【完全ガイド】Wan 2.6 使い方｜参照動画で「本人出演」できるR2V搭載・Alibabaの新世代AI動画をMVクリエイター視点で解説

AI動画、1カットずつは良い画が出るのに、カットが変わると別人になる…。アーティスト本人を「本人のまま」出演させ続けるのは無理なの？

こんにちは、現役MVクリエイターの青来です。

Wan 2.6 の使い方を、MV/PV制作者の目線で整理していきます。Wan 2.6 は、Alibaba（アリババ）のTongyi Labが2025年12月16日にリリースしたAI動画生成モデルの最新シリーズです。既存モデル群（動画生成に加えて画像生成モデルも含む）の包括アップグレードに加えて、新モデル「Wan2.6-R2V」が追加されました。

冒頭の吹き出しの「カットが変わると別人」問題、AI動画を触った人なら一度はぶつかる悩みなんですよね。

結論から言うと、Wan 2.6 の本命は、参照動画から外見と声を引き継いで「同じキャラクターを新しいシーンに出演させ続けられる」R2Vです。1080p・30fps・最大15秒（R2Vは最大10秒）・音声同期出力という土台の上に、「キャラクター一貫性」という武器が乗りました。前作 Wan 2.5 が「音が同時に出るAI」だったとすれば、Wan 2.6 は「同じ人が出続けるAI」です。

この記事では、Wan 2.6 の注目点から Wan 2.5 との違い、R2Vの仕組みと使いどころ、始め方、音声同時生成の実践、HappyHorse・Klingとの使い分け、商用利用の注意点までまとめます。

先に正直に断っておくと、僕はまだ Wan 2.6 を案件でフル投入したわけではありません。この記事は、公開仕様と公式発表の整理に、MVクリエイターとしての想定ワークフローを足した内容として読んでください。

1. Wan 2.6 の3つの注目点（R2V・15秒1080p音声同期・マルチショット）

まず Wan 2.6 がどういうアップデートなのか、注目点を3つに絞ります。

注目点1：R2V＝参照動画から「同じキャラクター」を出演させられる

Wan 2.6 シリーズの目玉が、新モデル Wan2.6-R2V（reference-to-video）です。

参照動画を1本アップロードすると、外見と声を引き継いだ同じキャラクターが、テキストプロンプトで指定した新しいシーンに出演する動画を生成できます。

「画像1枚から動かす」image-to-videoとは似て非なる機能で、動画から人物の見た目・動きの癖・声まで拾うのが新しいところです。公式は「誰もが動画に主演できる」という打ち出し方をしています。

注目点2：1080p・30fps・最大15秒＋音声同期を1パスで

Wan 2.6 は1080p・30fps対応で、テキスト・画像からの生成は最大15秒（R2Vは最大10秒）。テキスト・画像・動画の3系統入力に対応しています。

しかも、セリフ・環境音・SE・リップシンクまで含めた音声を、映像と同時に1回の生成で出力できます。前作 Wan 2.5 で提示された「映像と音の一発出力」路線を、尺と画質ごと引き上げてきた形です。

注目点3：マルチショットでもキャラクターが崩れない

1回の生成内でカットをまたいでも人物の同一性を保つ、マルチショットストーリーテリングに対応しています。一部メディアでは「クローンレベルの一貫性」とも評されています。

AI動画の「カットが変わると別人」問題は、MVを組み立てる人間にとって一番の敵だったんですよね。そこに正面から手を入れてきたのが Wan 2.6 です。

2. Wan 2.5 から Wan 2.6 への進化を整理

Wan 2.6 の立ち位置を掴むために、前作 Wan 2.5 との違いを整理します。

リリース情報と公開仕様は次の通りです。

• リリース：2025年12月16日（Alibaba発表・既存モデル群〈動画生成に加えて画像生成モデルも含む〉の包括アップグレード＋新モデルR2V）
• 入力：テキスト→動画／画像→動画／参照動画→動画（R2V）
• 尺：テキスト・画像からの生成は最大15秒／R2Vは最大10秒
• 解像度・フレームレート：1080p・30fps
• 音声：セリフ・SE・リップシンクを映像と同時生成（音声同期）
• 新要素：マルチショットストーリーテリング／クローンレベルのキャラクター一貫性

Wan 2.5 の売りは「映像とセリフ・環境音・BGMが同期した状態で一発出力できる」ことでした。この音声同期路線は Wan 2.6 にそのまま引き継がれています。

その上で、Wan 2.6 の進化は「参照動画という入力の追加」「最大15秒への尺の拡張」「カットをまたぐキャラクター一貫性」の3点に集約されます。

つまり単発カットの画質勝負というより、「ストーリーのある複数カットを、同じ登場人物で作り切る」方向への進化です。

逆に言うと、1カット数秒の綺麗な画が欲しいだけなら、Wan 2.5 との体感差は小さい可能性があります。進化の軸が「一貫性」側にあることは押さえておいてください。

Wan 2.5 の音声同期の仕組みや操作感は Wan 2.5 使い方 に詳しくまとめています。Wan シリーズに初めて触る人は、先にそちらで土台を掴んでおくと Wan 2.6 の進化点がクリアに見えるはずです。

3. Wan 2.6 の R2V＝「本人出演」の仕組みと使いどころ

Wan 2.6 でいちばん深掘りする価値があるのが R2V です。

仕組み：参照動画から外見・動きの癖・声を引き継ぐ

R2V の流れはシンプルです。

人物が映った参照動画をアップロードすると、モデルが外見・動きのパターン・声の特徴を抽出し、テキストプロンプトで指定した新シーンに「同じ人」として登場させます。

公開情報では、参照動画は最大3本まで同時に扱える設計で（画像と合わせて5点まで）、複数キャラクターが絡むシーンにも対応できるとされています。

使いどころ：アーティスト本人が出演するMVラフ

MV屋として真っ先に思い浮かぶのは、アーティスト本人の参照動画から「本人が出演する絵コンテ動画」を作る使い方です。

実写MVの企画段階って、「本人がこのロケーションに立ったら」を想像と参考動画の切り貼りで補うのが普通でした。それでも監督のイメージは半分も伝わらないんですよね。

それが、本人の顔と声のまま動くプレビズを提案段階で見せられるなら、企画の合意形成は一段速くなると見ています。歌手・ダンサー・俳優と「本人が主役」の映像を作る人ほど、恩恵の大きい機能です。

逆に言えば、他人の顔と声を無断で「出演」させることも技術的にはできてしまう機能です。便利さとリスクが表裏一体なので、権利まわりの章まで必ず読んでください。

4. Wan 2.6 の始め方3ステップ

執筆時点の公開情報をもとに、Wan 2.6 の始め方を3ステップに整理します。UIの細部は更新される可能性があるので、大枠の流れとして掴んでみてください。

ステップ1：入口を決める（wan.video／Model Studio／中継プラットフォーム）

Wan 2.6 の提供窓口は主に3系統あります。

• 公式Web（wan.video）：ブラウザから触る入口
• Alibaba Cloud Model Studio：API利用・開発者向け
• WaveSpeedAI などの中継プラットフォーム：従量課金で手軽（軽量のFlash版も流通）

まず試すだけなら、アカウント登録だけで始められる公式Webか中継プラットフォームが手軽です。開発案件に組み込む段階になったら、Model Studio のAPIを検討する流れで十分だと思います。

ステップ2：入力モードを選ぶ（テキスト／画像／参照動画）

生成画面で、テキスト→動画／画像→動画／参照動画→動画（R2V）のどれで作るかを選びます。

Wan 2.6 らしさを確かめたいなら、最初からR2Vを試すのがおすすめです。自分が数秒しゃべっている動画をスマホで撮れば、参照素材はすぐ用意できます。

ステップ3：短尺でキャラ再現度を確認→上限の尺・1080pへ

最初から上限の尺（R2Vなら最大10秒）×1080pで回すのはおすすめしません。

短い尺でキャラクターの再現度と声の似せ具合を確認し、「いける」と思えてから尺と解像度を上げるのがコスト効率の良い順番です。

参考として、中継プラットフォームの従量課金では、テキスト/画像生成の15秒・1080p・音声込みで1ドル強という例もあります。この規模感なら検証のハードルはかなり低いですよ。まず自分の顔で1本作って、「どこまで本人に見えるか」の物差しを持つところから始めましょう。

映像と音が同時に出るのはわかったけど、セリフの口パクまで本当に合うの？歌モノはどうなの？

5. Wan 2.6 の音声・リップシンク同時生成を実践的に考える

Wan 2.6 は、映像と音声を1回の生成で同時に出力します。

ポイントは「後乗せ」ではないことです。セリフに合わせて表情・口の動き・身振りが連動する、音と画を一体で生成する方式とされています。R2Vと組み合わせれば、参照した人物の声のトーンを引き継いだセリフ入りシーンまで一気に出せる設計です。

想定ワークフロー：セリフ入りティザーを1生成で組む

例えばテキストから作る15秒の縦型ティザーなら、「冒頭のつかみゼリフ→間→決めゼリフ」という音のある構成を、1回の生成でまとめて試せる計算になります。

これまで「映像生成→音声生成→リップシンク合成」と3ツールをまたいでいた工程が1ステップに畳まれる。試作の回転数がまるで違ってくるんですよね。

歌モノは「検証してから」が安全

ただし、歌唱のような細かい母音の連続や日本語の口形をどこまで拾えるかは、公開情報だけでは判断できません。

セリフと歌では難易度が別物です。歌モノMVに使うなら、実際の歌詞で短いテストを挟んでから判断するのが確実だと思います。

6. Wan 2.6 と HappyHorse・Kling の使い分け

同じAlibaba系や競合モデルと、Wan 2.6 をどう使い分けるか。公開情報ベースでの現時点の見立てを整理します。

HappyHorse との関係：単発クオリティ枠との分業

HappyHorse は、ブラインドテストで首位を取った後に Alibaba 製と明かされた話題のモデルです。詳しくは HappyHorse とは？使い方 にまとめていますが、ざっくり言えば「単発カットの画と音のクオリティ競争」のトップ集団にいる存在です。

1カットの完成度で勝負するなら HappyHorse、同じキャラクターで複数カットを組むなら Wan 2.6。同じAlibaba系でも、担当する工程が違うと見ています。

Kling との関係：マルチショットの思想が違う

Kling 3.0 系もマルチショット対応ですが、あちらは「1生成内のカット割りを設計図として渡す」ことが軸です。対して Wan 2.6 は「参照したキャラクターを保ったままカットを重ねる」ことが軸になっています。

カット割りの演出コントロールを重視するなら Kling、特定の人物を出演させ続けたいなら Wan 2.6 のR2V、と整理すると迷いにくいはずです。Kling側の詳細は Kling 3.0 使い方 を参考にしてみてください。

どのモデルも「どの工程を機械に任せるか」の設計が違うだけで、優劣の一軸で並べるものではないです。案件の要件から逆算して選ぶのが結局いちばん早いと思います。

7. Wan 2.6 の商用利用と注意点（他人の顔・声の無断利用はNG）

Wan 2.6 を案件に使う前に、権利まわりを整理しておきます。R2Vがあるからこそ、ここはこの記事でいちばん強調したい章です。

R2Vの構造的リスク：「他人を出演させられる」機能だから

R2V は便利さと危うさが表裏一体です。

他人の顔と声が入った動画を参照素材にすれば、その人が「言っていないことを言い、していないことをする」映像が作れてしまいます。

技術的にはディープフェイクと地続きの機能です。だからこそ、使う側が先にルールを固めておく必要があります。

• 本人の許諾がない人物の動画を参照素材にしない（肖像権・パブリシティ権の侵害リスク）
• 声も保護され得る対象と考えて扱う（声の無断クローンはトラブルの火種）
• アーティストやクライアントの素材を使う場合は、AI利用の範囲を発注書・同意書に明記する

タレント・インフルエンサー・一般人を問わず、「拾ってきた動画」をR2Vに入れるのはかなりリスクの高い行為です。ここを軽く見た制作者から信用を失っていく、と考えておいた方がいいです。

生成物の商用利用は「使う経路の規約」で決まる

生成した動画の商用利用条件は、公式Web・Model Studio・中継プラットフォームのどの経路で契約しているかで規約が変わります。

案件投入前に、自分が使う経路の利用規約と商用条件を確認しておくのが確実です。AI動画の権利まわりの考え方は AI動画生成 商用利用ガイド に体系的にまとめているので、クライアントワークの前に一読してみてください。

8. Wan 2.6 が合う人・合わない人

合う人

• 同じキャラクター・同じ人物で複数カットの映像を組みたい人（キャラクター一貫性が要件の中心なら、R2V搭載の Wan 2.6 は現状の有力候補です）
• アーティスト・タレント本人の出演ラフやプレビズを作りたい人（本人同意を取れる体制がある前提）
• セリフ・SE・リップシンク込みの試作を1ツールで完結させたい人
• Wan 2.5 の音声同期をすでに使っていて、尺と一貫性の物足りなさを感じている人

合わない人

• 1カットの画のクオリティだけを追い込みたい人（HappyHorse など単発特化モデルとの比較検討をおすすめします）
• 権利処理に時間をかけられない人（R2Vの旨味は本人同意とセットでないと活かせません）
• 1生成の上限（テキスト/画像で15秒・参照動画ありで10秒）を超える長尺を出したい人（上限を超える尺は編集でつなぐ前提になります）

「本人出演」という機能の性質上、向き不向きより先に「同意を取れる関係性があるか」で判断が分かれるモデルだと思います。

9. まとめ｜Wan 2.6 の使い方は「同じ人で作り切る」が軸

Wan 2.6 の使い方は、「同じ人が出続ける映像を作る道具」と捉えるのが出発点です。

単発の綺麗なカットを出すAIは、もう珍しくありません。カットを重ねても人物が崩れない、そこに参照動画と声まで持ち込んだのが Wan 2.6 の新しさです。

まずは自分の顔と声で1本、R2Vの再現度を確かめてみてください。物差しはそこからで十分ですよ。

どのモデルから触るか迷っている人は、先に 動画生成AIおすすめ完全ガイド で全体地図を掴んでおくと、Wan 2.6 の立ち位置がさらにクリアになるはずです。

これできっと、「カットごとに別人になる」ストレスから一歩抜け出せるはずです！