Selbst gehosteter KI-Videogenerator: Was wirklich geht

Was ein selbst gehosteter KI-Videogenerator tatsächlich leisten kann

Ein selbst gehosteter KI-Videogenerator funktioniert heute. Er ist langsamer und erzeugt kleinere Ergebnisse, als Demo-Reels 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. Das Ergebnis ist ein Clip von ungefähr fünf Sekunden in 720p. Keine Szene. Keine fertige Minute Videomaterial.

Hier ist die kurze Antwort vor den Details. Eine Karte mit 24 GB rendert einen fünfsekündigen Clip in 720p in wenigen Minuten. Eine Karte mit 12 GB benötigt für dieselbe Aufgabe mindestens zwanzig Minuten, weil die Gewichte nicht 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 ausführen. Dieselbe Berechnung, die die Bildgenerierung auf der CPU langsam macht, macht die Videogenerierung auf der CPU unbrauchbar.

Wenn Sie bereits die Hardware-Abstufung für einen selbst gehosteten Bildgenerator gelesen haben, ist die Videogenerierung dasselbe Argument, nur mit jeder Zahl um eine Klasse höher. VRAM (Videospeicher, also der RAM, der direkt neben dem Grafikchip verlötet ist) ist weiterhin die einzige Spezifikation, die entscheidet, ob der Betrieb angenehm oder mühsam ist.

Warum ein Video so viel mehr kostet als ein Bild

Ein Diffusionsmodell erzeugt ein Bild, indem es in mehreren Schritten entrauscht. Bei jedem Schritt werden alle Gewichte des Modells gelesen. Ein Videomodell führt denselben Vorgang gleichzeitig für einen ganzen Frame-Block aus. Zusätzlich verwendet es Attention über die Zeit. Dadurch weiß Frame 80, 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 gleichmäßig mit der Clip-Länge steigen. Wenn sich die Anzahl der Frames verdoppelt, steigt der vom Sampler benötigte Speicher um mehr als das Doppelte. Das Problem ist daher nicht eine langsamere Verarbeitung. Der Render-Vorgang bricht ab.

Es gibt eine zweite Speicherspitze, mit der viele nicht rechnen. Nachdem der Sampler fertig ist, dekodiert der VAE (Variational Autoencoder, der komprimierte Latent-Daten in echte Pixel umwandelt) das gesamte latente Video auf einmal. Dieser Decodierungsvorgang kann mehr Speicher benötigen als das Sampling. Das typische Symptom ist ein Auftrag, bei dem der Fortschrittsbalken vollständig angezeigt wird und anschließend Folgendes ausgegeben wird:

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

Die Lösung ist die Kachel-Decodierung oder ein kürzerer Clip. Wenn Sie wissen, in welcher Phase der Speicher knapp wurde, vermeiden Sie eine Stunde langes Anpassen der falschen Einstellung.

Wie viel VRAM benötigen Sie für die KI-Videogenerierung

Zwei veröffentlichte Angaben bilden die Grundlage für die gesamte Entscheidung und scheinen sich zu widersprechen. 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 mindestens 24 GB VRAM. In der ComfyUI-Dokumentation steht dagegen, dass dasselbe 5B-Modell „mit dem nativen Offloading von ComfyUI problemlos in 8 GB VRAM passen sollte“.

Beide Angaben sind korrekt, weil sie unterschiedliche Dinge messen. 8 GB ist die Kapazität, in der das Modell ausgeführt werden kann. 24 GB ermöglicht einen reibungslosen Betrieb. Beim Offloading bleibt der größte Teil des Modells im System-RAM. Die Layer werden für jeden Schritt an die GPU übertragen. Dadurch wartet die Grafikkarte überwiegend 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 basiert auf einer Herstellerangabe. Die Karte mit 24 GB benötigt 9 Minuten pro Clip. Das entspricht der von Alibaba veröffentlichten Angabe für dieses Modell. Die übrigen Zeilen zeigen, wie sich Offloading auf die Laufzeit auswirkt. Dabei handelt es sich um Größenordnungen, nicht um Benchmark-Ergebnisse. Entscheidend ist der Verlauf: 40 Minuten auf einer Karte mit 8 GB sind technisch eine funktionierende Konfiguration, praktisch jedoch ein Batch-Auftrag, 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 Arbeitsplatzrechner. Ab diesem Punkt bedeutet selbst gehostet in der Praxis, dass Sie den Beschleuniger eines anderen Anbieters stundenweise mieten.

Was ein Clip auf einer gemieteten GPU kostet

Mieten ist die beste Möglichkeit, dies zu 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 Dollar pro Clip bei 0.36 Dollar pro Stunde. Die Zeilen für 80 GB führen die 14B-Modelle aus. Deshalb steigt ihr Preis pro Clip auf 0.6 Dollar, obwohl die Hardware selbst wesentlich schneller ist. Ein größeres Modell benötigt mehr Rechenleistung pro Sekunde Videomaterial.

Fünf Cent pro Clip wirken unbedeutend. Genau das ist irreführend. Die ersten nutzbaren fünf Sekunden entstehen nie durch einen einzigen Renderdurchlauf. Das Prompting eines Videomodells ist eine Suche. Bei einer Aufnahme mit gezielter Bewegung sind 20 bis 40 Renderdurchläufe bis zu einem brauchbaren Ergebnis normal. Eine Arbeitssitzung kostet daher eher Dollar als Cent. Ein Nachmittag mit Iterationen auf gemieteter Hardware kostet ungefähr so viel wie ein Mittagessen.

Zwei Details bei der Miete können bei fehlender Beachtung echte Kosten verursachen. Die Abrechnung läuft weiter, während die Instanz die Gewichte herunterlädt. Die Dateien von Wan 2.2 mit Text-Encoder und VAE umfassen mehrere Dutzend Gigabyte. Wählen Sie daher einen Anbieter mit einem persistenten Volume und laden Sie die Dateien nur einmal herunter. Die Abrechnung läuft auch weiter, wenn die Instanz untätig ist und Ihre SSH-Sitzung noch geöffnet ist. 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 den Treiber zuerst. Ohne diese Prüfung sehen alle späteren Fehler gleich aus.

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 Neustart auf. Beheben Sie das jetzt. Andernfalls verwendet ComfyUI den CPU-Pfad, und Sie suchen eine Stunde lang die Ursache beim 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

Bestätigen Sie, dass PyTorch die Grafikkarte erkennt, bevor Sie auch nur eine einzige 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 ordnungsgemäß funktioniert. False bedeutet, dass das installierte Wheel ein reiner CPU-Build ist. Das passiert, wenn pip einen zwischengespeicherten torch aus einer früheren Installation verwendet. Installieren Sie ihn mit der obigen Index-URL erneut.

Modelldateien von Wan 2.2 herunterladen

ComfyUI wird ohne Gewichte 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. Legen Sie eine Datei im falschen Ordner ab, listet der Loader-Knoten sie einfach nicht auf. Es gibt keine Fehlermeldung, die den Grund erklärt.

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. Deshalb ist es 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 erstellenden Person stammt. Planen Sie ausreichend Speicherplatz ein: Eine funktionierende Installation mit einer Modellfamilie und deren Ausgaben benötigt 100 GB. Videodateien sind deutlich größer als die PNG-Bilder, die ein Bild-Workflow erzeugt. Sichern Sie Ihre Workflow-JSON-Dateien beispielsweise mit verschlüsselten inkrementellen Backups in einem Object Storage, denn die Gewichte können erneut heruntergeladen werden, Ihre angepassten 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 in die Warteschlange stellen, jeden von Ihnen erzeugten Clip lesen und benutzerdefinierte Nodes installieren. Dadurch kann beliebiger Code auf Ihrem Server ausgeführt werden. 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 Vorlage Wan 2.2 über das Vorlagenmenü von ComfyUI, statt die Nodes manuell zu verbinden. Die offiziellen Vorlagen enthalten die Samplereinstellungen, für die das Modell optimiert wurde. Ein Videoworkflow bietet wesentlich mehr Stellen, an denen ein Wert unbemerkt falsch gesetzt werden kann, als ein Bildworkflow.

Wenn die ehrliche Antwort lautet, eine API zu verwenden

Das Selbst-Hosting der 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 oder 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 Möglichkeit zur Versionsfixierung unbemerkt ändern kann.

Verwenden Sie eine gehostete API, wenn Sie einige Clips pro Monat benötigen, wenn Sie eine längere oder größere Ausgabe brauchen, als die offenen Modelle erzeugen, oder wenn Sie diese Woche einen Termin einhalten müssen. Berechnen Sie den Break-even ehrlich. Eine 24-GB-Karte, die rund um die Uhr gemietet wird, kostet zum Medianpreis im Juli 2026 ungefähr 260 Dollar pro Monat. Der Kauf derselben Karte kostet im Voraus mehr als diesen Betrag, bevor Sie ein einziges Frame erzeugt haben. Ein nicht ausgelasteter selbst gehosteter Server verliert bei der Preisberechnung pro Clip jedes Mal gegen eine API. Dies ist derselbe Zielkonflikt, der auch die Bereitstellung von Textmodellen bestimmt, beschrieben in Ollama im Vergleich zu vLLM für das Self-Hosting von LLMs. Er baut auf der grundlegenderen Frage in ob sich ein VPS mit einer GPU überhaupt lohnt auf.

Was bei einem fehlgeschlagenen Rendern zu prüfen ist

Wenn ein Render-Vorgang ganz am Ende abbricht, nachdem der Sampler-Balken vollständig durchgelaufen ist, ist beim VAE-Decoding der Speicher ausgegangen. Reduzieren Sie die Anzahl der Frames oder wechseln Sie zu einem Node für Tiled Decoding. Eine Änderung der Schrittanzahl hilft nicht, da das Decoding einmal ausgeführt wird, nachdem alle Schritte bereits abgeschlossen sind.

Eine vollständig schwarze oder stark verfälschte Ausgabe bedeutet normalerweise, dass das VAE nicht zum Modell passt. Ein gegen ein Wan 2.2-Diffusionsmodell geladenes Wan 2.1 VAE erzeugt genau dieses Ergebnis. Im Log erscheint dabei kein Fehler.

Wenn ein Render-Vorgang zwar läuft, auf einem Rechner mit bekannter GPU-Unterstützung aber Stunden dauert, verwendet ComfyUI den CPU-Pfad. Prüfen Sie die Gerätezeile im Start-Log und führen Sie anschließend die oben gezeigte Prüfung torch.cuda.is_available() 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. Beim Offloading muss das gesamte Modell im System-RAM resident sein. Ein Rechner mit 16 GB, der ein 5B-Modell auslagert, verfügt daher über zu wenig Speicher. Erweitern Sie den RAM oder fügen Sie Swap hinzu.

FAQ

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

Nein, nicht in einer Form, die Sie zweimal nutzen würden. Ein fünf Sekunden langer 720p-Clip, der auf einer 24-GB-GPU neun Minuten benötigt, braucht auf einer CPU viele Stunden. Der Grund ist, dass dem Modell keine Matrix-Hardware zur Verfügung steht und die Bandbreite des System-RAMs um eine Größenordnung unter der Speicherbandbreite einer GPU liegt. Ein CPU-Server kann die ComfyUI-Oberfläche hosten, Ihre Modelle speichern und Ihre Workflows bereithalten. Für das Rendern selbst ist jedoch eine GPU erforderlich.

Wie viel VRAM benötige ich für Wan 2.2?

Für das Modell TI2V-5B sind 8 GB mit nativem ComfyUI-Offloading die Untergrenze. 24 GB empfiehlt Alibaba, um die veröffentlichte Geschwindigkeit zu erreichen. 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 Data-Center-Karten.

Wie lang kann ein selbst gehosteter Clip sein?

Stand Juli 2026 sind etwa fünf Sekunden bei 720p die praktische Einheit. Längere Ausgaben werden erzeugt, indem Sie Segmente erstellen und zusammenfügen. Dabei verwenden Sie das letzte Bild eines Segments als erstes Bild des nächsten. An den Übergängen kann die Qualität abweichen. Behandeln Sie ein langes Video daher als Bearbeitungsaufgabe und nicht als eine einzige 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 24-GB-Karte im Juli 2026 können Sie lange mieten, bevor die Mietkosten den Kaufpreis dieser Karte 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 die meiste Zeit ausgelastet ist.