Qwen AI動画生成とは?アリババのWanモデルの仕組み
「Qwen AI動画生成」で検索する人は多いものの、アリババの動画モデルの名前はWanです。QwenとWanの違い、Wan 3.0とWan 2.6でできること、VIBEでの試し方を紹介します。

執筆 Vincent Park
公開日

多くの人が探しているQwen AI動画生成の正体は、実はWanです。Qwenはアリババの言語モデルのファミリーで、Wanはそれとは別の動画モデルのファミリーであり、両者は同じクラウドプラットフォームで並べて提供されています。2026年11月時点で、VIBEではWanを2つ使えます。Wan 2.6はログイン不要で無料、Wan 3.0はプレミアムプランです。このガイドでは、違い、スペック、効果的なプロンプトを解説します。
ひとことで言うと
Qwen AI動画生成は、アリババのWan動画モデルを指してよく使われる検索語です。Qwenは同社の言語モデルのファミリー、Wan(Tongyi Wanxiang)はテキストから動画、画像から動画を作るモデルのファミリーです。
Qwen AI動画生成とは?
「Qwen AI動画生成」という名前の単一の製品はありません。この言葉は、アリババのAI動画モデルを指す呼び方として使われています。Qwenがアリババのもっとも有名なAIブランドで、動画モデルもその隣で提供されているためです。動画モデル自体はWan(Tongyi Wanxiangの略)と呼ばれ、テキストのプロンプトや静止画から短い動画クリップを作ります。最新のプレミアムモデルはWan 3.0ガイドで詳しく解説していますが、この記事ではファミリー全体の関係を整理します。
Wanが広く知られるようになったのは2025年2月、アリババクラウドがWan 2.1をオープンソース化したときです。140億と13億パラメータの2サイズが公開されました。Wan 3.0は2026年8月に、ホスト型のクローズドモデルとして登場しました。そのため現在は、重みをダウンロードするのではなく、アプリやAPI経由で使うのが一般的です。

QwenとWanの違いは?
Qwenは言語用、Wanは動画用です。Qwenはアリババの大規模言語モデルのファミリーで、チャット、コーディング、推論に使われます。Wanはアリババの通義ラボによる別系統の動画生成モデルで、動き、カメラワーク、ライティングの表現を得意とします。アリババは両方を同じクラウドプラットフォームで提供しているため、一方を検索するともう一方にたどり着くことがよくあります。
| Qwen | Wan | |
|---|---|---|
| 作るもの | テキスト、コード、回答 | テキストや画像からの動画クリップ |
| 開発元 | アリババ | アリババ(Tongyi Wanxiang) |
| 主な入力 | 言葉 | 言葉と画像。Wan 3.0は音声、動画、ドキュメントにも対応 |
| VIBEでは | VIBEのモデルではありません | Wan 3.0(プレミアム)とWan 2.6(無料) |
動画を作りたいなら、探すべきなのはQwenではなくWanです。モデル選択画面にWan 2.6やWan 3.0と表示されていれば、それが人々の言うアリババの動画生成モデルです。Qwenという名前も、同じ会社と同じクラウドの仕組みを指す目印としては役立ちますが、完成した動画に表示されることはありません。
Wanはテキストや画像からどのように動画を生成する?
Wanは拡散モデルをベースにした動画モデルです。ノイズから始めて、プロンプトに合うクリップになるようフレームごとに整えていきます。参照画像から始めることもでき、その場合は最初のフレームが自分の画像になります。実際に調整できるのは、被写体、動き、カメラ、ライティングの4つです。Wanは安定した連続ショットが得意なので、出来事を並べるより、はっきりした1つの動きを描写するほうがうまくいきます。
- テキストから動画:1〜2文でシーンを説明すると、Wanが映像にします。
- 画像から動画:写真をアップロードして動きを説明すると、Wanが画像の雰囲気を保ったままアニメーション化します。
- 参照ベース(Wan 3.0):新しいモデルは複数の画像、音声クリップ、動画を入力にでき、キャラクターや商品、声を固定できます。
ここから、実用的なポイントがいくつか見えてきます。1つの連続した動きを描くプロンプトは、カットだらけのプロンプトよりまとまりやすくなります。画像から動画は、動きの前に画像が見た目を決めるため、テキストのみより顔、商品、色が安定します。短いクリップは繰り返しの試行が安上がりなので、素早く下書きを何度も作り、最後に丁寧に仕上げるのが賢い進め方です。写真と同じで、まず構図と光を決めるために試し撮りを十数枚撮り、そのあとで本命に力を注ぎます。

Wan 2.1からWan 3.0へ、どう進化した?
Wanは急速に進化してきました。主な節目を見ると、いまのファミリーが無料の下書き用モデルと、長いショット向けのプレミアムモデルを併せ持つ理由がわかります。
- 2025年2月、Wan 2.1:アリババクラウドが14Bと1.3Bのサイズでオープンソース化し、開発者が自分で動かせるようになりました。
- 2025年7月、Wan 2.2:再び重みを公開したリリースで、発表時の報道によれば、この形で出したアリババ最後のフラッグシップです。
- 中間バージョン:その後もいくつかのリリースがあり、VIBEで無料のWanモデルであるWan 2.6もその1つです。
- 2026年8月、Wan 3.0:ホスト型のクローズドモデルで、クリップを30秒まで延ばし、マルチモーダル入力を追加しました。
2026年11月時点で、VIBEにはファミリーから2つのモデルがあります。Wan 2.6は無料で、720p、約8秒のクリップを作れます。Wan 3.0は2026年8月に登場し、最大1080pで1回に最長30秒をレンダリングでき、テキスト、画像、音声、動画、さらにはドキュメントまで入力にできます。
| Wan 2.6 | Wan 3.0 | |
|---|---|---|
| VIBEでのプラン | 無料 | プレミアム |
| 解像度 | 720p | 最大1080p |
| クリップの長さ | 約8秒 | 最大30秒 |
| 画像から動画 | 対応 | 対応 |
| 入力 | テキストと画像 | テキスト、画像、音声、動画、ドキュメント |
| 向いている用途 | 素早い無料テスト | 参照付きの長いショット |
この表はモデル自体の仕様です。アプリで実際に使えるオプションはVIBEのモデル選択で確認できます。いずれにせよ、下書きは無料モデルで作り、プレミアムのクレジットは最終テイクにだけ使うのが賢い方法です。
試す価値のあるWanのプロンプトは?
Wanは、ショットの説明のように書かれたプロンプトにもっともよく反応します。被写体、1つの動き、カメラワーク、光の順です。1つのプロンプトは1シーンにとどめ、1回に1つの要素だけ変えて効果を確かめましょう。見た目にこだわるなら、レンズやカメラの高さを書き、ネオンサイン、窓の光、ゴールデンアワーのように光源も指定します。VIBEにそのまま貼れるプロンプトを、作業スタイル別に3つ紹介します。
“A street cook flips noodles in a wok at night, flames rising, steam drifting through neon signs, slow push-in from the front, shallow depth of field.”
“A woman walks through a quiet greenhouse at golden hour, touching leaves as she passes, the camera follows steadily from behind at shoulder height, dust floating in warm sunbeams, one continuous 20-second take.”
“Using the uploaded photo of a coffee cup on a wooden table: gentle steam rises, soft morning light shifts across the table, tiny camera push-in, no other movement.”

期待外れになったWanのクリップは、たいてい同じ4つの失敗が原因で、どれも簡単に直せます。
- 出来事が多すぎる。8秒のクリップに3つの動きを入れると、たいてい1つにぼやけます。動きは1つに絞りましょう。
- カメラの指定があいまい。cinematicだけでは情報が少なく、slow push-in at eye levelのようにWanが追える指示にします。
- 一度にすべて変える。1回に1要素だけ変えて、各言葉の効果を学びましょう。
- 参照画像を使わない。特定の顔、商品、服装が必要なら、写真から始めます。
どのWanモデルを使えばいい?
- どのアイデアもまずWan 2.6で始めます。無料なので、構図と光が決まるまで何度でも試せます。
- 約8秒より長いショットが必要になったらWan 3.0へ。連続した歩行や、ゆっくりした商品の見せ方などが当てはまります。
- すでに商品写真やポートレートなど見た目がある場合は、動きだけを足す画像から動画を使います。
- 同じプロンプトをSeedance Pro FastやKling 3など別のモデルで試し、チャンネルに合う見た目を比べます。
全体像を知りたい方は、WanをKling、Seedance、Hailuo、PixVerseと比較した中国発AI動画生成モデルのガイドもご覧ください。

VIBEでWanは無料で使える?
Wan 2.6は無料、Wan 3.0は有料です。Wan 2.6はVIBEの無料プランにあり、最初のクリップはログインもカードも不要です。Wan 3.0はプレミアムです。すべてのモデルはVIBEのモデル選択で確認でき、詳細はWanのモデルページ、最初のクリップの作り方は使い方の手順で数分で進められます。
補足です。VIBEのモデル一覧にあるのはWanの動画モデルで、Qwenの言語モデルではありません。Qwen AI動画生成を探していたなら、必要なのはWanで、ワンタップで使えます。VIBEを開き、Wan 2.6を選んで、上のプロンプトのどれかを貼ってみてください。1回の生成で、あいまいなアイデアと演出されたショットの違いがわかります。
よくある質問
QwenはAI動画生成ツールですか?
いいえ。Qwenはアリババの言語モデルのファミリーです。アリババの動画生成モデルはWanなので、Qwen AI動画生成を探している人の多くは、実際にはWanを求めています。
QwenとWanの違いは何ですか?
Qwenはテキスト、コード、回答を作り、Wanはテキストや画像から動画を作ります。どちらもアリババのもので、同じクラウドプラットフォームで提供されています。
Wan AI動画生成は無料ですか?
VIBEではWan 2.6が無料で、ログインも不要です。Wan 3.0はVIBEのプレミアムプランです。2026年11月時点ではこの区分です。
Wan 3.0の動画はどれくらい長くできますか?
Wan 3.0は1回の生成で最長30秒、最大1080pでレンダリングできます。VIBEの無料モデルのWan 2.6は、720pで約8秒のクリップを作ります。
Wanは写真を動画にできますか?
はい。Wan 2.6もWan 3.0も画像から動画に対応しており、写真をアップロードして動きを説明するだけです。
Wanは音声を生成しますか?
VIBEのWan 2.6は音声を生成しません。Wan 3.0は音声を入力として受け付け、発表時の報道では音声出力にも触れられています。アプリで現在使えるものはモデル選択で確認してください。
Wanはオープンソースですか?
Wan 2.1とWan 2.2は重みを公開して発表されました。Wan 3.0はホスト型のクローズドモデルで、アプリやAPI経由で使います。
今日から AI動画 を作り始めよう
iOSとAndroidでVIBEを無料ダウンロード。ログイン不要。10種類以上のAI動画モデルにアクセスし、テキストプロンプトや画像から動画を生成できます。

