CogVideoXとは？VRAM 4GBから動く動画生成AIの使い方と5つの活用法
動画生成AIを触りたいけれど、月額課金と「生成回数が残り3回です」の表示にうんざりしている。そういう人にいちばん刺さるのがCogVideoXです。自分のパソコンの中だけで動くので、何本作っても追加料金はゼロ。しかもメモリの節約設定を効かせれば、VRAM 4GBクラスから起動します。
この記事のポイント CogVideoXは自分のPC内で完結する動画生成AIです。メモリ最適化を有効にすると2Bモデルが約4GB、5Bモデルが約5GBのVRAMから動きます。快適さを求めるならRTX 3060級の12GBが目安。GPUを持っていなくてもGoogle Colabの無料枠で試せます。ただし1本が数秒のクリップである点と、指示文が英語前提である点は先に飲み込んでおくべきです。
CogVideoXとは？ローカルPCで動く動画生成AI
CogVideoXとは、文章や画像から短い動画を作れる、無料で配布されているオープンソースの動画生成AIモデルです。CogVideoプロジェクトが公開しており、モデルのデータはHugging Face（AIモデルの配布サイト）から誰でも取得できます。
いちばんの特徴は動く場所。KlingやRunwayのようなクラウド型は、指示文を送って向こうのサーバーで作ってもらう方式です。CogVideoXはモデルを手元に落として、自分のGPUで回します。ここが決定的に違うところ。
つまり、生成のたびに課金されません。素材も外に出ません。
代わりに、GPUの用意と環境構築という手間が全部こちらに来ます。この交換条件を割に合うと思えるかどうかが、CogVideoXを導入すべきかの判断軸になります。
ローカルで動かすAIの考え方そのものが初めてなら、テキスト側で同じ仕組みを説明したローカルLLMをOllamaで動かす入門を先に読むと、この後のVRAMの話がすっと入ります。
VRAM 4GBで本当に動くのか？必要スペックの実際
動きます。ただし条件付きです。
diffusers（Hugging Faceが配っている生成モデル実行用のライブラリ）にはメモリ節約の仕組みが用意されています。これを有効にした状態で、CogVideoX-2Bが約4GBのVRAMから、CogVideoX-5Bが約5GBから起動します。さらにINT8（数値の精度を落として軽くする方式）を使えば、2Bが約3.6GB、5Bが約4.4GBまで下がります。
問題は、この最適化を切ったときです。ピーク時のVRAM使用量がおよそ3倍に跳ね上がります。「4GBで動くと書いてあったのに落ちる」の正体はだいたいこれ。
数字を並べると差がはっきりします。
| 設定 | CogVideoX-2B | CogVideoX-5B |
|---|---|---|
| メモリ最適化あり | 約4GB | 約5GB |
| メモリ最適化あり+ INT8 | 約3.6GB | 約4.4GB |
| 最適化なし | 上記のおよそ3倍 | 上記のおよそ3倍 |
つまり、8GB以下のGPUを使う人にとって最適化の設定は選択肢ではなく必須項目です。
では実運用として何を買えばいいか。公式が快適な体験の目安として挙げているのは12GBクラス、具体名としてはRTX 3060です。
| GPUのVRAM | 現実的な使い心地 |
|---|---|
| 4GB前後 | INT8 +最適化で「起動はする」。1本ごとに待つ前提 |
| 8GB | 2Bなら実用圏。5Bは設定を詰める必要あり |
| 12GB（RTX 3060級） | 推奨ライン。2Bも5Bもストレスが少ない |
| 16GB以上 | 最適化を緩めて速度を優先できる |
要するに、最低ラインの4GBは「動作可能」であって「快適」ではありません。中古のRTX 3060を1枚積むのが、コスト対効果ではいちばん素直な答えです。
2Bと5Bはどっちを選べばいい？
数字はモデルの規模を表しています。5Bのほうが大きく、そのぶん映像の作り込みに強い。単純な話です。
ただし選び方は規模の大小だけでは決まりません。
| 判断軸 | CogVideoX-2B | CogVideoX-5B |
|---|---|---|
| 必要VRAM（最適化あり） | 約4GB | 約5GB |
| 向いている用途 | 試作、量を回す検証 | 仕上がり重視の1本 |
| 生成にかかる時間 | 短い | 長い |
| 最初に触るなら | ◎ | 環境に自信があれば |
差は数字ほど大きくありません。VRAMの要求は1GBしか違わないからです。
判断はこうです。まず2Bで環境を通してください。生成が最後まで走ることを確認してから5Bに上げる。逆順でやると、失敗したときに原因がモデルなのか環境なのか切り分けられなくなります。
環境構築で1日溶かす人の大半は、この順序を守っていません。
中身の仕組み｜3D全注意とエキスパートTransformer
技術の話を1セクションだけ。飛ばしても使えますが、品質のクセを理解する助けになります。
CogVideoXには、テキストと映像を噛み合わせるための専用ブロック（エキスパートTransformerブロック）が入っています。指示文の内容と、実際に描かれる映像のズレを減らすための仕組みです。
もうひとつが3D全注意（3D full attention）。動画は「絵が横に並んでいるもの」ではなく、縦横と時間の3方向に広がったデータです。この3方向をまとめて見る設計になっています。
効果が出ているのは、公開されている評価軸のうち次のあたりです。
- 主題が最後までブレない
- 動きの情報が保たれる
- 背景が途中で入れ替わらない
- 物体の情報が維持される
短いクリップの中で「同じものが同じ場所に居続ける」ことに強い、と読み替えられます。逆に言えば、大きく場面転換するような長い尺は設計上の得意分野ではありません。
この性質が、後述する活用法の向き不向きをそのまま決めています。
Google Colabで試す手順
GPUが手元にない人でも試せます。CogVideoXのプロジェクトはGoogle Colab用のノートブックを用意しているからです。
公開されているのは4種類。
| ノートブック | 内容 |
|---|---|
| CogVideoX-5B-T2V | 文章から動画を作る（標準） |
| CogVideoX-5B-T2V-Int8 | 文章から動画を作る（軽量版、1回およそ30分） |
| CogVideoX-5B-I2V | 画像から動画を作る |
| CogVideoX-5B-V2V | 既存動画を変換する |
つまり、まずはINT8版で1本回してみるのが最も痛くない入口です。
ステップ1: ノートブックを開く
該当のノートブックをColabで開き、ランタイムのタイプをGPUに変更します。ここを忘れるとCPUで走り出して終わりません。
ステップ2: セルを上から実行する
依存ライブラリの取得に数分かかります。途中で止まったら、だいたいランタイムの再起動で直ります。
ステップ3: 指示文を差し替える
英語で書いてください。日本語のままでは意図が反映されにくいです。翻訳をChatGPTなどに任せるのが手っ取り早い。
ステップ4: 待つ
INT8版は1回およそ30分。無料枠は接続が切れることがあるので、生成中はタブを放置しすぎないほうが安全です。
30分を長いと感じたなら、そのままローカル導入に進む価値があります。
自分のPCに入れる手順とComfyUI連携
ローカル導入の道は大きく2本あります。
Pythonから直接動かす方式は、diffusersをインストールしてスクリプトでモデルを呼び出す形です。設定の自由度が高く、メモリ最適化やINT8の切り替えもコードで明示できます。バッチ処理を組みたいならこちら一択。
ComfyUIから動かす方式は、ノードを線でつないで処理を組み立てるGUIを使います。画像生成でComfyUIを触ったことがあるなら、こちらのほうが早い。ワークフローを保存して使い回せるのも効きます。
| 方式 | 向いている人 | つまずきどころ |
|---|---|---|
| diffusers（Python） | 自動化したい人 | 依存ライブラリの版ズレ |
| ComfyUI | GUIで詰めたい人 | カスタムノードの導入 |
どちらを選んでも、最初にやることは同じです。メモリ最適化を有効にする設定を必ず入れてください。ここを省くとVRAM要求が3倍になり、動くはずのGPUで落ちます。
すでにStable Diffusionでローカル生成環境を持っている人なら、Python環境とGPUドライバは流用できます。ゼロからよりだいぶ楽。
CogVideoXの5つの活用法
得意分野が「短い尺で被写体がブレない」である以上、活用法もそこに寄せるのが正解です。
1. SNS向けの短尺ループ素材 数秒のクリップをそのまま投稿素材に回す使い方。生成コストがゼロなので、当たるまで数を撃てるのがローカルの強みです。
2. 企画のたたき台と絵コンテ代わり クライアントに見せる前の社内共有用。品質が完成品に届かなくても、動きのイメージを共有する目的なら十分機能します。
3. 手持ちの静止画を動かす image-to-videoに対応しているので、商品写真やイラストに動きを足せます。素材が手元にあるほど価値が出る使い方。
4. 既存動画のスタイル変換 video-to-videoで元の動きを保ったまま見た目を変える。ここは実写素材を持っている人が有利です。
5. 外に出せない素材の内製 機密を含む映像や、契約上クラウドにアップできない素材を扱う場面。ローカル完結の価値がいちばん立つのがこの用途です。
5つを並べて比べると、選ぶべき方向が見えます。
| 活用法 | 必要な素材 | ローカルである意味 |
|---|---|---|
| 短尺SNS素材 | 指示文のみ | 回数無制限で試行できる |
| 企画のたたき台 | 指示文のみ | 社外に出ない |
| 静止画の動画化 | 画像 | 画像を外部に渡さない |
| スタイル変換 | 動画 | 尺の課金を気にしない |
| 機密素材の内製 | 社内素材 | これしか選択肢がない |
つまり、素材を持っている人ほどCogVideoXの投資対効果は上がります。
ここまでの整理: GPUが12GBあって英語の指示文に抵抗がなく、素材を外に出したくない。この3つが揃うならCogVideoXは強い選択です。ひとつでも欠けるなら、この先のクラウド型との比較を読んでから決めてください。
クラウド型の動画生成AIと何が違う？
同じ「動画生成AI」でも、性質はほとんど別物です。
| 比較軸 | CogVideoX（ローカル） | クラウド型 |
|---|---|---|
| 料金 | GPU代と電気代のみ | 月額または従量課金 |
| 生成回数 | 実質無制限 | プランごとに上限 |
| 素材の送信 | 外部に出さない運用が可能 | サービス側に送られる |
| 導入の手間 | 環境構築が必要 | ブラウザですぐ |
| 品質 | 短尺で安定 | 総じて仕上がりが上 |
| 日本語 | 英語前提 | 日本語UIあり |
仕上がりの絶対値だけを見るなら、Kling AIやRunway、Luma AIといったクラウド型に軍配が上がります。研究成果をすぐ製品に載せられる体制の差です。
それでもCogVideoXを選ぶ理由は、回数と機密性。この2つに尽きます。
同じオープンソース路線ではOpen-SoraやWan AIも選択肢に入ります。国内で使われているクラウド型の全体像を押さえたいなら、動画生成AIカテゴリと動画生成AIの注目ツール一覧をざっと眺めておくと自分の要件が整理できます。
アバター動画のように用途が特化した領域は、そもそも土俵が違います。人物合成が目的ならHeyGenとDomoの比較のほうが答えに近い。
苦手なこと、うまくいかない場面
正直に書きます。CogVideoXには弱点がはっきりあります。
尺が短い。 生成できるのは数秒のクリップです。ストーリーのある映像を1本で作るのは無理があります。
日本語の指示文が通りにくい。 英語で書く前提です。ニュアンスを詰めたいなら英語力か翻訳の手間が必要になります。
待ち時間が長い。 ColabのINT8版で1回およそ30分。ローカルでもGPU性能次第で数分から数十分かかります。「思いついたらすぐ確認」のテンポでは回りません。
環境構築で詰まる人が一定数いる。 ライブラリの版ズレ、GPUドライバ、VRAM不足。ここで挫折する率は低くありません。
このうち致命的なのは待ち時間です。生成物の当たり外れがある以上、1本30分は試行回数の上限を決めてしまいます。ここを許容できるかが分かれ目。
逆に、夜間に回して朝まとめて確認する運用にすれば、この弱点はほぼ消えます。
商用利用とライセンスで見るべきところ
ここは記事の情報を鵜呑みにしないでください。
オープンソースの動画生成モデルは、モデルごとにライセンスが違います。同じCogVideoXシリーズでも2Bと5Bで条件が異なる可能性があるため、必ず配布元のモデルカード（Hugging Faceのモデルページに書かれた説明文）を自分の目で確認してください。
確認すべき項目は次の4つです。
- 商用利用が認められているか
- 生成物の権利がどう扱われるか
- クレジット表記の義務があるか
- 再配布や派生モデルの条件
そして、ライセンスは更新されます。半年前に確認した内容が今も同じとは限りません。案件で使うなら、着手時点で毎回見に行くのが安全です。
ここを飛ばして納品してしまうと、後から取り返しがつきません。
実際いくらかかる？コストの考え方
モデル本体は無料です。お金がかかるのは動かす場所のほう。
| 動かし方 | かかる費用の種類 | 向いている人 |
|---|---|---|
| Colab無料枠 | なし（時間制限あり） | まず試したい人 |
| Colab有料プラン | 月額の利用料 | GPUを買う前に見極めたい人 |
| 手持ちPCのGPU | 電気代のみ | すでに12GB級を持っている人 |
| GPUを新規購入 | 初期費用+電気代 | 継続的に本数を回す人 |
| クラウドGPU | 従量課金 | 一時的に大量生成する人 |
つまり、判断の分岐点は生成本数です。月に数本ならクラウド型のサブスクのほうが安く済みます。毎日回すならGPU購入の初期費用が短期間で回収できます。
数を撃つ前提でないなら、そもそもローカルにする理由が薄いということでもあります。
AI PICKS編集部の判定
条件が合う人には破格。合わない人には正直イマイチです。
破格である理由ははっきりしています。メモリ最適化を効かせれば2Bが約4GB、5Bが約5GBのVRAMで動く。この軽さで、文章からも画像からも既存動画からも生成できるモデルが無料で配られている状況は、素直にすごい。RTX 3060級の12GBがあれば実用圏に入ります。
一方で、万人向けではありません。指示文は英語前提。生成は1本あたり数分から30分。環境構築でつまずくリスクもある。この3つを許容できない人がクラウド型から乗り換えると、確実に後悔します。
線引きはこうです。手元に素材があって、外に出したくなくて、数を撃ちたい。この3つが揃うならCogVideoX一択。どれか欠けるなら、月額を払ってクラウド型を使ったほうが時間あたりの成果は圧倒的に上です。
初手の推奨は、Google ColabのINT8ノートブックで1本回すこと。30分待って出てきた映像を見てから、GPUを買うかどうか決めてください。順序を逆にする理由はありません。
よくある質問（FAQ）
Q. GPUがないパソコンでも使えますか？
ローカル実行はGPUがないと現実的ではありません。Google Colabの無料枠を使えばブラウザだけで試せるので、まずはそちらから始めてください。
Q. Macでも動きますか？
CogVideoXのメモリ要件はNVIDIA GPUのVRAMを前提に語られています。Apple Siliconで動かす場合は情報が限られるため、まずColabで挙動を確認してから環境を検討するのが安全です。
Q. 生成した動画に音は付きますか？
映像のみです。音声やBGMは別途用意して、編集ソフトで合成する流れになります。
Q. 指示文は日本語で書けますか？
書けますが、意図が反映されにくくなります。英語で書くのが前提です。翻訳を挟むひと手間を惜しまないでください。
Q. 2Bと5Bを両方入れておくことはできますか？
できます。ディスク容量は増えますが、2Bで構図の当たりを取ってから5Bで仕上げる運用は理にかなっています。
Q. VRAMが足りないというエラーが出ます
メモリ最適化が無効になっている可能性が高いです。最適化を切るとピーク使用量がおよそ3倍になります。設定を見直して、それでも足りなければINT8を試してください。
Q. ComfyUIと直接Pythonで動かすのは品質が変わりますか？
同じモデルを呼んでいるので、設定を揃えれば出力の傾向は変わりません。違うのは操作性と自動化のしやすさです。
Q. 商用案件で使って大丈夫ですか？
モデルごとにライセンスが異なるため、配布元のモデルカードを着手時点で必ず確認してください。記事や第三者の要約を根拠にしないほうが安全です。
あわせて見たいツール・カテゴリ
- CogVideoX ｜ この記事で扱ったモデルの基本情報をまとめています
- ComfyUI ｜ ノードを線でつないでCogVideoXを操作したい人はここから
- Kling AI ｜ 環境構築なしで仕上がり重視ならクラウド型のこちら
- Runway ｜ 編集機能まで含めて完結させたい場合の定番
- Open-Sora ｜ 同じオープンソース路線で比べたいときに
- Hailuo AI ｜ 短尺クリップの品質を横並びで確認したい人向け
- 動画生成AIカテゴリ ｜ クラウド型を含めた全体像を眺める
- 画像生成AIカテゴリ ｜ 動画に使う元画像を作るならこちら
- 動画生成AIの注目ツール一覧 ｜ 編集部が継続的に評価している顔ぶれ
VRAMや量子化の考え方をもう少し体系的に押さえたいなら、Vexumの解説記事や生成AIの土台をまとめた入門記事も同じ地図の上にあります。動画から情報を取り出す側の話に興味があれば、YouTube動画をAIで要約する方法が近い距離です。
次に読むならローカルLLMをOllamaで動かす入門へ。動画で覚えたローカル実行の勘所が、そのまま文章生成の環境構築に使い回せます。
各ツールの公式サイト（一次情報）
料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。
- CogVideoX — 公式サイト（AI PICKSの詳細）
- ComfyUI — 公式サイト（AI PICKSの詳細）
- Stable Diffusion — 公式サイト（AI PICKSの詳細）
- Kling AI — 公式サイト（AI PICKSの詳細）
- Runway — 公式サイト（AI PICKSの詳細）
