結論
FramePackとは、1枚の画像と短い文章から動画を作る、手元のパソコンで動かす動画生成AIです。作者の公式リポジトリ(GitHub の lllyasviel/FramePack)が配っている無料のソフトで、README には「NVIDIA の RTX 30・40・50 シリーズ、Linux か Windows、GPU メモリ(VRAM)6GB 以上」と書かれています。
この記事でわかること
- 必要な VRAM・OS・容量と、Windows・Linux の入れ方(README の手順どおり)
- 画面の項目の意味と、秒数からフレーム数・生成時間を出した計算表
- requirements.txt を Python の版ごとに確かめた結果と、つまずきの直し方
FramePack は、動画を「次の区切り(セクション)を予測して、少しずつ伸ばしていく」方式で作ります。これまでに作ったフレームは、新しいものほど細かく、遠いものほど粗く詰めて、毎回同じ長さの入力にします。そのため、動画が長くなっても1回の計算の重さが変わりません。
flowchart TD
A[画像1枚と<br>動きの文章] --> B[文章と画像を<br>数値に変える]
B --> C[次のセクションを予測<br>33フレーム分]
C --> D[これまでのフレームを<br>一定の長さに詰める]
D --> C
C --> E[MP4に書き出す<br>30fps]
よく調べられることの答えを先にまとめます。
| 知りたいこと | 答え | 詳しい節 |
|---|---|---|
| FramePackとは | 画像から動画を作る、ローカルで動かす動画生成AI(無料) | FramePackとは |
| FramePack の VRAM | README の記載は「少なくとも 6GB」。60秒・30fps でも最小 6GB | 必要な環境とVRAM |
| 対応する GPU・OS | NVIDIA RTX 30XX・40XX・50XX。Linux か Windows | 必要な環境とVRAM |
| FramePack の使い方 | 画像を入れ、動きの文章を書き、Start Generation を押す | FramePackの使い方 |
| インストール(Windows) | ワンクリックの 7z を展開し、update.bat → run.bat | Windowsのワンクリック版 |
| 生成にかかる時間 | RTX 4090 で1フレーム 2.5秒(TeaCache で 1.5秒)。60秒の動画なら約75分 | 生成時間の目安とTeaCache |
| F1 との違い | F1 は前へ向かってだけ予測する版。起動するファイルが違う | FramePack-F1との違い |
| Mac で使えるか | README の対応 OS は Linux と Windows だけ | よくある質問 |
確認環境:Ubuntu 24.04 の上で、公式リポジトリ github.com/lllyasviel/FramePack を git 2.43.0 で取得し(2025年10月15日のコミット 97fe5db)、ファイル構成・requirements.txt・demo_gradio.py・demo_gradio_f1.py・bucket_tools.py を Python 3.13.18 の ast モジュールで読んで集計しました(リポジトリのコードは実行していません)。requirements.txt の各パッケージは pip 26.2.1 の --dry-run --only-binary=:all: で、Python 3.10〜3.13 向けに配布ファイルがあるかを確かめました(何もインストールしていません)。秒数・フレーム数・トークン数・生成時間は、ソースコードの式と README の数字を Python で計算しています。このマシンには NVIDIA の GPU が無いため、PyTorch は入れず、モデル(30GB 以上)は取得せず、動画も作っていません。画面の見た目・生成の速さ・VRAM の使われ方は、README・論文(arXiv 2504.12626 v3)・プロジェクトページ・作者が GitHub に書いた案内(Discussions #459・Issues #151)の記載で書いています。図は mermaid で描画を確かめました(確認日 2026年11月16日)。
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「FramePackとは|画像から動画を作るローカルAIの使い方と必要なVRAM」
FramePackとは(画像から動画を作るローカルAI)
この節では、FramePack が何で、誰が作り、どこで配られているのかが分かります。
FramePack は、論文「Frame Context Packing and Drift Prevention in Next-Frame-Prediction Video Diffusion Models」の公式実装で、そのままデスクトップのソフトとしても使えるものです。 README の冒頭は、FramePack を「動画を少しずつ作る、次のフレーム(次のフレームの区切り)を予測するニューラルネットワークの構造」と説明しています。
1画像1枚から動画
左で画像を入れて文章を書き、右に動画が出る(README の GUI の説明)。
2手元の GPU で動く
クラウドのサービスではなく、自分のパソコンで動かすソフト。README は「ノートパソコンの GPU でも、13B のモデルでとても多くのフレームを扱える」と書く。
3長くしても重さが同じ
入力の文脈を一定の長さに圧縮するので、生成の負荷が動画の長さで変わらない、と README は説明する。
作者は Lvmin Zhang 氏で、論文は Maneesh Agrawala 氏らとの共著です。arXiv での最初の公開は2025年4月17日で、今の版は2025年10月14日の第3版です。README の引用欄には NeurIPS 2025 と、最初の論文「Packing Input Frame Contexts in Next-Frame Prediction Models for Video Generation」の2つが載っています。
中では、既存の動画生成モデル HunyuanVideo を元にした 13B(130億パラメーター)のモデルを使います。demo_gradio.py を読むと、取得するモデルは次の3つでした。
| 役割 | コードに書かれたモデルの名前(Hugging Face) |
|---|---|
| 文章の読み取り(2種類)・VAE | hunyuanvideo-community / HunyuanVideo |
| 画像の読み取り(SigLIP) | lllyasviel / flux_redux_bfl |
| 動画を作る本体(通常版) | lllyasviel / FramePackI2V_HY |
| 動画を作る本体(F1) | lllyasviel / FramePack_F1_I2V_HY_20250503 |
画像生成の Stable Diffusion との違いは、別の記事「Stable Diffusionとは|使い方とモデルの種類・seedとCFGを実演」で扱います。FramePack は画像ではなく、動画を作るための仕組みです。
FramePackの仕組み:次のフレームの予測と、文脈の詰め方
この節では、FramePack が少ない VRAM で長い動画を作れる理由が、ソースコードの数字で分かります。
要点は「近いフレームほど細かく、遠いフレームほど粗く」入力に入れることです。 プロジェクトページは、HunyuanVideo で 480p の1フレームが (1, 2, 2) の区切り方ならおよそ 1536 トークン、(2, 4, 4) なら 192 トークンになる、と例を挙げています。ソースコード(hunyuan_video_packed.py)にも、(1, 2, 2)・(2, 4, 4)・(4, 8, 8) の3つの大きさの区切りがありました。
demo_gradio.py の入力の並び(1・空き・9・1・2・16 の潜在フレーム)をもとに、640×608 の画像で、1回の予測に入るトークン数を Python で計算し、「全部のフレームを細かいまま入れた場合」と並べました。1フレームは (1, 2, 2) で1,520トークン、2フレームを (2, 4, 4) でまとめると380トークンです。
| 作り終えたセクション | FramePack の入力 | 全部を細かく入れた場合 | 倍率 |
|---|---|---|---|
| 0(最初) | 17,460 | 15,200 | 0.9倍 |
| 3(約5秒分) | 17,460 | 56,240 | 3.2倍 |
| 10(約12秒分) | 17,460 | 152,000 | 8.7倍 |
| 49(約60秒分) | 17,460 | 685,520 | 39.3倍 |
FramePack の入力は、何セクション作っても 17,460 トークンのままでした。プロジェクトページが「ストリーミングでは O(1) の計算量」と書いているのは、この性質のことです(この表は模型の計算で、FramePack の注意の計算そのものではありません)。
長くすると崩れる問題(ドリフト)への対策
次のフレームを予測する方式では、小さな誤りが積み重なって、だんだん画質が崩れていきます。論文はこれをドリフトと呼び、対策として「終わりを先に決める」「予測する順番を変える」などの方法を挙げています。公開中の通常版のデモ(demo_gradio.py)は、動画の終わり側のセクションから先に作り、最後に最初の画像につながるセクションを作ります。コードの latent_paddings が [3, 2, 2, …, 1, 0] と大きい順に並び、0 のときが最後のセクションです。
必要な環境とVRAM(GPU・OS・容量)
この節では、FramePack を動かすのに要る GPU・VRAM・OS・空き容量が、README の記載どおりに分かります。
| 項目 | README の記載 | 補足 |
|---|---|---|
| GPU | NVIDIA の RTX 30XX・40XX・50XX(fp16 と bf16 に対応したもの) | GTX 10XX・20XX は「試していない」 |
| VRAM | 少なくとも 6GB | 13B のモデルで60秒・30fps(1800フレーム)でも最小 6GB |
| OS | Linux か Windows | Mac の記載は無い |
| Python(Linux) | 独立した Python 3.10 を勧める | Windows のワンクリック版は同梱 |
| ダウンロード量 | Hugging Face から 30GB 以上 | 初回の起動で自動で取得 |
VRAM 6GB で 13B のモデルが動く理由
13B のモデルを bf16(1つの数を2バイト)で持つと、重みだけで 13,000,000,000 × 2 = 約 26GB(24.2GiB)になり、6GB の VRAM には入りません。demo_gradio.py は、空いている VRAM が 60GB を超えるときだけ「High-VRAM Mode」になり、それ以外では、モデルを CPU 側のメモリに置いて、計算に使う部分だけを GPU に移す作り(DynamicSwapInstaller)になっています。
空き VRAM が 60GB 以下(多くのパソコン)
モデルはメインメモリに置き、必要な分だけ GPU へ
VAE は分割(tiling・slicing)してデコード
メインメモリやスワップの速さが効いてくる
空き VRAM が 60GB を超える
「High-VRAM Mode」で全部を GPU に載せる
モデルの出し入れが無い
データセンター向けの GPU などが当たる
README はメインメモリ(RAM)の量を書いていません。作者は、速度が README より大きく遅いときの確認として、メモリの速さと、スワップ(メモリが足りないときに使うディスクの領域)が HDD ではなく SSD にあるか、SSD に 100GB 以上の空きがあるか、を挙げています(Issues #151 の作者の書き込み)。手元の VRAM の調べ方と必要量の考え方は、関連記事「VRAMとは|確認方法・必要量の目安とLLMの計算式をPythonで解説」で扱っています。
FramePackのインストール(Windowsのワンクリック版)
この節では、Windows で FramePack を入れて起動するまでの流れが、README の手順どおりに分かります。
公式リポジトリからパッケージを取得する
README の「Click Here to Download One-Click Package (CUDA 12.6 + Pytorch 2.6)」のリンクから、framepack_cu126_torch26.7z を取得する。リンク先は github.com の Releases。
展開する
7z の形式の圧縮ファイルなので、展開できるソフトで展開する。モデルを含めて 30GB 以上になるので、空きの多い SSD に置く。
update.bat で更新する
README は「update.bat を実行することが大事。実行しないと、直っていない不具合のある前の版を使うことになる」と書いている。
run.bat で起動する
初回はモデルが自動で取得される(30GB 以上)。終わるとブラウザで操作する画面が使えるようになる。
画面は Gradio(Python でブラウザの画面を作るライブラリ)で作られています。Gradio の仕組みは、関連記事「Gradioとは|使い方・API呼び出し・Spaces公開をPythonで実演」で扱っています。
FramePackのインストール(Linux)とPythonの版
この節では、Linux で入れるコマンドと、Python の版を README の勧めどおり 3.10 にしたほうがよい理由が、pip で確かめた結果で分かります。
README に載っているコマンドは次のとおりです(引用)。
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
pip install -r requirements.txt
python demo_gradio.py
README は「独立した Python 3.10」を勧めています。requirements.txt の14個のうち11個は == で版が決められていて、その版が新しい Python に対応しているとは限りません。そこで、版を決めた11個について、Linux(x86_64)向けの配布ファイル(wheel)があるかを、インストールせずに pip の dry-run で調べました。
$ python3 -m pip install --dry-run --no-deps --only-binary=:all: --target x numpy==1.26.2
ERROR: Could not find a version that satisfies the requirement numpy==1.26.2 (from versions: 2.1.0, 2.1.1, ...)
ERROR: No matching distribution found for numpy==1.26.2
| パッケージ | Python 3.10 | 3.11・3.12 | 3.13 |
|---|---|---|---|
| numpy==1.26.2 | あり | あり | 無し |
| scipy==1.12.0 | あり | あり | 無し |
| av==12.1.0 | あり | あり | 無し |
| sentencepiece==0.2.0 | あり | あり | 無し |
| 残りの7個(gradio==5.23.0 など) | あり | — | あり |
Python 3.13 では4つのパッケージの配布ファイルが無く、ソースからのビルドに進むか、エラーで止まります。README のとおり Python 3.10 の仮想環境を作るのが確実です。
起動のオプションは、demo_gradio.py の argparse に --share・--server・--port・--inbrowser の4つがありました。--server の既定は 0.0.0.0(同じネットワークのほかの機器からも開ける)で、コードの中には「Windows のデスクトップでは --server 127.0.0.1 --inbrowser がよいだろう」という注記があります。自分のパソコンだけで使うなら、127.0.0.1 を指定します。
python demo_gradio.py --server 127.0.0.1 --inbrowser
FramePackの使い方:画面の項目と最初の1本
この節では、FramePack の画面で何を入れ、どの項目を触るとよいのかが分かります。
README の説明は「左で画像を入れて文章を書く。右に、作られた動画と潜在空間のプレビューが出る」です。 項目の名前は、demo_gradio.py に書かれた部品の名前(label)を Python の ast で抜き出したものです。
| 項目(label) | 既定値 | 範囲 | 意味(コードの説明文から) |
|---|---|---|---|
| Image | — | — | 元になる画像 |
| Prompt | 空 | — | 動きを書く文章(英語) |
| Use TeaCache | オン | — | 速くなるが、手や指が少し崩れやすい |
| Seed | 31337 | — | 乱数の種。同じ値なら同じ結果に近づく |
| Total Video Length (Seconds) | 5 | 1〜120 | 作る動画の長さ(秒) |
| Steps | 25 | 1〜100 | 変えることは勧めない、と書かれている |
| Distilled CFG Scale | 10.0 | 1〜32 | 変えることは勧めない、と書かれている |
| GPU Inference Preserved Memory (GB) | 6 | 6〜128 | メモリ不足(OOM)なら大きくする。大きいほど遅い |
| MP4 Compression | 16 | 0〜100 | 小さいほど高画質。0 は無圧縮。黒い動画になるなら 16 |
隠れている項目(Negative Prompt・Latent Window Size など)もあり、コードには「使わない」「変えないこと」と書かれています。
README の Sanity Check から始める
README は、自分の画像の前に、README の画像と文章で同じ結果になるかを試すことを強く勧めている。動画の予測はノイズやハードウェアの小さな違いに敏感なため。
画像を入れ、動きを英語で書く
例:A paper boat floats down a stream, ripples spreading around it. README の型は「主語 → 動き → その他」。
Start Generation を押して待つ
セクションごとに進み具合が出る。README は「1秒くらいの短い動画しか出なくても想定どおり。待てば伸びていく」と書く。
出来上がりを確かめる
動画は outputs フォルダーに MP4 で保存される。セクションを作るたびに、そこまでの長さのファイルが増える作り。
README は、動きの大きいもの(踊る・跳ぶ・走る)のほうが小さな動きより向いている、と書いています。実在の人物や、ほかの作品のキャラクターの画像は使わないようにします。
動画の長さとフレーム数・セクションの計算
この節では、「何秒」と入れたときに、実際に何フレーム・何秒の動画になるのかが、ソースコードの式を計算した表で分かります。
demo_gradio.py では、セクションの数を round(秒数 × 30 ÷ (9 × 4)) で決め、1セクションで33フレームを作ります。最後のセクションには最初の画像の1フレームが足されます。この式をそのまま Python で計算しました。
W = 9 # Latent Window Size の既定値
def plan(sec):
s = int(max(round(sec * 30 / (W * 4)), 1)) # セクション数
lat = W * s + 1 # 潜在フレーム数
frames = lat * 4 - 3 # 出来上がりのフレーム数
return s, lat, frames, frames / 30
for sec in [1, 2, 3, 5, 10, 20, 30, 60, 120]:
print(sec, plan(sec))
| 入れた秒数 | セクション | フレーム数 | 実際の長さ |
|---|---|---|---|
| 1秒 | 1 | 37 | 1.23秒 |
| 2秒 | 2 | 73 | 2.43秒 |
| 3秒 | 2 | 73 | 2.43秒 |
| 5秒(既定) | 4 | 145 | 4.83秒 |
| 10秒 | 8 | 289 | 9.63秒 |
| 30秒 | 25 | 901 | 30.03秒 |
| 60秒 | 50 | 1,801 | 60.03秒 |
| 120秒(最大) | 100 | 3,601 | 120.03秒 |
長さは1.2秒(36フレーム)ずつしか変わりません。2秒と3秒はどちらも2.43秒になり、5秒は4.83秒です。README の「60秒・30fps で1800フレーム」は、計算では1,801フレーム(60.03秒)でした。出力の fps は30で決まっています。
画像の大きさは14種類のどれかにそろう
入れた画像は、bucket_tools.py の14通りの大きさ(縦×横。416×960〜960×416)のうち、縦横比が最も近いものに縮めて切り抜かれます。同じ式で計算しました。
| 入れた画像(横×縦) | そろえられる大きさ(横×縦) | 画素数 |
|---|---|---|
| 1920×1080(横長 16:9) | 832×480 | 399,360 |
| 1024×1024(正方形) | 608×640 | 389,120 |
| 4000×3000(4:3) | 704×544 | 382,976 |
| 3840×2160(4K) | 832×480 | 399,360 |
4K の画像を入れても、832×480 前後(約40万画素)の動画になります。大きな画像を用意しても、出来上がりの解像度は上がりません。
生成時間の目安とTeaCache
この節では、FramePack で動画を作るのにどのくらい時間がかかるのかが、README の速さの数字から計算した表で分かります。
README の数字は「RTX 4090 のデスクトップで1フレーム 2.5秒(最適化なし)、TeaCache で 1.5秒。3070 Ti や 3060 のノートパソコンでは4〜8倍遅い」です。これに30fps のフレーム数を掛けました(GPU の実測ではありません)。
| 動画の長さ | RTX 4090 | RTX 4090+TeaCache | ノート(4〜8倍) |
|---|---|---|---|
| 5秒(150フレーム) | 約6分 | 約4分 | 約25〜50分 |
| 10秒(300フレーム) | 約13分 | 約8分 | 約50〜100分 |
| 30秒(900フレーム) | 約38分 | 約23分 | 約2.5〜5時間 |
| 60秒(1,800フレーム) | 約75分 | 約45分 | 約5〜10時間 |
| 120秒(3,600フレーム) | 約150分 | 約90分 | 約10〜20時間 |
TeaCache の使い方
README は、sage-attention・量子化(bnb・gguf)にも同じ考え方を勧めている
README は、TeaCache は完全には元の結果を保たない、と説明しています。
FramePack-F1との違い
この節では、2025年5月に出た FramePack-F1 が通常版とどう違い、どう起動するのかが分かります。
F1 は「過去のフレームから、未来のフレームだけを予測する」版です。 作者の案内(Discussions #459、2025年5月4日)は、F1 の名前は前に向かって予測すること(forward)を表し、双方向の通常版より制約が少ないので、動きの変化が大きくなる、と説明しています。
通常版(demo_gradio.py)
終わり側のセクションから作り、最初の画像へつなぐ
本体のモデルは FramePackI2V_HY
最初のフレームを毎回の目標にする方式で、画像から動画に向くとプロジェクトページは書く
F1(demo_gradio_f1.py)
最初から順に前へ向かって作る
本体のモデルは FramePack_F1_I2V_HY_20250503
動きの幅が大きく、途中で指示を変える使い方に向くと作者は書く
起動のしかたは、Linux なら python demo_gradio_f1.py、Windows のワンクリック版なら run.bat の中の demo_gradio.py を demo_gradio_f1.py に書き換えます(同じ案内による)。2つのファイルを比べると、起動のオプション・画面の項目・セクション数の式は同じで、違うのは本体のモデルと、セクションを作る順番(F1 は前から順に作る)でした。
FramePackのリポジトリの中身(ファイル構成とrequirements.txtの集計)
この節では、公式リポジトリに何が入っていて、どれくらいの大きさなのかが、取得して集計した結果で分かります。
== 1. ファイル構成
.py files=15 lines= 3282 bytes=121980
.md files= 1 lines= 494 bytes= 16562
LICENSE files= 1 lines= 201 bytes= 11357
.gitignore files= 1 lines= 178 bytes= 3471
.txt files= 1 lines= 15 bytes= 222
total files 19 lines 4170
== 2. requirements.txt
packages 14 pinned 11 unpinned ['einops', 'opencv-contrib-python', 'safetensors']
リポジトリは19ファイル・約4,200行と小さく、本体のモデルの定義は diffusers_helper の models フォルダー、GPU とメインメモリの間の出し入れは memory.py にあります。重いのは初回に取得するモデル(30GB 以上)で、demo_gradio.py は取得先(HF_HOME)をリポジトリの中の hf_download フォルダーに決めています。容量の多いドライブにリポジトリを置く理由はここにあります。
モデルの取得元の Hugging Face のライブラリの基本は、関連記事「Hugging Face transformers入門|pipelineとタスク一覧」で扱っています。
FramePackのライセンスと公式サイトの見分け方
この節では、FramePack の配布の条件と、公式の入手先がどこなのかが、リポジトリの記載どおりに分かります。
リポジトリの LICENSE ファイルは Apache License 2.0 でした。これはリポジトリのコードの条件です。初回に取得するモデル(HunyuanVideo を元にしたもの・画像の読み取りのモデル)は Hugging Face のそれぞれの配布ページに条件が書かれているので、作った動画を仕事や公開に使う前に、提供元の最新の条件と所属先の決まりを確かめます。この記事では、使ってよいかどうかを保証しません。
README は「この GitHub リポジトリが唯一の公式の FramePack のサイトで、Web のサービスは持っていない」と書いています。 framepack.co・framepack.ai などの名前を挙げ、「それらのサイトでお金を払ったり、ファイルを取得したりしないこと」と注意しています。
- 1入手先が github.com/lllyasviel/FramePack かワンクリック版も、README のリンク(GitHub の Releases)から取る
- 2お金を求められていないか公式は無料で配っていて、Web のサービスは無い(README)
- 3モデルの配布ページの条件を読んだかコードの Apache 2.0 とは別に、モデルごとの条件がある
- 4入れる画像に人や作品の権利が関わらないか自分で撮った・作った画像を使うのが確実
FramePackのよくあるエラー/つまずき
この節では、FramePack でよく起きるつまずきと、README・作者の案内に沿った直し方が分かります。
このマシンで出せたエラーは、PyTorch が入っていないときの次の1行です。demo_gradio.py は最初に torch を読み込むので、PyTorch を入れ忘れると同じ形で止まります。
$ python3 -c "import torch"
Traceback (most recent call last):
File "<string>", line 1, in <module>
import torch
ModuleNotFoundError: No module named 'torch'
| 症状 | 考えられる原因 | 直し方 |
|---|---|---|
| No module named 'torch' | PyTorch を入れていない・別の Python で起動した | README の1行目のコマンドで、同じ仮想環境に入れる |
| No matching distribution found for numpy==1.26.2 | Python 3.13 など、版の決まったパッケージの配布ファイルが無い版 | Python 3.10 の仮想環境を作り直す(README の勧め) |
| 途中でメモリ不足(OOM)で止まる | GPU の空きが足りない | GPU Inference Preserved Memory を大きくする(遅くなる) |
| 出来た動画が真っ黒 | MP4 の圧縮の設定 | MP4 Compression を 16 にする(コードの説明文) |
| 1秒くらいの動画しか出ない | 途中のセクションを見ている | 想定どおり。待つと伸びる(README) |
| README より大きく遅い | メモリが遅い・スワップが HDD・SSD の空き不足 | スワップを SSD に置き、100GB 以上空ける(作者の案内) |
| 手や指が崩れる | TeaCache がオン | 仕上げは TeaCache をオフにする |
| 初回の起動が終わらない | モデル(30GB 以上)を取得中 | 回線と空き容量を確かめて待つ |
手元に GPU が無い場合のクラウドの GPU の使い方と制限は、関連記事「Google Colabとは|使い方・GPU・料金・制限とエラーの直し方」で扱っています。README には Colab で動かす手順は載っていません。
判断表:FramePackが向いている場面
この節では、自分の目的と環境で FramePack を選ぶかどうかが、判断の順番で分かります。
- 1NVIDIA の RTX 30・40・50 があるか → 無ければ見送るREADME の対応は NVIDIA だけ。GTX 10・20 は試されていない
- 2OS は Windows か Linux か → Mac は対象外Windows はワンクリック版、Linux は Python 3.10 の仮想環境
- 3空き容量が 30GB を大きく超えるか → 足りなければ先に空けるモデルの取得に加え、スワップ用に SSD の空きもあるとよい
- 4元になる画像があるか → 文章だけなら別の方法公開中のデモは画像から動画を作る形
- 5待てる時間はどれくらいか → 長い動画は数十分〜数時間まず5秒・TeaCache オンで試し、仕上げはオフで
| 目的 | FramePack での選び方 |
|---|---|
| 最初の画像の見た目を保ちたい | 通常版(demo_gradio.py) |
| 動きを大きく、長く変化させたい | F1(demo_gradio_f1.py) |
| 手元の GPU で、外部に送らずに作りたい | FramePack はローカルで動くので向いている |
| 4K など高い解像度で作りたい | 出来上がりは約40万画素にそろうので、別の手段と組み合わせる |
| 同じ結果を何度も出したい | Seed を固定し、TeaCache をオフ。機器が違うと少し変わる |
文章を扱う AI(LLM)を手元で動かす方法は、関連記事「Ollamaの使い方|ローカルLLMのコマンド一覧とAPIの呼び方」で扱っています。
FramePackのよくある質問
この節では、FramePack について検索の多い疑問に、README と作者の案内の範囲で答えます。
Q. FramePack は無料ですか?
リポジトリは GitHub で無料で公開されていて、README は「Web のサービスは持っていない」と書いています。お金を払う公式のサービスはありません。
Q. FramePack に必要な VRAM はどのくらいですか?
README の記載は「少なくとも 6GB」です。60秒・30fps(1800フレーム)を 13B のモデルで作る場合でも、最小は 6GB と書かれています。
Q. Mac で使えますか?
README の対応 OS は Linux と Windows で、GPU は NVIDIA の RTX 30・40・50 シリーズです。Mac での動かし方は README に載っていません。
Q. AMD や Intel の GPU では動きますか?
README の要件は NVIDIA の GPU だけで、ほかの GPU の記載はありません。コードも CUDA の GPU を前提にしています(memory.py の cuda)。
Q. 文章だけから動画を作れますか?
公開中のデモ(demo_gradio.py・demo_gradio_f1.py)は画像を入れる形です。プロジェクトページには P1 の文章だけの試験結果が載っていますが、その画面はリポジトリにはありません。
Q. プロンプトは日本語でも書けますか?
README の例とテンプレートはすべて英語です。日本語の扱いは README に記載が無いので、英語で書くのが確実です。
Q. framepack.ai などのサイトは公式ですか?
README は、GitHub のリポジトリだけが公式で、framepack.ai・framepack.co などは公式ではないと書き、お金を払ったりファイルを取得したりしないよう注意しています。
Q. 仕事で作った動画を使えますか?
コードは Apache License 2.0 ですが、モデルにはそれぞれの配布ページの条件があります。使う前に、提供元の最新の条件と所属先の決まりを確かめます。
まとめ
この節では、FramePack の要点を5つにまとめます。
- FramePackとは、画像1枚と短い文章から動画を作る、ローカルで動く無料の動画生成AIです。公式は GitHub の lllyasviel/FramePack だけです。
- 必要な環境は NVIDIA の RTX 30・40・50、VRAM 6GB 以上、Linux か Windows。モデルの取得は 30GB 以上です。
- Linux は Python 3.10 で入れる。Python 3.13 では、numpy==1.26.2 など4つのパッケージの配布ファイルが無いことを pip で確かめました。
- 動画は1.2秒(36フレーム)単位で伸び、5秒と入れると4.83秒になる。入力の文脈は長さに関係なく同じトークン数でした。
- TeaCache で試し、オフで仕上げる。RTX 4090 でも60秒は約75分(TeaCache で約45分)が目安です。
参考・出典
この節では、この記事で確かめた一次情報の場所が分かります(確認日 2026年11月16日)。
- FramePack 公式リポジトリ(README・LICENSE・requirements.txt・demo_gradio.py・demo_gradio_f1.py・diffusers_helper):https://github.com/lllyasviel/FramePack
- FramePack プロジェクトページ:https://lllyasviel.github.io/frame_pack_gitpage/
- 論文「Frame Context Packing and Drift Prevention in Next-Frame-Prediction Video Diffusion Models」(arXiv 2504.12626):https://arxiv.org/abs/2504.12626
- FramePack-F1 の案内(GitHub Discussions #459):https://github.com/lllyasviel/FramePack/discussions/459
- 速度が遅いときの確認(GitHub Issues #151 の作者の書き込み):https://github.com/lllyasviel/FramePack/issues/151
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「FramePackとは|画像から動画を作るローカルAIの使い方と必要なVRAM」
株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。
WE ARE HIRING
RJCで一緒に開発しながら、
成長を楽しみませんか?
RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!
- 127日年間休日
- 12時間平均残業時間
- 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!
ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。