AI ショートドラマ制作向けクラウド GPU
ショートドラマは、同じキャラクターが数十本の短いショットに登場し、それがエピソードごとに続くものです。 CloudGPU では ComfyUI 付きの GPU を 1 分単位で借り、1 エピソード分のショットを生成してコピーしたら、インスタンスを破棄します。課金は 1 分単位で 1 分から、インスタンスを破棄すると止まります。
1 エピソードのワークフロー
- キャラクターを固める。 20–40 枚の参考画像からキャラクター LoRA を一度学習し、すべてのエピソードで使い回せば、顔や衣装が変わりません。musubi-tuner で Wan 2.2 の LoRA を学習する方法（英語）を参照してください。
- ショットを生成する。 ComfyUI の Wan 2.2 は、プロンプトまたは先頭フレームから 5 秒のクリップを作ります。縦型 9:16 も同じ手順で、latent ノードの幅と高さを入れ替えるだけです。クラウド GPU の ComfyUI で Wan 2.2 を動かす方法を参照してください。
- 音声とリップシンクを付ける。 セリフは CosyVoice 3 か IndexTTS-2.5 で作り、LatentSync か MuseTalk で口の動きを合わせます。
- アップスケールして編集する。 SeedVR2 か Real-ESRGAN でアップスケールし、いつもの編集ソフトでエピソードを仕上げます。
各工程にどのカードが合うかは、AI 映像・動画制作：どの工程にどのカードを使うかにまとめています。
完成動画 1 分あたりのコスト
2026-11-04 に RTX 4090 1 枚と ComfyUI で実測した結果です（設定は RTX 5090 ベンチマークガイドを参照）。
| モデルと出力 | 5 秒クリップ 1 本あたりの GPU 時間 | 完成動画 1 分あたりの GPU 費用 |
|---|---|---|
| Wan 2.2 TI2V-5B、1280×704、20 ステップ | 169–175 秒 | 約 $0.23（GPU 35 分） |
| Wan 2.2 T2V-A14B FP8、832×480、20 ステップ | 354–361 秒 | 約 $0.47（GPU 72 分） |
クリップ 1 本の GPU 時間をクリップの長さで割って 60 秒を掛け、RTX 4090 の料金 $0.39/時間（2026-11-07 17:04 (UTC+8) 時点）で計算しています。ショートドラマには撮り直しがつきものなので、1 ショットにつき複数テイク分の予算を見ておいてください。モデルのダウンロードと待機時間は別です。
Wan 2.1 と 2.2 は Apache 2.0 で公開されているため、これらで作ったクリップは商用利用できます。ワークフローに追加するほかのモデルは、それぞれのライセンスを確認してください。
MiniMax H3：ネイティブ音声付きの動画
MiniMax H3 は映像と音声を一緒に生成します。/deploy の MiniMax H3 (ComfyUI) テンプレートは、インスタンスの引き渡し後に H3 のファイルをダウンロードし、サンプルのワークフローを追加します。RTX 4090 48G 1 枚での私たちのテスト（1344×768、24 fps、int8 のファイル、4 ステップの turbo LoRA）では、モデル読み込み後の 5 秒クリップに 85–87 s かかりました。完成動画 1 分あたりの GPU 費用にすると約 $0.20 です。詳しくは MiniMax H3 にはどの GPU が必要かを参照してください。H3 の重みは MiniMax H3 Community License で提供されており、オープンソースライセンスではありません。重みを使う前、または作ったものを公開する前に読んでください。
素材をマシンに上げる・マシンから取り出す
- 参考画像や台本のアップロードは、JupyterLab のアップロードボタンか、SSH 経由の
scp/rsyncで行います。 - モデルの取得は、
cloudgpu-net onを実行してから Hugging Face や GitHub から行います（ガイド）。 - 重みが収まらない場合は、 インスタンスを起動する前に /deploy でより大きなシステムディスクを選んでください。ディスクを大きくすると 1 時間あたりの料金が加算されます。
- インスタンスを破棄する前に、完成したクリップをコピーしてください。 破棄するとデータは削除されます。
スクリプトから 1 エピソード分をまとめてキューに入れる
ComfyUI テンプレートでは、インスタンスの稼働中、ComfyUI の API 用の公開 HTTPS エンドポイントが付きます。ワークフローを API 形式でエクスポートし、ショットごとにそのショットのプロンプトとシードを付けて POST /prompt を 1 回送り、GET /history/{prompt_id} で状態を確認し、GET /view で各クリップをダウンロードします。エンドポイントにログインは付かないため、必要なら自分で追加してください。
よくある質問
AI ショートドラマにはどの GPU を借りればよいですか？
まずは RTX 4090 で、ComfyUI の Wan 2.2 TI2V-5B と 14B の FP8 ファイルを動かしてみてください。私たちのテストでは、どちらも RTX 4090 1 枚で動き、VRAM のピークは約 21 GB でした。より長いクリップ、より高い解像度、LoRA の学習には、VRAM の多いカードを選んでください。いま起動できるカードは /deploy に表示されます。
完成動画 1 分あたりのコストはどれくらいですか？
RTX 4090 でのテストでは、1280×704 の Wan 2.2 TI2V-5B が完成動画 1 分あたり約 35 GPU 分、832×480 の Wan 2.2 14B FP8 が約 72 GPU 分でした。これに料金ページにある RTX 4090 の現在の料金を掛けてください。撮り直しの分はさらに加わります。
縦型 9:16 の動画は作れますか？
はい。Wan の latent ノードで幅と高さを逆に設定します。たとえば 1280×704 の代わりに 704×1280 にします。
エピソードをまたいでキャラクターを一貫させるには？
キャラクター LoRA を一度学習し、各ショットのワークフローで読み込みます。プロンプトでは同じトリガーワードと同じ衣装の説明を使い続けてください。
動画は商用利用できますか？
Wan 2.1 と 2.2 は Apache 2.0 です。音声、リップシンク、アップスケールの重みなど、ワークフロー内のほかのモデルにはそれぞれ独自のライセンスがあり、非商用のものもあります。公開する前にそれぞれを読んでください。
料金は https://cloudgpu.app/ja/pricing に掲載しており、ここでは繰り返しません。起動できるカードは https://cloudgpu.app/ja/deploy でご確認ください。