こんばんは。
この一年の話し相手はもっぱらChatGPT。おそらく8割5分ChatGPT。
花笠万夜です。

前回のnoteはタイトルに「ComfyUI + AnimateDiff」って書きながらAnimateDiffの話が全くできなかったので、今回は「ComfyUI + AnimateDiff」の話題を書きます。

あなたがAIイラストを趣味で生成してたら必ずこう思うはずです。
「私の生成したキャラが、いい感じに、動いてくれたらなぁ」

これを、今日は、叶えます！
といっても私は触り始めて1週間のど初心者なので、できることは限られてるんですが、それでもこの熱い気持ちを伝えたいんや！
とりあえず前提としてローカルを想定しています。
Colabの使い方はわからん…。

今回実現するメニューはこちら！

• A : 4秒アニメーションさせる！

• B : まばたきしたり、笑ったりする！

• C : 自分のキャラを画像として参照させる！

• D : 参照動画と同じ動きをさせる！

• E : アップスケールして高品質にする！

• F : アップスケール後に顔だけ再描写してより高品質にする！

世の中にはワークフローを公開してくれてる奇特な方がたくさんいらっしゃるので、この巨人の叡智をお借りしつつ、実現を目指しましょう！

（これが実現したかったのです）

とりあえずゴールはこんな感じ。

では一つ一つ解説します。

A : まずアニメーションさせる！

このワークフローのポイント
・カスタムノード「AnimateDiff-Evolved」を使ってます。
ComfyUIでAnimateDiff環境を作るにはAlone1Mさんのnoteを参考にしようね！

・モーションモジュールは最近AnimateDiffの新バージョン「AnimateDiff v3」がでたのでソレを使ってますよ。今のところSD1.5モデルで使えるみたいです。ここで「v3_sd15_mm.ckpt.ckpt」を落としてね。

・「motion_lora」は下記にズームアップ（カメラ拡大）とかパンレフト（カメラ左へ）とか、そういう動きをしやすくなるLoRAがあるので、それをつなげれます。ただLoRAはv2用とあります。また今回はカメラを動かさない想定なのでなにもつけてません。
https://github.com/guoyww/AnimateDiff

・「Uniform Context Options」は全然わかってないので初期値だ！
下記で議論されてるけど、アニメーションの量などを決めるらしい。オーバーラップは、次のフレームのモーションを計算するために使用されるフレーム数だそうで。
https://github.com/Kosinkadink/ComfyUI-AnimateDiff-Evolved/issues/101

・プロンプトは動きが出やすそうな「feel wind」をいれてます

・最近のモデルはネガティブプロンプトを頑張らなくても、それなりの絵が出ますが、AnimateDiffではソレが通用しません。がっつり記述しましょう。
ここでは「text, watermark, nsfw,(worst quality, low quality: 1.4)」をいれてます。textやwatermarkがでやすいのでこの記述も大事。

・動画の結果を保存するのはカスタムノード「Video Helper Suite」の「Video Combine」を使っています。このノード超便利。
連番で生成された画像をアニメgifやmp4にしてくれます。

・「Empty Latent Image」のbatch_sizeを16に指定。「Video Combine」でframe_rateを8に指定してるので、2秒（16フレーム）の動画を生成していますね。冒頭で「4秒アニメーションさせる」って言ってましたが4秒じゃないので間違えてますね。まぁいいや。あとで直します。

・ちなみにComfyUIでは保存先が「output」になって無限に溜まっていくのでfilename_prefixで「ディレクトリ名\ ファイルの接頭辞名」を記述しておくと、その該当ディレクトリに「接頭辞名_00001.png」といった形で保存されます。

B : まばたきしたり、笑ったりする！

・カスタムノード「FizzNodes」の「Batch Prompt Schedule」を入れました。ここでプロンプトトラベル（フレームごとに異なるプロンプトを適応）が実現できます。

・最初のフィールドに下記のように記述しています。
　要はまばたきしたり、表情変えたり、みたいな内容です。
　頭の数字はフレームに該当します。

・2番目のテキストフィールドはアニメーションするモノ全体にかかる記述です。

・3番目のテキストフィールドは背景にかかる記述…なのかな？
わかっていません…。

・他の項目もよくわからん、けど動いてるからいいじゃない。詳細はココ読んでくれい。

・とりあえず「Clip Text Encode」のポジティブの代わりに使ってます。そこから次のポジティブコンディショニングにつないでるけど、これでいいのかどうかは怪しい…

C : 自分のキャラを画像として参照させる！

アニメーションに、絵を参照させるにはComfyUIを使ってるとよく聞く「IP Adapter」というのを使います。

・IP Adapterは謎技術過ぎてよくわかってないです！すごい！

・使うにはIP Adapterモデルと、Clip Visonと、参考にさせたい元絵がいります。モデルとClip Visonの使い方はBakuさんのnoteにめちゃくちゃわかりやすく書いてあります。

・元絵を参照するやり方として、ControlNetをつかってip2pをやるのか、lineArtをうっすら適用させるのか、Tileを指定し、timestep keyframeで徐々に効き目を弱めるのがよいのか、その複合が良いのか、全然わからないので雰囲気でやっています。ただIP Adapterは楽でいいですね。

D : 参照動画と同じ動きをさせる！

みんな大好きControlNetだ！
参考になる動きの動画はpixaboyさんからDLさせてもらいました。

https://pixabay.com/ja/videos/%E5%A5%B3%E6%80%A7-%E3%82%A2%E3%82%B9%E3%83%AA%E3%83%BC%E3%83%88-%E3%82%B9%E3%83%9D%E3%83%BC%E3%83%84-45285/

・この動画を適切なサイズ（768× 512）にトリミングしました。
※Pixaboyさんの素材はライセンスに「Modify or adapt Content into new works」を許可とあります

・ControlNetは「Advanced-ControlNet」「ControlNet Auxiliary Preprocessors」のカスタムノードを使っています。どれ使ってるかは忘れた…。

・ポーズ推定技術はopenposeでなくDW poseを使っています。本家openposeはライセンスがややこしいので…

・「DWpose Estimation」で元動画をオープンポーズ画像群にプリプロセッサーして、そのできたイメージ群を「Appry ControlNet（Advanced）」にimageとして渡しています。

・DWプロセッサーで取得するものを有効化します。結果が微妙だっったらpose_estimatorの種類を変えたりして調整。
チェックのために「Preview Image」ノードをつけとくといいですね。

・ビデオの読み込みは「Video Helper Suite」の「Load Video（upload）」で読み込んでます。force_rateでフレームをどれぐらい細かく分割するかが決まります。よくわからんかったら「Preview Image」ノードつけて目で見て決めるとよいかと思います。（サイズ指定がなぜか「Disabled」になってる…。正しい値を入力すればよいと思います）

・ちなみにControlNetは「positive」と「Negative」のコンディショニングノード同士を繋げれば何個でも繋げられます。

E : アップスケールして高品質にする！

・Dでできたimageを「Upscale Image(using model)」で拡大しています。「Load Upscale Moder」ノードでアップスケールモデルの「RealEsRGEN」4倍モデルを使っています。

・ただ4倍は大きすぎるので「Upscale Image By」で0.5倍と縮小しています。

・その画像群を「VAE Encode」でLatent状態に戻しKsamplerにLatentとして入力しています。

・ここの「Ksampler」大事ね！ちなみにmodelは「AnimateDiffからのモデルのエッジ」をmodel入力に突っ込んでいます。あっていますか？（Checkpointから？IP adapterから？わからんけど、結果的には悪くないのでいいのでは）

・「Ksampler」Denoiseは0.1にしたけど、もう少し上げてもいいかな…

・このあたりのアップスケール検証は下記のサイトがとても参考になります。

F : アップスケール後に顔だけ再描写してより高品質にする！

・「ComfyUI-Impact-Pack」の 「Face Detailer」ノードを使っています。

・使い方の詳細は青猫さんのnoteがわかりやすいですね！

・アップスケールした「VAE Decode」のimage、ココには大量のBatchイメージが詰まってるので、一度これを「Image Batch to Image List 」でイメージの一覧として扱います。

・そのimageを「Face Detailer」に入力します。

・modelは今は「Checkpoint」のmodelを入れてるんですけど、今考えると、これはもしかして「AnimateDiff」からのモデルを入れたほうがいい気がしてきた。ガクガクしてるのはこれが原因かも？
（と思ってAnimateDiffのモデルいれたらおかしくなったので、あってるのかな）

・「UltralyticsDetectorProvider」は「bbox/face_yolov8m.pt」で顔を検出するように。これをbbox_detectorにつなぎます。

・「SAM Loader」は「sam_vit_b_01ec64.pth」を指定してsam_model_optにつなぎます。

・samplerはお好みの設定で。

というわけで、これがワークフローの全容です。

結構いろんな箇所で自信ないな…
まぁいろいろさわってみてください。

いきなり全部実現するのは大変だと思うので、一つづつ試しながらやっていくといいと思います！

さぁ、自分のAIイラストキャラを存分に動かそう！！！

※今OpenPose動画を楽に作れないかなーと、iPhoneとTDPTアプリとVloidの組み合わせを試してます。また何か進捗あれば𝕏でポストします。

こちらもあわせてどうぞ。