Generador de video con IA autoalojado: realidad

Qué puede hacer realmente un generador de vídeo con IA autoalojado

Un generador de vídeo con IA autoalojado funciona actualmente, pero es más lento y genera clips más cortos que los que sugieren los vídeos de demostración. En julio de 2026, los modelos abiertos que merece la pena ejecutar son Wan 2.2, de Alibaba, y HunyuanVideo, de Tencent, además de LTX-Video, de Lightricks, cuando la velocidad importa más que el realismo. Todos funcionan con ComfyUI en una máquina Linux con una GPU NVIDIA. Con Wan 2.2, el modelo que configura esta guía, se obtiene un clip de aproximadamente cinco segundos a 720p. Lightricks documenta límites mayores para LTX-2.5, su modelo actual, que también genera audio: hasta 20 segundos por clip a 720p o 1080p y 24 o 25 fps, además de 4K nativo a un máximo de 50 fps para clips de hasta 10 segundos. Esos límites corresponden a la API de Lightricks, aunque los pesos de LTX-2.5 también están publicados abiertamente en Hugging Face. Sigue siendo una sola toma. No es una escena. No es un minuto de metraje terminado.

Esta es la respuesta breve antes de entrar en detalles. Una tarjeta de 24 GB renderiza un clip de cinco segundos a 720p en unos pocos minutos. Una tarjeta de 12 GB tarda 20 minutos o más en hacer el mismo trabajo, porque los pesos no caben en la memoria de vídeo y el software mueve continuamente capas entre la memoria de vídeo y la RAM del sistema. Un servidor sin GPU no puede hacerlo de forma útil. El cálculo que hacía lenta la generación de imágenes con CPU hace que la generación de vídeo con CPU no tenga sentido.

Si ya ha leído la escala de hardware para un generador de imágenes autoalojado, el vídeo aplica el mismo razonamiento, pero con cada cifra desplazada una categoría hacia arriba. La VRAM (memoria de vídeo, la RAM soldada junto al chip gráfico) sigue siendo la única especificación que determina si esto resulta sencillo o problemático.

Por qué un video cuesta mucho más que una imagen

Un modelo de difusión genera una imagen eliminando el ruido en varios pasos, y cada paso lee todos los pesos del modelo. Un modelo de video hace lo mismo con un bloque completo de fotogramas a la vez. Además, aplica atención temporal para que el fotograma 80 sepa cómo era el fotograma 12. Cinco segundos a 24 fotogramas por segundo son 120 fotogramas en un solo lote.

La atención temporal hace que el costo no aumente de forma lineal con la duración del clip. Duplicar la cantidad de fotogramas aumenta en más del doble la memoria que necesita el muestreador. Por eso, el fallo no consiste en que el renderizado sea más lento. El renderizado se detiene.

Hay un segundo pico de memoria que suele pasar desapercibido. Cuando termina el muestreador, el VAE (autocodificador variacional, el componente que convierte el espacio latente comprimido en píxeles reales) decodifica todo el video latente de una vez. Esa decodificación puede necesitar más memoria que el muestreo. El síntoma es un trabajo que muestra la barra de progreso completa y después imprime esto:

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

La solución es usar una decodificación por bloques o un clip más corto. Saber en qué etapa se agotó la memoria evita ajustar el parámetro equivocado durante una hora.

Cuánta VRAM necesita para generar vídeos con IA

Dos cifras publicadas permiten entender toda la decisión, pero parecen contradictorias. Alibaba indica que el modelo Wan 2.2 TI2V-5B genera clips de 720p a 24 fotogramas por segundo y de cinco segundos de duración en menos de nueve minutos con una sola GPU de consumo, como una 4090, y recomienda al menos 24 GB de VRAM. La documentación de ComfyUI indica que el mismo modelo 5B «debería funcionar bien con 8GB de VRAM usando el offloading nativo de ComfyUI».

Ambas cifras son correctas porque miden cosas distintas. 8 GB es el mínimo con el que funciona. 24 GB es la capacidad con la que funciona sin limitaciones importantes. El offloading mantiene la mayor parte del modelo en la RAM del sistema y transfiere las capas a la GPU en cada paso. Por eso, la tarjeta pasa gran parte del tiempo esperando al bus PCIe en lugar de hacer cálculos. Ese coste se paga en cada paso del sampler, no una sola vez.

[
  {
    "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
  }
]

Sólo la última fila corresponde a una cifra del fabricante. La tarjeta de 24 GB tarda 9 minutos por clip, que es la cifra publicada por Alibaba para este modelo. Las demás filas muestran el efecto del offloading y representan órdenes de magnitud, no resultados de benchmarks. La tendencia es lo importante: 40 minutos en una tarjeta de 8 GB es una configuración que funciona técnicamente, pero en la práctica es un trabajo por lotes que se deja ejecutándose durante la noche.

Los modelos Wan 2.2 más grandes pertenecen a otra categoría. El comando de inferencia para una sola GPU que publica Alibaba para las variantes A14B de texto a vídeo e imagen a vídeo requiere al menos 80 GB de VRAM. Ninguna tarjeta de consumo tiene esa capacidad. Por tanto, ejecutar ese comando tal como está publicado requiere un acelerador de centro de datos, como un A100 o un H100, o una tarjeta de estación de trabajo como la NVIDIA RTX PRO 6000 Blackwell con 96 GB. Esa cifra corresponde al script de Alibaba, no a todas las formas de ejecutar los modelos. El cargador dinámico de VRAM de ComfyUI, documentado en marzo de 2026 para tarjetas NVIDIA en Windows y Linux, ha probado los dos expertos 14B, en fp16 y fp8, en una RTX 5060 mediante la carga de los pesos cuando son necesarios. Esas ejecuciones usaron 81 fotogramas a 320 por 320. Por tanto, demuestran que los modelos A14B pueden cargarse en una tarjeta pequeña, pero no que 720p sea rápido o siquiera práctico en ella. Para generar contenido 14B a 720p en un tiempo razonable, el alojamiento propio sigue significando normalmente alquilar por horas el acelerador de otra persona. La misma aritmética alcanza una escala mucho mayor en el texto, donde alojar uno mismo un modelo de 2,8 billones de parámetros como Kimi K3 deja de ser una cuestión de una sola tarjeta y pasa a ser una cuestión de cuántas tarjetas de 80 GB puede permitirse conectar.

Cuánto cuesta un clip en una GPU alquilada

El alquiler es la opción que debería usar la mayoría para probar este proceso, porque una tarjeta que compre puede no ser adecuada si el modelo que finalmente quiere usar necesita 80 GB. Precios medianos bajo demanda en el mercado de alquiler de GPU, a fecha de julio de 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
  }
]

La fila de la 4090 ejecuta el modelo 5B y cuesta aproximadamente 0.05 dólares por clip, a 0.36 dólares por hora. Las filas con 80 GB ejecutan los modelos 14B. Por eso, el coste por clip sube a 0.6 dólares, aunque el hardware sea mucho más rápido. Un modelo más grande requiere más cálculo por segundo de vídeo.

Cinco céntimos por clip parece poco, y ahí está el aspecto engañoso. Los primeros cinco segundos utilizables nunca salen de un único renderizado. Crear prompts para un modelo de vídeo es un proceso de búsqueda, y es normal hacer entre veinte y cuarenta renderizados antes de obtener una toma aprovechable cuando se necesita un movimiento específico. Por tanto, una sesión de trabajo cuesta dólares, no céntimos, y una tarde de iteración en hardware alquilado cuesta aproximadamente lo mismo que un almuerzo.

Hay dos detalles del alquiler que pueden generar costes importantes si los pasa por alto. Se le factura mientras el equipo descarga los pesos, y los archivos de Wan 2.2, junto con su codificador de texto y su VAE, ocupan decenas de gigabytes. Por eso, elija un proveedor con un volumen persistente y descargue los archivos una sola vez. También se le factura mientras el equipo permanece inactivo con la sesión SSH abierta. Detenga la instancia en lugar de limitarse a cerrar el terminal.

Instalar ComfyUI en el equipo con GPU

Parta de Ubuntu 24.04 con el controlador de NVIDIA ya instalado. Compruebe primero el controlador, porque sin esta comprobación todos los fallos posteriores parecen iguales.

nvidia-smi

Debe mostrar una tabla con la tarjeta y una versión de CUDA. Si muestra NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, el módulo del kernel no está cargado. Esto suele ocurrir después de actualizar el kernel sin reiniciar. Corríjalo en este punto. De lo contrario, ComfyUI recurrirá a la CPU y perderá una hora buscando el problema en el modelo.

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

Confirme que PyTorch detecta la tarjeta antes de descargar un solo archivo de pesos.

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

True junto con el nombre de la tarjeta indica que la pila funciona correctamente. False indica que la wheel instalada es la compilación exclusiva para CPU. Esto ocurre cuando pip encuentra una versión de torch almacenada en caché de una instalación anterior. Vuelva a instalarla con la URL del índice anterior.

Descargar los archivos del modelo Wan 2.2

ComfyUI no incluye pesos, y un modelo de vídeo no consta de un solo archivo. Está formado por un modelo de difusión, un codificador de texto y un VAE. Cada componente debe ir en su propio directorio. Si coloca un archivo en la carpeta incorrecta, el nodo cargador simplemente no lo mostrará, sin ningún error que explique el motivo.

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

El modelo 5B admite tanto texto a vídeo como imagen a vídeo, por lo que es el punto de partida más recomendable. Prefiera siempre .safetensors en lugar de .ckpt. Un archivo .ckpt es un objeto Python serializado con pickle, por lo que cargarlo ejecuta el código escrito por quien lo creó. Reserve suficiente espacio en disco: una instalación funcional con una familia de modelos y sus archivos de salida necesita 100 GB. Los archivos de vídeo ocupan mucho más que las imágenes PNG que genera un flujo de trabajo de imagen. Haga copias de seguridad de los archivos JSON de sus flujos de trabajo, por ejemplo mediante copias de seguridad incrementales cifradas en almacenamiento de objetos, porque los pesos se pueden volver a descargar, pero los flujos de trabajo ajustados no.

Ejecútelo y acceda de forma segura

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

ComfyUI no tiene pantalla de inicio de sesión ni cuentas de usuario. Cualquier equipo que pueda acceder al puerto 8188 puede poner trabajos en cola y leer todos los clips que haya generado. Si más adelante habilita ComfyUI-Manager, que un visitante remoto también pueda instalar nodos personalizados dependerá de su configuración de seguridad y de red, y un nodo personalizado permite ejecutar código arbitrario en su servidor. Enlácelo a localhost y acceda mediante un túnel SSH desde su propio equipo.

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

A continuación, abra http://127.0.0.1:8188 en el navegador. Cargue el flujo de trabajo de plantilla Wan 2.2 desde el menú de plantillas de ComfyUI en lugar de conectar los nodos manualmente. Las plantillas oficiales incluyen la configuración del sampler con la que se ajustó el modelo, y un flujo de trabajo de vídeo tiene muchos más puntos en los que se puede introducir un valor incorrecto sin darse cuenta que un flujo de trabajo de imagen.

La respuesta honesta es usar una API

El autoalojamiento de generación de vídeo es la opción adecuada cuando el volumen es alto y estable, cuando los fotogramas no deben salir de su propia infraestructura o cuando necesita un modelo específico o un adaptador personalizado que ningún servicio alojado ofrece. También es adecuado cuando la canalización debe seguir funcionando de la misma forma dentro de un año. Algunos modelos alojados cambian sin que usted lo controle: Replicate mantiene sus modelos oficiales actualizados a la última versión y no le permite elegir una versión. Otros se pueden fijar, y los modelos de la comunidad de Replicate se invocan con una versión específica, así que compruébelo antes de basar su implementación en uno de ellos.

Use una API alojada cuando necesite unos pocos clips al mes, cuando necesite una salida más larga o de mayor tamaño que la que producen los modelos abiertos o cuando tenga una fecha límite esta semana. Calcule el punto de equilibrio con honestidad. Una tarjeta de 24 GB alquilada de forma continua al precio mediano de julio de 2026 cuesta aproximadamente 260 dólares al mes, y comprar la misma tarjeta cuesta más que eso por adelantado, antes de generar un solo fotograma. Un equipo autoalojado inactivo siempre sale perdiendo frente al precio de una API por clip. Esta es la misma decisión que determina cómo sirve modelos de texto, explicada en Ollama frente a vLLM para servir LLM autoalojados, y se basa en la pregunta más básica de si un VPS con GPU merece realmente la inversión.

Qué comprobar cuando falla un renderizado

Si un renderizado termina justo al final, después de que se complete la barra del sampler, se quedó sin memoria durante la decodificación del VAE. Reduzca el número de fotogramas o cambie a un nodo de decodificación por teselas. Cambiar el número de pasos no ayudará porque la decodificación se ejecuta una vez, después de completar todos los pasos.

Una salida completamente negra o muy distorsionada suele indicar que el VAE no coincide con el modelo. Los números de versión no indican qué archivo es el correcto: el modelo Wan 2.2 TI2V-5B usa el VAE de Wan 2.2, mientras que la configuración propia de Alibaba para los modelos Wan 2.2 A14B especifica el VAE de Wan 2.1. Cargue el VAE que indique la plantilla oficial de su modelo.

Si el renderizado se ejecuta, pero tarda horas en una máquina que sabe que tiene una GPU, ComfyUI está usando la ruta de CPU. Compruebe la línea del dispositivo en el registro de inicio y vuelva a ejecutar la comprobación torch.cuda.is_available() anterior.

Si el proceso desaparece con Killed en dmesg y no aparece ningún traceback de Python, se trata del terminador del kernel por falta de memoria. En este caso falta RAM del sistema, no VRAM. La cantidad de RAM que necesita la descarga depende de cómo ComfyUI cargue los pesos. Su cargador dinámico de VRAM, que se ejecuta en tarjetas NVIDIA en Linux y Windows, asigna los archivos de pesos desde el disco y los carga según sea necesario. ComfyUI indica que puede ejecutar modelos que superan la RAM física disponible, por lo que tener 16 GB de RAM del sistema no impide por sí solo descargar un modelo 5B. Las compilaciones antiguas y las actuales iniciadas con --disable-dynamic-vram usan la carga anterior basada en estimaciones y pueden dejar sin memoria a un equipo pequeño. Actualice ComfyUI y compruebe que la opción no esté definida. Si el terminador sigue actuando, añada RAM o configure swap.

FAQ

¿Puedo generar vídeo con IA en un VPS sin GPU?

No, al menos no de una forma que usaría dos veces. Un clip de 5 segundos a 720p que tarda 9 minutos en una GPU de 24 GB puede tardar muchas horas en una CPU. Algunas CPU de servidor incluyen unidades matriciales, como los procesadores Intel Xeon con AMX, pero su rendimiento es muy inferior al de una GPU y el ancho de banda de la RAM del sistema es un orden de magnitud menor que el de la memoria de la GPU. Un servidor con CPU puede alojar la interfaz de ComfyUI, almacenar los modelos y conservar los workflows, pero el renderizado necesita una GPU.

¿Cuánta VRAM necesito para Wan 2.2?

Para el modelo TI2V-5B, 8 GB es el mínimo con la descarga nativa de ComfyUI y 24 GB es la cantidad que recomienda Alibaba para alcanzar la velocidad publicada. Para los modelos de texto a vídeo y de imagen a vídeo A14B, el comando de inferencia de Alibaba para una sola GPU solicita al menos 80 GB de VRAM. Esto requiere una tarjeta de centro de datos de 80 GB o una tarjeta para estaciones de trabajo de 96 GB, como la RTX PRO 6000 Blackwell, si se ejecuta de esa forma. El cargador dinámico de VRAM de ComfyUI ha ejecutado los dos expertos 14B en una RTX 5060, pero sólo en una prueba de 320 por 320. Por tanto, considérelo una prueba de que los modelos se cargan en una tarjeta pequeña, no una cifra de velocidad o memoria para 720p.

¿Qué duración puede tener un clip autoalojado?

Con Wan 2.2, unos 5 segundos a 720p es la unidad práctica en julio de 2026. Lightricks documenta clips de LTX-2.5 con audio generado de hasta 20 segundos a 720p y 1080p, y de hasta 10 segundos a 1440p, 4K o entre 48 y 50 fps. El contenido más largo se produce generando segmentos y uniéndolos. Para ello, se usa el último fotograma de un segmento como primer fotograma del siguiente. La calidad puede variar en las uniones, así que considere un vídeo largo como un trabajo de edición y no como una única generación.

¿Es más barato alquilar una GPU por horas que comprar una tarjeta?

Alquilar resulta más rentable si se renderiza menos de unas pocas horas al día. Con la mediana de julio de 2026, de aproximadamente 0.36 dólares por hora para una tarjeta de 24 GB, puede alquilar durante mucho tiempo antes de igualar el precio de compra de esa tarjeta. Además, evita comprar hardware que resulte ser de una categoría incorrecta para el modelo que realmente quiere usar. Comprar sólo resulta rentable cuando el equipo está ocupado la mayor parte del día, todos los días.