ModelTC / LightX2V チーム(論文: Shiqiao Gu ら)/2026-10
動画生成AIの最後の工程である「潜在表現→映像に戻す処理(VAEデコード)」を、画質をほぼ保ったまま最大約3倍速くする軽量版VAEと、ComfyUI用ノード。
動画生成AIは、まず圧縮された暗号のようなデータ(潜在表現)を作り、最後にそれを実際の映像へ展開します。LightVAEはこの展開役を小さく作り直し、MiniMax-H3では元の約2.97倍、Wan系でもH100で最大2.24倍の速さでデコードできると論文は報告しています。品質指標(VBench-2.0)は元モデルの99.51%を維持。広告・映像制作では、1案ごとの生成待ち時間が縮むので、同じ夜に試せるカット数やクライアント向けの比較案が増やせます。コンテやモックアップ用に何十本も短いクリップを回す場面や、ComfyUIで生成→確認→修正を繰り返す場面で、GPUを増やさずに回転を上げる助けになります。
仕組み:動画VAEの重い部分は、時間をまたいで計算する3次元の畳み込みです。LightVAEはこれを「1コマ内の空間の処理」と「前後コマの差分の補正」に分け、時間方向の情報を低ランク(要点だけ残す)で圧縮します。さらに、品質に効きにくい層を取り除く枝刈りを行い、元モデルを先生役にして出力のズレを学習で戻します。引越しの荷物を、使わない物を捨てて小さな箱にまとめ直すイメージです。 従来との違い:VAEの中身(潜在表現の形式)を変えないため、動画生成モデル本体を作り直さず、デコーダだけ差し替えられます。Wan2.1/2.2向けのPro・Lite版、MiniMax-H3向けのエンコーダ/デコーダ個別のLite版が用意されています。 使うには:NVIDIA GPU(論文の計測はH100/H200、RTX 5090でも向上は小さめで最大1.11倍)、ComfyUI、Hugging Faceからの重み取得が必要です。リポジトリのcomfyui/フォルダにH3用ノード(Load H3 LightVAE)とワークフローJSON3種があります。費用は無料(自前GPU)。注意点として、ComfyUIノードは現状H3専用で、Wan系はinfer.pyでの利用になります。
重み(Hugging Face)はApache-2.0表記。GitHubリポジトリ自体にはLICENSEファイルが無い。元のWan/MiniMax-H3 VAEは別ライセンスなので各自確認が必要
Wan系動画モデルをComfyUIで動かす定番ノード集(kijai)
LightVAEが高速化対象とするオープンな動画生成モデル