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 Demovideos vermuten lassen. Im Juli 2026 sind Wan 2.2 von Alibaba und HunyuanVideo von Tencent die offenen Modelle, deren Betrieb sich lohnt. Dazu kommt LTX-Video von Lightricks, wenn Geschwindigkeit wichtiger ist als Realismus. Alle laufen unter ComfyUI auf einem Linux-Rechner mit einer NVIDIA-GPU. Mit Wan 2.2, dem Modell, das diese Anleitung einrichtet, erhalten Sie einen Clip von ungefähr fünf Sekunden in 720p. Lightricks nennt für LTX-2.5, das aktuelle Modell des Unternehmens, höhere Werte. Es erzeugt auch Audio: bis zu 20 Sekunden pro Clip in 720p oder 1080p mit 24 oder 25 fps sowie natives 4K mit bis zu 50 fps für Clips von bis zu 10 Sekunden. Diese Grenzen gelten für die eigene API von Lightricks, obwohl die Gewichte von LTX-2.5 ebenfalls offen auf Hugging Face veröffentlicht sind. Es bleibt trotzdem eine einzelne Aufnahme. Keine Szene. Keine Minute fertiges Videomaterial.

Hier ist die kurze Antwort vor den Details. Eine Karte mit 24 GB rendert einen fünf Sekunden langen 720p-Clip in wenigen Minuten. Eine Karte mit 12 GB erledigt dieselbe Aufgabe in 20 Minuten oder länger, weil die Gewichte nicht in den Videospeicher passen und die Software die Layer ständig zwischen Videospeicher und System-RAM verschiebt. Ein Server ohne GPU kann dies praktisch nicht ausführen. Die Berechnungen, die die Bilderzeugung auf der CPU langsam machen, lassen die Videoerzeugung auf der CPU sinnlos werden.

Wenn Sie bereits die Hardware-Abstufungen für einen selbst gehosteten Bildgenerator gelesen haben, ist Video dasselbe Argument, nur mit jeder Zahl um eine Klasse nach oben verschoben. VRAM (Videospeicher, also der RAM, der direkt neben dem Grafikchip verlötet ist) ist weiterhin die einzige technische Kennzahl, 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 den Rahmen für die gesamte Entscheidung, wirken jedoch widersprüchlich. 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. Empfohlen werden mindestens 24 GB VRAM. In der ComfyUI-Dokumentation steht dagegen, dass dasselbe 5B-Modell „mit dem nativen ComfyUI-Offloading problemlos auf 8 GB VRAM passen sollte“.

Beides ist richtig, weil unterschiedliche Dinge gemessen werden. 8 GB reichen aus, damit das Modell geladen werden kann. Mit 24 GB arbeitet es ohne größere Einschränkungen. Beim Offloading verbleibt der größte Teil des Modells im Arbeitsspeicher des Systems. Für jeden Schritt werden die Layer in die GPU gestreamt. Dadurch wartet die Grafikkarte einen großen Teil der Zeit auf den PCIe-Bus, statt Berechnungen auszuführen. Dieser Aufwand fällt 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. Es handelt sich dabei um Größenordnungen, nicht um Benchmark-Ergebnisse. Die Größenordnung 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. Alibabas eigener Befehl zur Inferenz auf einer einzelnen GPU verlangt für die A14B-Varianten zur Text-zu-Video- und Bild-zu-Video-Erzeugung mindestens 80 GB VRAM. Keine Consumer-Grafikkarte verfügt über so viel VRAM. Wenn Sie den Befehl wie veröffentlicht ausführen, benötigen Sie daher einen Data-Center-Beschleuniger wie A100 oder H100 oder eine Workstation-Karte wie die NVIDIA RTX PRO 6000 Blackwell mit 96 GB. Diese Angabe gilt für Alibabas Script, nicht für jede Möglichkeit, die Modelle auszuführen. Der dynamische VRAM-Loader von ComfyUI, der im März 2026 für NVIDIA-Karten unter Windows und Linux dokumentiert wurde, hat beide 14B-Experten in fp16 und fp8 auf einer RTX 5060 getestet. Dabei wurden die Gewichte bei Bedarf geladen. Diese Ausführungen erzeugten 81 Frames mit 320 mal 320 Pixeln. Sie zeigen daher, dass sich die A14B-Modelle auf einer kleinen Karte laden lassen. Sie zeigen nicht, dass 720p dort schnell oder auch nur praktisch ist. Für eine 14B-Ausgabe in 720p innerhalb einer angemessenen Zeit bedeutet Self-Hosting weiterhin meist, den Beschleuniger eines anderen Anbieters stundenweise zu mieten. Auf der Textseite reicht dieselbe Rechnung noch deutlich weiter. Ein Modell wie Kimi K3 mit 2,8 Billionen Parametern selbst zu hosten ist dann keine Frage mehr nach einer einzelnen Karte, sondern danach, wie viele Karten mit 80 GB Sie sich leisten können, miteinander zu verbinden.

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.

Führen Sie es aus und greifen Sie sicher darauf zu

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

ComfyUI hat weder eine Anmeldeseite noch Benutzerkonten. Alles, was Port 8188 erreichen kann, kann Jobs in die Warteschlange stellen und auf jeden von Ihnen erzeugten Clip zugreifen. Wenn Sie später ComfyUI-Manager aktivieren, hängt es von dessen Sicherheits- und Netzwerkeinstellungen ab, ob ein entfernter Besucher zusätzlich benutzerdefinierte Nodes installieren kann. Ein benutzerdefinierter Node ermöglicht die Ausführung beliebigen Codes auf Ihrem Server. 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 für die Wan 2.2-Vorlage 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 gleichmäßig ist, wenn Ihre Frames die eigene Infrastruktur nicht verlassen dürfen oder wenn Sie ein bestimmtes Modell oder einen benutzerdefinierten Adapter benötigen, den kein gehosteter Dienst anbietet. Es ist ebenfalls die richtige Entscheidung, wenn die Pipeline auch in einem Jahr noch unverändert funktionieren muss. Einige gehostete Modelle ändern sich unter Ihrer Anwendung: Replicate hält seine offiziellen Modelle auf dem neuesten Stand und fragt Sie nicht nach einer Version. Andere Modelle können auf eine Version festgelegt werden. Die Community-Modelle von Replicate werden mit einer bestimmten Version aufgerufen. Prüfen Sie dies daher, bevor Sie darauf aufbauen.

Verwenden Sie eine gehostete API, wenn Sie nur wenige Clips pro Monat benötigen, wenn Ihre Ausgabe länger oder größer sein muss als bei den Open Models oder wenn Sie diese Woche einen Termin einhalten müssen. Berechnen Sie den Break-even ehrlich. Eine rund um die Uhr gemietete 24-GB-Karte kostet beim Median von Juli 2026 ungefähr 260 Dollar pro Monat. Der Kauf derselben Karte kostet zunächst mehr als dieser Betrag, bevor Sie auch nur ein Frame erzeugt haben. Eine ungenutzte Self-Hosting-Maschine ist bei einer Abrechnung pro Clip immer teurer als eine API. Das ist derselbe Zielkonflikt, der auch bestimmt, wie Sie Textmodelle bereitstellen. Er wird in Ollama im Vergleich zu vLLM für das Self-Hosting von LLMs behandelt und baut auf der grundsätzlicheren Frage in ob sich ein VPS mit GPU überhaupt lohnt auf.

Was Sie bei einem fehlgeschlagenen Render prüfen sollten

Wenn ein Render ganz am Ende abbricht, nachdem der Sampler-Balken vollständig durchgelaufen ist, reicht der Speicher beim VAE-Decoding nicht aus. Reduzieren Sie die Frame-Anzahl oder wechseln Sie zu einem Node für geteiltes Decoding. Eine Änderung der Step-Anzahl hilft nicht, weil das Decoding einmalig erfolgt, nachdem bereits alle Steps ausgeführt wurden.

Eine vollständig schwarze oder stark fehlerhafte Ausgabe bedeutet meist, dass der VAE nicht zum Modell passt. Anhand der Versionsnummern lässt sich nicht erkennen, welche Datei korrekt ist: Das Modell Wan 2.2 TI2V-5B verwendet den Wan 2.2 VAE, während Alibabas eigene Konfiguration für die Modelle Wan 2.2 A14B den Wan 2.1 VAE vorgibt. Laden Sie den VAE, den das offizielle Template für Ihr Modell nennt.

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

Wenn der Prozess mit Killed in dmesg verschwindet und kein Python-Traceback ausgegeben wird, handelt es sich um den Out-of-Memory-Killer des Kernels. Betroffen ist dann der System-RAM, nicht der VRAM. Wie viel RAM das Offloading benötigt, hängt davon ab, wie ComfyUI die Gewichte lädt. Der dynamische VRAM-Loader von ComfyUI, der unter Linux und Windows auf NVIDIA-Karten läuft, bindet die Gewichtedateien von der Festplatte ein und lädt sie bei Bedarf. Laut ComfyUI können damit Modelle ausgeführt werden, die den physisch verfügbaren RAM überschreiten. 16 GB System-RAM schließen das Offloading eines 5B-Modells daher nicht grundsätzlich aus. Ältere Builds sowie aktuelle Builds, die mit --disable-dynamic-vram gestartet wurden, verwenden die frühere schätzungsbasierte Lademethode und können auf einem Rechner mit wenig RAM scheitern. Aktualisieren Sie ComfyUI und prüfen Sie, dass das Flag nicht gesetzt ist. Wenn der Killer weiterhin aktiv wird, erweitern Sie den RAM oder fügen Sie Swap hinzu.

FAQ

Kann ich auf einem VPS ohne GPU KI-Videos erzeugen?

Nein, nicht auf eine Weise, die Sie zweimal nutzen würden. Ein fünf Sekunden langer Clip mit 720p, dessen Erzeugung auf einer GPU mit 24 GB neun Minuten dauert, benötigt auf einer CPU viele Stunden. Einige Server-CPUs verfügen über integrierte Matrixeinheiten, beispielsweise Intel Xeon-Prozessoren mit AMX. Ihr Durchsatz liegt jedoch weit unter dem einer GPU, und die Bandbreite des Arbeitsspeichers ist um eine Größenordnung niedriger als die Speicherbandbreite einer GPU. Ein CPU-Server kann die ComfyUI-Oberfläche bereitstellen, Ihre Modelle speichern und Ihre Workflows aufnehmen. Für das eigentliche Rendering ist jedoch eine GPU erforderlich.

Wie viel VRAM benötige ich für Wan 2.2?

Für das Modell TI2V-5B sind 8 GB mit dem nativen ComfyUI-Offloading die Untergrenze. 24 GB empfiehlt Alibaba, um die veröffentlichte Geschwindigkeit zu erreichen. Für die A14B-Text-to-Video- und Image-to-Video-Modelle fordert Alibabas Befehl für die Inferenz mit einer einzelnen GPU mindestens 80 GB VRAM. Das bedeutet eine 80-GB-Rechenzentrumskarte oder eine Workstation-Karte mit 96 GB, beispielsweise die RTX PRO 6000 Blackwell, wenn Sie das Modell auf diese Weise ausführen. Der dynamische VRAM-Loader von ComfyUI hat beide 14B-Experten auf einer RTX 5060 ausgeführt, jedoch nur in einem Benchmark mit 320 mal 320 Pixeln. Betrachten Sie dies daher als Nachweis, dass die Modelle auf einer kleinen Karte geladen werden können, nicht als Geschwindigkeits- oder Speicherangabe für 720p.

Wie lang kann ein selbst gehosteter Clip sein?

Mit Wan 2.2 sind etwa fünf Sekunden bei 720p im Juli 2026 die praktikable Einheit. Lightricks dokumentiert LTX-2.5-Clips mit erzeugtem Audio von bis zu 20 Sekunden bei 720p und 1080p sowie bis zu 10 Sekunden bei 1440p, 4K oder 48 bis 50 fps. Längere Ausgaben werden erzeugt, indem Sie Segmente erstellen und zusammenfügen. Dabei wird das letzte Bild eines Segments als erstes Bild des nächsten Segments verwendet. Die Qualität verändert sich an den Übergängen. Betrachten Sie ein langes Video daher als Bearbeitungsaufgabe und nicht als eine einzige Generierung.

Ist es günstiger, eine GPU stundenweise zu mieten, als eine Karte zu kaufen?

Mieten ist bei weniger als einigen Stunden Rendering pro Tag günstiger. Beim Medianpreis von etwa 0,36 Dollar pro Stunde für eine Karte mit 24 GB im Juli 2026 können Sie lange mieten, bevor Sie den Kaufpreis dieser Karte erreichen. Außerdem vermeiden Sie den Kauf von Hardware, die sich für das tatsächlich gewünschte Modell als ungeeignet herausstellt. Ein Kauf lohnt sich nur, wenn der Server jeden Tag die meiste Zeit ausgelastet ist.