【概要】 ・LTX API (Rest API) を使って 　ローカルで動画を生成するツールです。 ・今のところは、 　「ComfyUI」の使い方がわかりにくい 　という人向けの簡単なツールです。 ・基本的にはLTX用ですが、Wanのモデルも使えます。 ・クラウドAPIと違って課金なし。 ・プロンプト作成を補助するLLM （llama.cpp / Ollama）との連携機能も搭載。 《 セットアップの手順 》 ・setup.batをダブルクリックすると、 　必要なライブラリなどのインストールが始まります。 ・モデルだとかを含めると、20GBぐらいになります。 ・不要になったらフォルダごと消すだけでOK。 ・ComfyUIをすでにインストールされている方は、 　設定画面で、ComfyUIの実行ファイルへのパスを 　指定するだけでも使えます。 ・プロンプト翻訳にLLM（llama.cppやOllama）を使用する場合は、 　事前にそれぞれの実行ファイルやモデル（GGUF等）をご用意ください。 ⚠️ 事前準備：Hugging FaceアカウントとGemmaの利用承諾（必須） ・モデルの自動ダウンロードを行うにあたり、 　テキストエンコーダである「Gemma-2-2b-it」は 　Googleの規約により利用承諾（ライセンス同意）が必須の 　ゲートモデルとなっています。 ・従って、このモデルファイルに関しては 　手動でダウンロードする必要があります。 ・手順は以下のとおりです。↓（ver.1.7以降は必須） (1) Hugging Face で、アカウントを作成して下さい。（無料）↓ 　https://huggingface.co/ (2) Gemma-2-2b-it のページ にアクセスし、 　規約に同意（Agree）する。↓ 　https://huggingface.co/google/gemma-2-2b-it (3) Hugging Faceの「Settings」→「Access Tokens」から、 　トークン（Read権限）を発行してコピーしておく。↓ 　https://huggingface.co/settings/tokens ・ズラッと並んだ英語の項目のうち、 　見るべきは 「Repositories」というセクションだけです。 ・「Read（読み取り）」に関する項目だけにチェックを入れてください。 ✅ Read access to contents of all public gated repos you can access （アクセスを許可されたパブリックモデルのデータを読み取る権限） 【チェックしてはいけない項目】 ・以下の単語が含まれているものは、 　すべてチェックなし（空欄）のままで大丈夫です。 ❌ Write（書き込み・アップロードする権限） ❌ Manage または Delete（設定を変更したり削除したりする権限） ❌ Inference または Billing（有料の推論APIを使ったり、支払いに関する権限） (4) Hugging Faceへのログイン設定を行う 4-1.　login_huggingface.bat をダブルクリックして実行してください。 4-2.　黒い画面が立ち上がり、トークンを入力: と表示されます。 4-3.　先ほどコピーした hf_ から始まるトークンを、 　　　右クリックで貼り付けてください。 　　（※今度は貼り付けた文字が画面にしっかり表示されます） 4-4.　トークンが正しく貼り付けられたことを確認し、 　　　Enterキー を押します。 4-5.　「Login successful」と表示されれば完了です。 　　　画面の指示に従ってウィンドウを閉じてください。 ※ これを行わないと、 　setup.bat でのモデル自動ダウンロード時にエラーとなり、 　動画生成ができません。 ※ すでに以前のバージョンをご利用中の方は、 　最新の setup.bat を再度ダブルクリックするだけで、 　自動的に新しい環境にアップデートされ、 　不足しているモデルもダウンロードされます。 ■「Movie Generator」は、　最新のAIモデル（LTX-2.3 / Wan 2.2）を統合し、　テキストや画像から高品質な動画を生成するだけでなく、　「音声駆動（Audio-Driven）」によるキャラクターのリップシンク　（口パク）と自然な表情変化をローカル環境で実現しました。 高度なリップシンク（LTX Audio / IA2V）: ・参照画像と音声ファイルを指定するだけで、　LTX-2.3のTwo-Stageパイプラインが音声の波形を読み取り、　息継ぎや口の形まで音声に完全に同期した動画を生成します。 ゼロからの生命吹込み（Omnivoice連携）: ・音声ファイルが手元になくても問題ありません。「音声プロンプト」を入力すれば、　内部でOmnivoiceがテキストを音声（TTS）に変換し、　そのままシームレスに動画のリップシンク駆動へと繋げます。 シームレスな長尺対応: ・メモリの限界を超える長尺動画も自動でセグメント分割。・映像チャンクの生成と音声セグメントの切り出しを並行して行い、　最終的にFFmpegで劣化なく完璧に結合（mux）します。 プロキシ（高速プレビュー）出力: ・本番出力前に、　超高速（ultrafast）＆低解像度で　タイムライン全体をレンダリングし、　トランジションや音声のタイミングを素早く確認できる　プレビュー機能を搭載。 シンプルでユーザーフレンドリーなUI： ・生成して終わりではなく、 　　ドラッグ＆ドロップ対応の　本格的なタイムラインと「ツリービュー」を搭載しています。　 　・Movie（作品全体）＞Scene＞Shot の階層構造で　プロンプトを管理。 　 ・タイムライン上での動画結合、　トランジション（効果）の自動調整、　クリップの途中からの「続きの生成（I2V）」など、　高度な編集機能により、 　　アイデア出しから　最終的な一本の動画の書き出しまで、 　　本ソフトのみで完結するワークフローを提供します。 ・作品全体のプロンプトを、　まとめて自動生成する機能を備えています。 ・お気に入りのプロンプトや生成動画を　階層化して保存できるライブラリ機能や、　llama.cpp / Ollama連携による　「自然言語からのJSONプロンプト自動翻訳」、　就寝中に大量の動画を自動生成できるツリー一括バッチ機能など、 　　生産性を最大化するための機能が 網羅されています。 📘 ユーザーマニュアル ■動画生成サーバー ・動画の生成には、LTX APIのサーバーを起動して行う方式と、　ComfyUI APIのサーバーを起動して行う方式とがあります。 ・ComfuUIをすでにダウンロードされている場合は、　それを利用するのがベストかと思います。 ・いずれにしても、モデルファイルなどを含めて、　10～20GB程度のディスク容量が必要になります。 ・動画生成に関しては、サーバーの実行ファイルのパスを　設定画面で設定する必要はありません。 ■テキスト生成サーバー ・プロンプトの生成や、翻訳で使用します。・llama.cppのサーバーを起動して行う方式と、　Ollamaのサーバーを起動して行う方式とがあります。 ・設定画面で、サーバーの実行ファイルのパスと、　使用するモデルファイルのパスを入力しておく必要があります。　（ollamaの場合は、ollama側でダウンロードしたモデル名を入力。） ■LTX と WAN の違い 【得意分野】　　LTX-2.3　…実写・アニメ問わず安定した動き。IA2Vに極めて強い。　　Wan 2.2　…複雑なモーション、非常に高い表現力。【音声に合わせた動画生成】 　　LTX-2.3　…　◎ (ネイティブ対応)　　　　　　　　　・公式の A2VidPipeline により、　　　　　　　　　　単一ノード/APIで画像と音声を同時処理。　　　　　　　　　・リップシンク精度が高い。　　Wan 2.2　…　△ (ワークフロー依存)　　　　　　　　　・Wan自体は音声を直接読まないため、　　　　　　　　　　ComfyUIで InfiniteTalk 等の外部ノードを　　　　　　　　　　組み合わせる必要がある。 【動画に合わせた音声生成】 　　LTX-2.3　…　◎ (Omnivoice連動)　　　　　　　　　・テキストから音声を生成し、　　　　　　　　　　それを動画のシードにする。　　Wan 2.2　…　〇 (Omnivoice連動)　　　　　　　　　・音声生成自体は可能。　　　　　　　　【動作の重さ】 　　LTX-2.3　…　比較的軽量。　　Wan 2.2　…　非常に重い（14Bクラス）。 3. 巨大なモデルを使用可能にする拡張設定 ★VRAM節約　 (Offload Model / enable_model_cpu_offload()) 意味: ・AIモデル全体をVRAMに載せっぱなしにせず、　推論の「今使っているパーツ」だけをGPUに送り、　使い終わったらシステムRAMに戻す機能です。 ★データ型の最適化 (Convert Dtype / fp8変換) 意味: ・通常の16ビット浮動小数点（fp16 / bfloat16）のモデルウェイトを、　さらに小さい8ビット（fp8）に変換して計算します。 効果: ・画質の劣化を最小限に抑えつつ、VRAM消費を半減させます。・Wanのような巨大モデルでは必須です。 ★テキストエンコーダをCPU化 (T5 CPU) 意味: ・プロンプトを理解する「T5」という部品　（これだけでも数GBのVRAMを食う）の計算を、　GPUではなくCPUで行います。 効果: ・VRAMを大きく確保し、　その分を動画生成（U-Net / DiT）に回せます。・生成開始まで少し待たされます。 ★音声同期を有効にする (IA2V / TTS生成) 意味: ・これにチェックを入れると、　LTX APIに対して audio_path が送信され、　モデルが「画像」だけでなく　「音声の波形」も読み込んで　動画の動き（口の動きなど）を決定するようになります。 ■ベストな画質と速度を出すためのコツ ・RTX 3060（12GB）のポテンシャルを最大限に引き出す推奨設定です。 ★LTX-2.3 でのリップシンク動画生成 (最適解) バックエンド: 　RestAPI。 (軽量かつ高速です) 解像度: 　848x480 (16:9) 　　　　（12GB VRAMで最も安定し、品質が担保される解像度です。　　　　　HD以上はComfyUIでのfp8運用が必須になります） ステップ数 (Steps): 　20　　　　　　　　　（LTXのTwo-Stageパイプラインは非常に優秀で、　　　　　　　　　　15〜20で十分な高品質が得られます。　　　　　　　　　　これ以上上げても速度が落ちるだけで変化は薄い。）CFGスケール: 　3.0 〜 3.5 　　　　　　　（これより高いと動画が破綻したり、色が焼ける。）VRAM節約フラグ: 　全て「オン」推奨。（特にOffload Model）音声のコツ: 　入力する音声は、BGMや環境音のないクリアな声　　　　　　（ボーカルのみ）を使用してください。　　　　　　　ノイズが混ざると、モデルがそれを「口の動き」と誤認して　　　　　　　唇が震える原因になります。 ★Wan 2.2 を使う場合 　バックエンド: 　ComfyUI (API) 必須。　・Wanモデルは非常に重いため、　　RestAPIでの直動は推奨しません。 　・ComfyUI側でfp8変換ワークフロー　　（workflowsフォルダ内のJSON）をしっかり組んで　　呼び出すのがベストです。