8に対応している場合は、uv run --extra cu128も利用可能です。以下のコマンドも同様です。
その他のオプションはpython src/musubi_tuner/cache_latents.py --helpで確認できます。
VRAMが足りない場合は、--vae_spatial_tile_sample_min_sizeを128程度に減らし、--batch_sizeを小さくしてください。
--debug_mode image を指定するとデータセットの画像とキャプションが新規ウィンドウに表示されます。--debug_mode consoleでコンソールに表示されます（ascii-magicが必要）。
--debug_mode videoで、キャッシュディレクトリに画像または動画が保存されます（確認後、削除してください）。動画のビットレートは確認用に低くしてあります。実際には元動画の画像が学習に使用されます。
--debug_mode指定時は、実際のキャッシュ処理は行われません。
デフォルトではデータセットに含まれないキャッシュファイルは自動的に削除されます。--keep_cacheを指定すると、キャッシュファイルを残すことができます。
Text Encoder出力の事前キャッシュは必須です。以下のコマンドを使用して、事前キャッシュを作成してください。
python src/musubi_tuner/cache_text_encoder_outputs.py --dataset_config path/to/toml --text_encoder1 path/to/ckpts/text_encoder --text_encoder2 path/to/ckpts/text_encoder_2 --batch_size 16その他のオプションはpython src/musubi_tuner/cache_text_encoder_outputs.py --helpで確認できます。
--batch_sizeはVRAMに合わせて調整してください。
VRAMが足りない場合（16GB程度未満の場合）は、--fp8_llmを指定して、fp8でLLMを実行してください。
デフォルトではデータセットに含まれないキャッシュファイルは自動的に削除されます。--keep_cacheを指定すると、キャッシュファイルを残すことができます。
accelerate configを実行して、Accelerateの設定を行います。それぞれの質問に、環境に応じた適切な値を選択してください（値を直接入力するか、矢印キーとエンターで選択、大文字がデフォルトなので、デフォルト値でよい場合は何も入力せずエンター）。GPU 1台での学習の場合、以下のように答えてください。
- In which compute environment are you running?: This machine
- Which type of machine are you using?: No distributed training
- Do you want to run your training on CPU only (even if a GPU / Apple Silicon / Ascend NPU device is available)?[yes/NO]: NO
- Do you wish to optimize your script with torch dynamo?[yes/NO]: NO
- Do you want to use DeepSpeed? [yes/NO]: NO
- What GPU(s) (by id) should be used for training on this machine as a comma-seperated list? [all]: all
- Would you like to enable numa efficiency? (Currently only supported on NVIDIA hardware). [yes/NO]: NO
- Do you wish to use mixed precision?: bf16※場合によって ValueError: fp16 mixed precision requires a GPU というエラーが出ることがあるようです。この場合、6番目の質問（
What GPU(s) (by id) should be used for training on this machine as a comma-separated list? [all]:）に「0」と答えてください。（id 0、つまり1台目のGPUが使われます。）
以下のコマンドを使用して、学習を開始します（実際には一行で入力してください）。
accelerate launch --num_cpu_threads_per_process 1 --mixed_precision bf16 src/musubi_tuner/hv_train_network.py
--dit path/to/ckpts/hunyuan-video-t2v-720p/transformers/mp_rank_00_model_states.pt
--dataset_config path/to/toml --sdpa --mixed_precision bf16 --fp8_base
--optimizer_type adamw8bit --learning_rate 2e-4 --gradient_checkpointing
--max_data_loader_n_workers 2 --persistent_data_loader_workers
--network_module networks.lora --network_dim 32
--timestep_sampling shift --discrete_flow_shift 7.0
--max_train_epochs 16 --save_every_n_epochs 1 --seed 42
--output_dir path/to/output_dir --output_name name-of-lora更新：サンプルの学習率を1e-3から2e-4に、--timestep_samplingをsigmoidからshiftに、--discrete_flow_shiftを1.0から7.0に変更しました。より高速な学習が期待されます。ディテールが甘くなる場合は、discrete flow shiftを3.0程度に下げてみてください。
ただ、適切な学習率、学習ステップ数、timestepsの分布、loss weightingなどのパラメータは、以前として不明な点が数多くあります。情報提供をお待ちしています。
その他のオプションはpython src/musubi_tuner/hv_train_network.py --helpで確認できます（ただし多くのオプションは動作未確認です）。
--fp8_baseを指定すると、DiTがfp8で学習されます。未指定時はmixed precisionのデータ型が使用されます。fp8は大きく消費メモリを削減できますが、品質は低下する可能性があります。--fp8_baseを指定しない場合はVRAM 24GB以上を推奨します。また必要に応じて--blocks_to_swapを使用してください。
VRAMが足りない場合は、--blocks_to_swapを指定して、一部のブロックをCPUにオフロードしてください。最大36が指定できます。
（block swapのアイデアは2kpr氏の実装に基づくものです。2kpr氏にあらためて感謝します。）
--sdpaでPyTorchのscaled dot product attentionを使用します。--flash_attnで[FlashAttention]:(https://github.com/Dao-AILab/flash-attention)を使用します。`--xformers`でxformersの利用も可能ですが、xformersを使う場合は`--split_attn`を指定してください。`--sage_attn`でSageAttentionを使用しますが、SageAttentionは現時点では学習に未対応のため、エラーが発生します。
--split_attnを指定すると、attentionを分割して処理します。速度が多少低下しますが、VRAM使用量はわずかに減ります。
学習されるLoRAの形式は、sd-scriptsと同じです。
--min_timestepと--max_timestepを指定すると、学習時のタイムステップの範囲を指定できます。詳細は高度な設定を参照してください。
--show_timestepsにimage（matplotlibが必要）またはconsoleを指定すると、学習時のtimestepsの分布とtimestepsごとのloss weightingが確認できます。（flux_shiftとqwen_shiftを使用する場合は画像の解像度が1024x1024の場合の分布になります。）
学習時のログの記録が可能です。TensorBoard形式のログの保存と参照を参照してください。
PyTorch Dynamoによる最適化を行う場合は、こちらを参照してください。
--gradient_checkpointingを指定すると、gradient checkpointingが有効になります。VRAM使用量は減りますが、学習速度は低下します。
--optimizer_typeにはadamw8bit、adamw8bit_apex_fused、adamw8bit_apex_fused_legacy、adamw8bit_apex_fused_legacy_no_scaleのいずれかを指定してください。
学習中のサンプル画像生成については、こちらのドキュメントを参照してください。その他の高度な設定についてはこちらのドキュメントを参照してください。
注：Wan 2.1には対応していません。
python src/musubi_tuner/merge_lora.py \
--dit path/to/ckpts/hunyuan-video-t2v-720p/transformers/mp_rank_00_model_states.pt \
--lora_weight path/to/lora.safetensors \
--save_merged_model path/to/merged_model.safetensors \
--device cpu \
--lora_multiplier 1.0--deviceには計算を行うデバイス（cpuまたはcuda等）を指定してください。cudaを指定すると計算が高速化されます。
--lora_weightにはマージするLoRAの重みを、--lora_multiplierにはLoRAの重みの係数を、それぞれ指定してください。複数個が指定可能で、両者の数は一致させてください。
以下のコマンドを使用して動画を生成します。
python src/musubi_tuner/hv_generate_video.py --fp8 --video_size 544 960 --video_length 5 --infer_steps 30
--prompt "A cat walks on the grass, realistic style." --save_path path/to/save/dir --output_type both
--dit path/to/ckpts/hunyuan-video-t2v-720p/transformers/mp_rank_00_model_states.pt --attn_mode sdpa --split_attn
--vae path/to/ckpts/hunyuan-video-t2v-720p/vae/pytorch_model.pt
--vae_chunk_size 32 --vae_spatial_tile_sample_min_size 128
--text_encoder1 path/to/ckpts/text_encoder
--text_encoder2 path/to/ckpts/text_encoder_2
--seed 1234 --lora_multiplier 1.0 --lora_weight path/to/lora.safetensorsその他のオプションはpython src/musubi_tuner/hv_generate_video.py --helpで確認できます。
--fp8を指定すると、DiTがfp8で推論されます。fp8は大きく消費メモリを削減できますが、品質は低下する可能性があります。
RTX 40x0シリーズのGPUを使用している場合は、--fp8_fastオプションを指定することで、高速推論が可能です。このオプションを指定する場合は、--fp8も指定してください。
VRAMが足りない場合は、--blocks_to_swapを指定して、一部のブロックをCPUにオフロードしてください。最大38が指定できます。
--attn_modeにはflash、torch、sageattn、xformersまたはsdpa（torch指定時と同じ）のいずれかを指定してください。それぞれFlashAttention、scaled dot product attention、SageAttention、xformersに対応します。デフォルトはtorchです。SageAttentionはVRAMの削減に有効です。
--split_attnを指定すると、attentionを分割して処理します。SageAttention利用時で10%程度の高速化が見込まれます。
--output_typeにはboth、latent、video、imagesのいずれかを指定してください。bothはlatentと動画の両方を出力します。VAEでOut of Memoryエラーが発生する場合に備えて、bothを指定することをお勧めします。--latent_pathに保存されたlatentを指定し、--output_type video （またはimages）としてスクリプトを実行すると、VAEのdecodeのみを行えます。
--seedは省略可能です。指定しない場合はランダムなシードが使用されます。
--video_lengthは「4の倍数+1」を指定してください。
--flow_shiftにタイムステップのシフト値（discrete flow shift）を指定可能です。省略時のデフォルト値は7.0で、これは推論ステップ数が50の時の推奨値です。HunyuanVideoの論文では、ステップ数50の場合は7.0、ステップ数20未満（10など）で17.0が推奨されています。
--video_pathに読み込む動画を指定すると、video2videoの推論が可能です。動画ファイルを指定するか、複数の画像ファイルが入ったディレクトリを指定してください（画像ファイルはファイル名でソートされ、各フレームとして用いられます）。--video_lengthよりも短い動画を指定するとエラーになります。--strengthで強度を指定できます。0~1.0で指定でき、大きいほど元の動画からの変化が大きくなります。
なおvideo2video推論の処理は実験的なものです。
--compileオプションでPyTorchのコンパイル機能を有効にします（実験的機能）。tritonのインストールが必要です。また、WindowsではVisual C++ build toolsが必要で、かつPyTorch>=2.6.0でのみ動作します。--compile_argsでコンパイル時の引数を渡すことができます。
--compileは初回実行時にかなりの時間がかかりますが、2回目以降は高速化されます。
--save_merged_modelオプションで、LoRAマージ後のDiTモデルを保存できます。--save_merged_model path/to/merged_model.safetensorsのように指定してください。なおこのオプションを指定すると推論は行われません。
SkyReels V1のT2VとI2Vモデルがサポートされています（推論のみ）。
モデルはこちらからダウンロードできます。モデルを提供してくださったKijai氏に感謝します。skyreels_hunyuan_i2v_bf16.safetensorsがI2Vモデル、skyreels_hunyuan_t2v_bf16.safetensorsがT2Vモデルです。bf16以外の形式は未検証です（fp8_e4m3fnは動作するかもしれません）。
T2V推論を行う場合、以下のオプションを推論コマンドに追加してください：
--guidance_scale 6.0 --embedded_cfg_scale 1.0 --negative_prompt "Aerial view, aerial view, overexposed, low quality, deformation, a poor composition, bad hands, bad teeth, bad eyes, bad limbs, distortion" --split_uncondSkyReels V1はclassifier free guidance（ネガティブプロンプト）を必要とするようです。--guidance_scaleはネガティブプロンプトのガイダンススケールです。公式リポジトリの推奨値は6.0です。デフォルトは1.0で、この場合はclassifier free guidanceは使用されません（ネガティブプロンプトは無視されます）。
--embedded_cfg_scaleは埋め込みガイダンスのスケールです。公式リポジトリの推奨値は1.0です（埋め込みガイダンスなしを意味すると思われます）。
--negative_promptはいわゆるネガティブプロンプトです。上記のサンプルは公式リポジトリのものです。--guidance_scaleを指定し、--negative_promptを指定しなかった場合は、空文字列が使用されます。
--split_uncondを指定すると、モデル呼び出しをuncondとcond（ネガティブプロンプトとプロンプト）に分割します。VRAM使用量が減りますが、推論速度は低下する可能性があります。--split_attnが指定されている場合、--split_uncondは自動的に有効になります。
他の推論環境（DiffusersやComfyUI）で使用可能な形式（Diffusion-pipe または Diffusers と思われる）への変換は以下のコマンドで行えます。
python src/musubi_tuner/convert_lora.py --input path/to/musubi_lora.safetensors --output path/to/another_format.safetensors --target other--inputと--outputはそれぞれ入力と出力のファイルパスを指定してください。
--targetにはotherを指定してください。defaultを指定すると、他の形式から当リポジトリの形式に変換できます。
Wan2.1およびQwen-Imageも対応済みです。Diffusersで推論する場合、--diffusers_prefix transformers が追加で必要かもしれません。
sdbds氏によるWindows対応のSageAttentionのwheelが https://github.com/sdbds/SageAttention-for-windows で公開されています。triton をインストールし、Python、PyTorch、CUDAのバージョンが一致する場合は、Releasesからビルド済みwheelをダウンロードしてインストールすることが可能です。sdbds氏に感謝します。
参考までに、以下は、SageAttentionをビルドしインストールするための簡単な手順です。Microsoft Visual C++ 再頒布可能パッケージを最新にする必要があるかもしれません。
-
Pythonのバージョンに応じたtriton 3.1.0のwhellをこちらからダウンロードしてインストールします。
-
Microsoft Visual Studio 2022かBuild Tools for Visual Studio 2022を、C++のビルドができるよう設定し、インストールします。（上のRedditの投稿を参照してください）。
-
任意のフォルダにSageAttentionのリポジトリをクローンします。
git clone https://github.com/thu-ml/SageAttention.git
-
スタートメニューから Visual Studio 2022 内の
x64 Native Tools Command Prompt for VS 2022を選択してコマンドプロンプトを開きます。 -
venvを有効にし、SageAttentionのフォルダに移動して以下のコマンドを実行します。DISTUTILSが設定されていない、のようなエラーが出た場合は
set DISTUTILS_USE_SDK=1としてから再度実行してください。python setup.py install
以上でSageAttentionのインストールが完了です。
--attn_modeにtorchを指定する場合、2.5.1以降のPyTorchを使用してください（それより前のバージョンでは生成される動画が真っ黒になるようです）。
古いバージョンを使う場合、xformersやSageAttentionを使用してください。
このリポジトリは非公式であり、公式のHunyuanVideoリポジトリとは関係ありません。また、このリポジトリは開発中で、実験的なものです。テストおよびフィードバックを歓迎しますが、以下の点にご注意ください：
- 実際の稼働環境での動作を意図したものではありません
- 機能やAPIは予告なく変更されることがあります
- いくつもの機能が未検証です
- 動画学習機能はまだ開発中です
問題やバグについては、以下の情報とともにIssueを作成してください：
- 問題の詳細な説明
- 再現手順
- 環境の詳細（OS、GPU、VRAM、Pythonバージョンなど）
- 関連するエラーメッセージやログ
コントリビューションを歓迎します。ただし、以下にご注意ください：
- メンテナーのリソースが限られているため、PRのレビューやマージには時間がかかる場合があります
- 大きな変更に取り組む前には、議論のためのIssueを作成してください
- PRに関して：
- 変更は焦点を絞り、適度なサイズにしてください
- 明確な説明をお願いします
- 既存のコードスタイルに従ってください
- ドキュメントが更新されていることを確認してください
hunyuan_modelディレクトリ以下のコードは、HunyuanVideoのコードを一部改変して使用しているため、そちらのライセンスに従います。
wanディレクトリ以下のコードは、Wan2.1のコードを一部改変して使用しています。ライセンスはApache License 2.0です。
frame_packディレクトリ以下のコードは、frame_packのコードを一部改変して使用しています。ライセンスはApache License 2.0です。
他のコードはApache License 2.0に従います。一部Diffusersのコードをコピー、改変して使用しています。