Selbst gehosteter KI-Videogenerator: Was er wirklich kann

Was ein selbst gehosteter KI-Videogenerator tatsächlich leisten kann

Ein selbst gehosteter KI-Videogenerator funktioniert heute, ist aber langsamer und weniger leistungsfähig, als Demo-Videos vermuten lassen. Im Juli 2026 sind Wan 2.2 von Alibaba und HunyuanVideo von Tencent die offenen Modelle, deren Betrieb sich lohnt. LTX-Video von Lightricks ist eine weitere Option, wenn Geschwindigkeit wichtiger ist als Realismus. Alle diese Modelle laufen unter ComfyUI auf einem Linux-Rechner mit einer NVIDIA GPU. Das Ergebnis ist ein ungefähr fünf Sekunden langer Clip mit 720p. Keine Szene. Kein einminütiges fertiges Videomaterial.

Hier zunächst die kurze Antwort. Eine Grafikkarte mit 24 GB rendert einen fünf Sekunden langen 720p-Clip in wenigen Minuten. Eine Grafikkarte mit 12 GB benötigt dafür mindestens zwanzig Minuten, weil die Gewichte nicht vollständig in den Videospeicher passen und die Software Layer fortlaufend zwischen Videospeicher und System-RAM verschiebt. Ein Server ohne GPU kann diese Aufgabe praktisch nicht sinnvoll erledigen. Die Berechnungen, die die Bildgenerierung auf der CPU langsam machen, machen die Videogenerierung auf der CPU unbrauchbar.

Wenn Sie bereits die Hardware-Staffelung für einen selbst gehosteten Bildgenerator gelesen haben, gilt für Video dasselbe Prinzip, nur ist jede Zahl um eine Leistungsklasse höher angesetzt. VRAM (Videospeicher, also der RAM, der neben dem Grafikchip verlötet ist) bleibt die einzige technische Angabe, die entscheidet, ob der Betrieb problemlos oder mühsam ist.

Warum ein Video so viel mehr kostet als ein einzelnes Bild

Ein Diffusionsmodell erzeugt ein Bild, indem es dieses in mehreren Schritten entrauscht. In jedem Schritt werden alle Gewichte des Modells gelesen. Ein Videomodell macht dasselbe gleichzeitig für einen ganzen Block von Frames. Zusätzlich verwendet es Attention über die Zeitachse, damit Frame 80 weiß, wie Frame 12 aussah. Fünf Sekunden bei 24 Frames pro Sekunde ergeben 120 Frames in einem Batch.

Diese zeitliche Attention ist der Grund, warum die Kosten nicht proportional zur Clip-Länge steigen. Wenn sich die Anzahl der Frames verdoppelt, steigt der benötigte Speicher des Samplers um mehr als das Doppelte. Der Fehler äußert sich daher nicht durch eine langsamere Verarbeitung. Stattdessen bricht die Verarbeitung ab.

Es gibt eine zweite Speicherspitze, mit der viele nicht rechnen. Nachdem der Sampler fertig ist, decodiert der VAE (variational autoencoder, der Teil, der den komprimierten Latent in echte Pixel umwandelt) das gesamte latente Video auf einmal. Dieser Decodierungsschritt kann mehr Speicher benötigen als das Sampling. Das typische Symptom ist ein Job, der eine abgeschlossene Fortschrittsanzeige zeigt und danach Folgendes ausgibt:

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.31 GiB

Die Lösung ist eine gekachelte Decodierung oder ein kürzerer Clip. Wenn Sie wissen, in welcher Phase der Speicher ausgegangen ist, vermeiden Sie es, eine Stunde lang die falsche Einstellung anzupassen.

Wie viel VRAM benötigen Sie für die KI-Videogenerierung

Zwei veröffentlichte Angaben bilden die Grundlage für die gesamte Entscheidung, und auf den ersten Blick widersprechen sie sich. Alibaba gibt an, dass das Modell Wan 2.2 TI2V-5B 720p-Clips mit 24 Bildern pro Sekunde und einer Länge von fünf Sekunden auf einer einzelnen Consumer-GPU wie einer 4090 in weniger als neun Minuten erzeugt. Alibaba empfiehlt dafür mindestens 24 GB VRAM. Die ComfyUI-Dokumentation gibt an, dass dasselbe 5B-Modell „mit dem nativen Offloading von ComfyUI problemlos auf 8 GB VRAM passen sollte“.

Beide Angaben sind korrekt, weil sie unterschiedliche Dinge messen. 8 GB ist die Grenze, bei der das Modell läuft. 24 GB ist die Größe, bei der es komfortabel läuft. Beim Offloading verbleibt der größte Teil des Modells im Arbeitsspeicher des Systems. Für jeden Schritt werden die Layer in die GPU übertragen. Dadurch wartet die Grafikkarte einen großen Teil der Zeit auf den PCIe-Bus, statt Berechnungen auszuführen. Diese Kosten fallen bei jedem Sampler-Schritt an, nicht nur einmal.

[
  {
    "label": "8GB VRAM, heavy offloading",
    "minutes_per_clip": 40
  },
  {
    "label": "12GB VRAM",
    "minutes_per_clip": 22
  },
  {
    "label": "16GB VRAM",
    "minutes_per_clip": 14
  },
  {
    "label": "24GB VRAM, 4090 class",
    "minutes_per_clip": 9
  }
]

Nur die letzte Zeile stammt vom Hersteller. Die Karte mit 24 GB erreicht 9 Minuten pro Clip. Das entspricht der von Alibaba veröffentlichten Angabe für dieses Modell. Die übrigen Zeilen zeigen, wie sich Offloading darauf auswirkt. Sie sind Größenordnungen und keine Benchmark-Ergebnisse. Die Tendenz ist entscheidend: 40 Minuten auf einer Karte mit 8 GB sind technisch eine funktionierende Konfiguration, praktisch jedoch ein Batch-Job, den Sie über Nacht laufen lassen.

Die größeren Modelle von Wan 2.2 gehören in eine andere Leistungsklasse. Die Varianten A14B für Text-zu-Video und Bild-zu-Video benötigen für die Inferenz auf einer einzelnen GPU mindestens 80 GB VRAM. Das ist Rechenzentrum-Hardware und keine Karte für einen Desktop-Rechner. Ab diesem Punkt bedeutet Self-Hosting zunehmend, dass Sie den Beschleuniger eines anderen Anbieters stundenweise mieten. Dieselbe Rechnung geht bei der Textverarbeitung noch deutlich weiter. Ein Modell mit 2,8 Billionen Parametern wie Kimi K3 selbst zu hosten ist dann keine Frage einer einzelnen Karte mehr, sondern der Anzahl von Karten mit 80 GB, die Sie sich leisten und miteinander verbinden können.

Kosten eines Clips auf einer gemieteten GPU

Die Miete ist für die meisten der richtige Weg zum Testen. Eine gekaufte Karte ist die falsche Hardware, wenn das gewünschte Modell 80 GB benötigt. Medianpreise für On-Demand-GPUs auf dem Mietmarkt, Stand Juli 2026:

[
  {
    "label": "RTX 4090, 24GB",
    "usd_per_hour": 0.36,
    "usd_per_clip": 0.05
  },
  {
    "label": "A100, 80GB",
    "usd_per_hour": 1.79,
    "usd_per_clip": 0.6
  },
  {
    "label": "H100, 80GB",
    "usd_per_hour": 2.99,
    "usd_per_clip": 0.55
  }
]

Die Zeile für die 4090 führt das 5B-Modell aus und kostet etwa 0.05 US-Dollar pro Clip bei 0.36 US-Dollar pro Stunde. Die Zeilen mit 80 GB führen die 14B-Modelle aus. Deshalb steigt der Preis pro Clip auf 0.6 US-Dollar, obwohl die Hardware selbst deutlich schneller ist. Ein größeres Modell benötigt pro Sekunde Videomaterial mehr Rechenleistung.

Fünf Cent pro Clip klingen nach wenig. Genau das ist irreführend. Die ersten brauchbaren fünf Sekunden sind nie das Ergebnis eines einzigen Renderings. Mit einem Videomodell zu arbeiten ist eine Suche. Bei einer Aufnahme mit gezielter Bewegung sind zwanzig bis vierzig Renderings bis zu einem brauchbaren Ergebnis normal. Eine Arbeitssitzung kostet deshalb eher mehrere US-Dollar als wenige Cent. Ein Nachmittag mit Iterationen auf gemieteter Hardware kostet ungefähr so viel wie ein Mittagessen.

Zwei Details bei der Miete können bei Nichtbeachtung erhebliche Kosten verursachen. Die Abrechnung läuft bereits, während die Instanz die Gewichte herunterlädt. Die Dateien von Wan 2.2 einschließlich Text-Encoder und VAE umfassen mehrere zehn Gigabyte. Wählen Sie daher einen Anbieter mit persistentem Volume und laden Sie die Dateien nur einmal herunter. Die Abrechnung läuft außerdem weiter, wenn die Instanz mit geöffneter SSH-Sitzung untätig bleibt. Stoppen Sie die Instanz, statt nur das Terminal zu schließen.

ComfyUI auf dem GPU-Server installieren

Beginnen Sie mit Ubuntu 24.04 und einem bereits installierten NVIDIA-Treiber. Prüfen Sie zuerst den Treiber, da ohne diese Prüfung jeder spätere Fehler gleich aussieht.

nvidia-smi

Der Befehl muss eine Tabelle mit Ihrer Grafikkarte und einer CUDA-Version ausgeben. Wenn NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver ausgegeben wird, ist das Kernelmodul nicht geladen. Das tritt meist nach einem Kernel-Upgrade ohne anschließenden Reboot auf. Beheben Sie das an dieser Stelle. Andernfalls verwendet ComfyUI den CPU-Pfad, und Sie suchen eine Stunde lang die Ursache im Modell.

sudo apt update
sudo apt install -y git python3-venv python3-pip wget
git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI
python3 -m venv venv
. venv/bin/activate
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt

Stellen Sie sicher, dass PyTorch die Grafikkarte erkennt, bevor Sie auch nur eine Gewichtsdatei herunterladen.

python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

True zusammen mit dem Namen Ihrer Grafikkarte bedeutet, dass der Stack korrekt funktioniert. False bedeutet, dass das installierte Wheel ein reiner CPU-Build ist. Das passiert, wenn pip einen zwischengespeicherten torch-Build aus einer früheren Installation findet. Installieren Sie ihn mit der obigen Index-URL neu.

Wan-2.2-Modelldateien herunterladen

ComfyUI wird ohne Gewichtsdateien ausgeliefert, und ein Videomodell besteht nicht aus einer einzigen Datei. Es umfasst ein Diffusionsmodell, einen Text-Encoder und eine VAE. Jede Komponente gehört in ein eigenes Verzeichnis. Wenn eine Datei im falschen Verzeichnis liegt, führt der Loader-Node sie einfach nicht auf. Eine Fehlermeldung erklärt den Grund nicht.

cd ~/ComfyUI/models
wget -P diffusion_models https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/diffusion_models/wan2.2_ti2v_5B_fp16.safetensors
wget -P text_encoders https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/main/split_files/text_encoders/umt5_xxl_fp8_e4m3fn_scaled.safetensors
wget -P vae https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/vae/wan2.2_vae.safetensors

Das 5B-Modell unterstützt sowohl Text-zu-Video als auch Bild-zu-Video und ist daher ein sinnvoller Ausgangspunkt. Bevorzugen Sie immer .safetensors gegenüber .ckpt. Eine .ckpt-Datei ist ein serialisiertes Python-Objekt. Beim Laden wird daher Code ausgeführt, der von der Person geschrieben wurde, die die Datei erstellt hat. Planen Sie ausreichend Speicherplatz ein: Eine funktionierende Installation mit einer Modellfamilie und den Ausgabedateien benötigt 100 GB. Videodateien sind außerdem deutlich größer als die PNG-Bilder, die ein Bild-Workflow erzeugt. Sichern Sie Ihre Workflow-JSON-Dateien beispielsweise mit verschlüsselten inkrementellen Backups in einem Objektspeicher, denn die Gewichtsdateien können erneut heruntergeladen werden, Ihre optimierten Workflows jedoch nicht.

Starten und sicher darauf zugreifen

cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188

ComfyUI hat keine Anmeldeseite und keine Benutzerkonten. Alles, was Port 8188 erreichen kann, kann Aufträge einreihen, alle von Ihnen erzeugten Clips lesen und benutzerdefinierte Nodes installieren. Dadurch ist die Ausführung beliebigen Codes auf Ihrem Server möglich. Binden Sie ComfyUI an localhost und greifen Sie von Ihrem eigenen Rechner über einen SSH-Tunnel darauf zu.

ssh -N -L 8188:127.0.0.1:8188 you@your-server

Öffnen Sie anschließend http://127.0.0.1:8188 in Ihrem Browser. Laden Sie den Workflow der Vorlage Wan 2.2 über das Vorlagenmenü von ComfyUI, statt die Nodes manuell zu verbinden. Die offiziellen Vorlagen enthalten die Sampler-Einstellungen, auf die das Modell abgestimmt wurde. Bei einem Video-Workflow gibt es deutlich mehr Stellen, an denen ein Wert unbemerkt falsch gesetzt werden kann, als bei einem Bild-Workflow.

Wenn die ehrliche Antwort lautet, eine API zu verwenden

Self-Hosting für Videogenerierung ist die richtige Entscheidung, wenn das Volumen hoch und konstant ist, wenn Ihre Frames Ihre eigene Infrastruktur nicht verlassen dürfen oder wenn Sie ein bestimmtes Modell beziehungsweise einen benutzerdefinierten Adapter benötigen, den kein gehosteter Dienst anbietet. Es ist ebenfalls die richtige Entscheidung, wenn die Pipeline in einem Jahr noch genauso funktionieren muss, weil sich ein gehostetes Modell ohne festlegbare Version ändern kann.

Verwenden Sie eine gehostete API, wenn Sie nur wenige Clips pro Monat benötigen, wenn die Ausgabe länger oder größer sein muss, als die Open-Source-Modelle erzeugen, oder wenn Sie diese Woche einen Termin einhalten müssen. Berechnen Sie den Break-even ehrlich. Eine 24-GB-Karte, die im Juli 2026 rund um die Uhr gemietet wird, kostet im Median ungefähr 260 Dollar pro Monat. Der Kauf derselben Karte kostet im Voraus mehr als diesen Betrag, bevor Sie auch nur einen Frame erzeugt haben. Ein nicht ausgelasteter Self-Hosting-Server ist bei der Abrechnung pro Clip jedes Mal teurer als eine API. Dies ist derselbe Zielkonflikt, der auch die Bereitstellung von Textmodellen bestimmt. Er wird in Ollama gegenüber vLLM für das Self-Hosting von LLMs behandelt. Darüber hinaus baut er auf der grundlegenderen Frage auf, die in ob sich ein VPS mit GPU überhaupt lohnt behandelt wird.

Was bei einem fehlgeschlagenen Rendering zu prüfen ist

Wenn ein Rendering ganz am Ende abbricht, nachdem der Sampler-Balken vollständig durchgelaufen ist, ist beim VAE-Decoding der Speicher ausgegangen. Reduzieren Sie die Frame-Anzahl oder wechseln Sie zu einem Tiled-Decode-Node. Eine Änderung der Schrittanzahl hilft nicht, weil das Decoding einmalig erfolgt, nachdem alle Schritte bereits ausgeführt wurden.

Eine vollständig schwarze oder stark verfälschte Ausgabe bedeutet meist, dass der VAE nicht zum Modell passt. Ein VAE für Wan 2.1, der mit einem Diffusionsmodell für Wan 2.2 geladen wird, erzeugt genau dieses Verhalten. Im Log erscheint dabei keine Fehlermeldung.

Wenn ein Rendering zwar läuft, auf einem Rechner mit bekannter GPU aber mehrere Stunden dauert, verwendet ComfyUI den CPU-Pfad. Prüfen Sie die Gerätezeile im Start-Log und führen Sie anschließend die oben beschriebene torch.cuda.is_available()-Prüfung erneut aus.

Wenn der Prozess mit Killed in dmesg verschwindet und kein Python-Traceback erscheint, war der Out-of-Memory-Killer des Kernels aktiv. Betroffen ist dann der System-RAM, nicht der VRAM. Beim Offloading muss das gesamte Modell im System-RAM resident sein. Auf einem Rechner mit 16 GB reicht der Speicher daher zum Offloading eines 5B-Modells nicht aus. Rüsten Sie den RAM auf oder fügen Sie Swap hinzu.

FAQ

Kann ich AI-Videos auf einem VPS ohne GPU generieren?

Nein, zumindest nicht auf eine Weise, die Sie zweimal nutzen würden. Ein fünf Sekunden langer Clip mit 720p, dessen Generierung auf einer GPU mit 24 GB neun Minuten dauert, benötigt auf einer CPU viele Stunden. Dem Modell steht dort keine Matrix-Hardware zur Verfügung, und die Bandbreite des Arbeitsspeichers liegt um eine Größenordnung unter der Speicherbandbreite einer GPU. Ein CPU-Server kann die ComfyUI-Oberfläche bereitstellen, Ihre Modelle speichern und Ihre Workflows vorhalten. Für das Rendering selbst benötigen Sie jedoch eine GPU.

Wie viel VRAM benötige ich für Wan 2.2?

Für das Modell TI2V-5B sind 8 GB bei nativer Auslagerung durch ComfyUI die Untergrenze. 24 GB entsprechen der von Alibaba empfohlenen Ausstattung für die veröffentlichte Geschwindigkeit. Für die Text-to-Video- und Image-to-Video-Modelle A14B fordert die Model Card mindestens 80 GB VRAM für die Inferenz auf einer einzelnen GPU. Dafür benötigen Sie daher Data-Center-Karten.

Wie lang kann ein selbst gehosteter Clip sein?

Stand Juli 2026 sind etwa fünf Sekunden bei 720p die praktikable Einheit. Längere Ausgaben werden erzeugt, indem Sie Segmente generieren und anschließend verbinden. Dabei dient der letzte Frame eines Segments als erster Frame des nächsten. Über die Übergänge hinweg kann die Qualität abweichen. Behandeln Sie ein langes Video daher eher als Schnittaufgabe und nicht als eine einzelne Generierung.

Ist das stundenweise Mieten einer GPU günstiger als der Kauf einer Karte?

Das Mieten ist günstiger, wenn Sie pro Tag weniger als einige Stunden rendern. Beim Medianpreis von etwa 0.36 Dollar pro Stunde für eine Karte mit 24 GB im Juli 2026 können Sie die Karte lange mieten, bevor die Mietkosten ihren Kaufpreis erreichen. Außerdem vermeiden Sie den Kauf von Hardware, die sich für das Modell, das Sie tatsächlich verwenden möchten, als ungeeignet herausstellt. Der Kauf lohnt sich nur, wenn der Server jeden Tag fast den gesamten Tag ausgelastet ist.