Générateur vidéo IA auto-hébergé : que vaut-il vraiment ?

Ce qu'un générateur de vidéo IA auto-hébergé peut réellement faire

Un générateur de vidéo IA auto-hébergé est fonctionnel aujourd'hui, mais il est plus lent et plus limité que ne le suggèrent les vidéos de démonstration. En juillet 2026, les modèles open source qui valent la peine d'être exécutés sont Wan 2.2 d'Alibaba et HunyuanVideo de Tencent, ainsi que LTX-Video de Lightricks lorsque la vitesse prime sur le réalisme. Tous s'exécutent sous ComfyUI sur une machine Linux équipée d'un GPU NVIDIA. Avec Wan 2.2, le modèle configuré dans ce guide, vous obtenez un clip d'environ cinq secondes en 720p. Lightricks documente des capacités supérieures pour LTX-2.5, son modèle actuel, qui génère également de l'audio : jusqu'à 20 secondes par clip en 720p ou 1080p à 24 ou 25 fps, et du 4K natif jusqu'à 50 fps pour des clips allant jusqu'à 10 secondes. Ces limites concernent l'API de Lightricks, bien que les poids de LTX-2.5 soient également publiés en open source sur Hugging Face. Il s'agit toujours d'un plan unique. Pas d'une scène. Pas d'une minute de métrage finalisé.

Voici la réponse courte avant d'entrer dans les détails. Une carte de 24 GB rend un clip 720p de cinq secondes en quelques minutes. Une carte de 12 GB effectue le même travail en vingt minutes ou plus, car les poids ne tiennent pas dans la mémoire vidéo et le logiciel déplace constamment les couches entre la VRAM et la RAM système. Un serveur sans GPU ne peut pas effectuer cette tâche de manière utile. Le calcul qui rendait la génération d'images par CPU lente rend la génération de vidéo par CPU inutile.

Si vous avez déjà lu l'échelle du matériel pour un générateur d'images auto-hébergé, la vidéo repose sur le même argument, avec chaque valeur décalée d'une classe vers le haut. La VRAM (mémoire vidéo, la RAM soudée à côté de la puce graphique) reste la seule spécification qui détermine si l'expérience sera agréable ou pénible.

Pourquoi une vidéo coûte beaucoup plus cher qu’une image

Un modèle de diffusion génère une image en la débruitant par étapes. À chaque étape, il lit tous les poids du modèle. Un modèle vidéo fait la même chose sur un bloc complet d’images à la fois. Il ajoute aussi une attention temporelle, afin que l’image 80 sache à quoi ressemblait l’image 12. Cinq secondes à 24 images par seconde représentent 120 images dans un seul batch.

Cette attention temporelle explique pourquoi le coût n’augmente pas simplement avec la durée du clip. Doubler le nombre d’images fait plus que doubler la mémoire nécessaire au sampler. Le problème n’est donc pas un rendu plus lent. Le rendu s’arrête.

Il y a un deuxième pic de consommation mémoire auquel on ne s’attend pas toujours. Une fois le sampler terminé, le VAE (variational autoencoder, le composant qui transforme le latent compressé en pixels réels) décode toute la vidéo latente en une seule fois. Ce décodage peut nécessiter plus de mémoire que le sampling. Le symptôme est un job qui affiche une barre de progression terminée, puis ce message :

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

La solution consiste à utiliser un décodage par tuiles ou un clip plus court. Savoir à quelle étape la mémoire est épuisée vous évite de régler le mauvais paramètre pendant une heure.

Quelle quantité de VRAM faut-il pour générer des vidéos avec l’IA

Deux chiffres publiés encadrent toute la décision, et ils semblent se contredire. Alibaba indique que le modèle Wan 2.2 TI2V-5B produit des clips en 720p à 24 images par seconde, d’une durée de cinq secondes, en moins de neuf minutes sur un seul GPU grand public comme une 4090, et recommande au moins 24 Go de VRAM. La documentation de ComfyUI indique que le même modèle 5B « devrait fonctionner correctement avec 8 Go de VRAM grâce à l’offloading natif de ComfyUI ».

Les deux informations sont exactes, car elles mesurent des choses différentes. 8 Go suffisent pour le faire fonctionner. 24 Go offrent une utilisation confortable. L’offloading consiste à conserver la majeure partie du modèle en RAM système et à transférer les couches vers le GPU à chaque étape. La carte passe alors son temps à attendre le bus PCIe au lieu d’effectuer les calculs. Ce coût est payé à chaque étape du sampler, et non une seule fois.

[
  {
    "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
  }
]

Seule la dernière ligne provient d’un chiffre fourni par le constructeur. La carte de 24 Go produit un clip en 9 minutes, ce qui correspond au chiffre publié par Alibaba pour ce modèle. Les autres lignes montrent l’effet de l’offloading. Il s’agit d’ordres de grandeur, et non de résultats de benchmark. L’essentiel est la tendance : 40 minutes avec une carte de 8 Go correspondent à une configuration qui fonctionne techniquement, mais qui devient en pratique un traitement à lancer avant de laisser tourner la machine toute la nuit.

Les modèles Wan 2.2 plus volumineux appartiennent à une autre catégorie. La commande d’inférence single-GPU fournie par Alibaba pour les variantes text-to-video et image-to-video A14B demande au moins 80 Go de VRAM. Aucune carte grand public n’offre cette capacité. Exécuter cette commande telle quelle nécessite donc un accélérateur de data center comme un A100 ou un H100, ou une carte workstation comme la NVIDIA RTX PRO 6000 Blackwell avec 96 Go. Ce chiffre concerne le script d’Alibaba, et non toutes les façons d’exécuter ces modèles. Le chargeur de VRAM dynamique de ComfyUI, documenté en mars 2026 pour les cartes NVIDIA sous Windows et Linux, a évalué les deux experts 14B, en fp16 et en fp8, sur une RTX 5060 en chargeant les poids au moment où ils sont nécessaires. Ces exécutions portaient sur 81 images en 320 par 320. Elles montrent donc que les modèles A14B peuvent être chargés sur une petite carte, mais pas que le 720p y est rapide ou même pratique. Pour produire du contenu en 14B à 720p dans un délai raisonnable, l’auto-hébergement signifie encore généralement louer à l’heure l’accélérateur de quelqu’un d’autre. Le même calcul va beaucoup plus loin côté texte : auto-héberger un modèle de 2,8 billions de paramètres comme Kimi K3 ne consiste plus à choisir une seule carte, mais à déterminer combien de cartes de 80 Go vous pouvez vous permettre de relier entre elles.

Ce que coûte un clip sur un GPU loué

La location est la meilleure façon de tester ce type de modèle pour la plupart des utilisateurs, car une carte achetée peut ne pas convenir si le modèle retenu nécessite 80 GB. Prix médians à la demande sur le marché de la location de GPU, en juillet 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 ligne correspondant à la 4090 exécute le modèle 5B et coûte environ 0.05 dollars par clip, au tarif de 0.36 dollars par heure. Les lignes avec 80 GB exécutent les modèles 14B. C’est pourquoi leur coût par clip atteint 0.6 dollars, même si le matériel est beaucoup plus rapide. Un modèle plus grand nécessite davantage de calcul pour chaque seconde de vidéo.

Cinq centimes par clip semblent négligeables. C’est justement ce qui peut induire en erreur. Vos cinq premières secondes utilisables ne proviennent jamais d’un seul rendu. Le prompting d’un modèle vidéo consiste à explorer plusieurs résultats. Pour un plan avec un mouvement précis, il est normal de produire vingt à quarante rendus avant d’en retenir un. Une session de travail coûte donc des dollars plutôt que des centimes. Un après-midi d’itérations sur du matériel loué coûte à peu près le prix d’un déjeuner.

Deux détails liés à la location peuvent entraîner des frais importants si vous les oubliez. La facturation continue pendant le téléchargement des weights. Les fichiers Wan 2.2, avec leur text encoder et leur VAE, occupent plusieurs dizaines de gigaoctets. Choisissez donc un fournisseur proposant un persistent volume et ne téléchargez les fichiers qu’une seule fois. La facturation continue également lorsque la machine reste inactive avec votre session SSH ouverte. Arrêtez l’instance au lieu de simplement fermer le terminal.

Installer ComfyUI sur le serveur GPU

Partez d’Ubuntu 24.04 avec le pilote NVIDIA déjà installé. Vérifiez d’abord le pilote, car toutes les erreurs suivantes se ressemblent sans ce contrôle.

nvidia-smi

Cette commande doit afficher un tableau contenant votre carte et une version de CUDA. Si elle affiche NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, le module du noyau n’est pas chargé. Cela se produit généralement après une mise à niveau du noyau sans redémarrage. Corrigez le problème maintenant. Sinon, ComfyUI basculera sur le traitement par le CPU et vous passerez une heure à accuser le modèle.

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

Vérifiez que PyTorch détecte la carte avant de télécharger le moindre fichier de poids.

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

True suivi du nom de votre carte signifie que la pile fonctionne correctement. False signifie que le wheel installé est la version CPU-only. Cela se produit lorsque pip trouve une version de torch en cache provenant d’une installation précédente. Réinstallez-la avec l’URL d’index ci-dessus.

Télécharger les fichiers du modèle Wan 2.2

ComfyUI ne fournit aucun poids, et un modèle vidéo ne tient pas dans un seul fichier. Il comprend un modèle de diffusion, un encodeur de texte et un VAE. Chacun va dans son propre répertoire. Si vous placez un fichier dans le mauvais dossier, le nœud loader ne l’affichera tout simplement pas, sans indiquer la raison de cette absence.

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

Le modèle 5B gère à la fois la génération de texte vers vidéo et d’image vers vidéo. C’est pourquoi il constitue le meilleur point de départ. Préférez toujours .safetensors à .ckpt. Un fichier .ckpt contient un objet Python sérialisé avec pickle. Son chargement exécute donc du code écrit par la personne qui l’a créé. Prévoyez suffisamment d’espace disque : une installation fonctionnelle avec une famille de modèles et ses sorties nécessite 100 GB. Les fichiers vidéo sont beaucoup plus volumineux que les images PNG générées par un workflow d’image. Sauvegardez vos fichiers JSON de workflow avec, par exemple, des sauvegardes incrémentielles chiffrées vers un stockage objet, car les poids peuvent être téléchargés à nouveau, contrairement à vos workflows configurés.

Exécuter le service et y accéder en toute sécurité

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

ComfyUI n’a ni écran de connexion ni comptes utilisateur. Toute personne pouvant atteindre le port 8188 peut mettre des tâches en file d’attente et lire tous les clips que vous avez générés. Si vous activez ComfyUI-Manager ultérieurement, la possibilité pour un visiteur distant d’installer également des custom nodes dépend de ses paramètres de sécurité et du réseau. Un custom node permet d’exécuter du code arbitraire sur votre serveur. Liez ComfyUI à localhost et utilisez un tunnel SSH depuis votre propre machine pour y accéder.

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

Ouvrez ensuite http://127.0.0.1:8188 dans votre navigateur. Chargez le workflow modèle Wan 2.2 depuis le menu des templates de ComfyUI au lieu de relier les nodes manuellement. Les templates officiels contiennent les paramètres du sampler pour lesquels le modèle a été optimisé. Un workflow vidéo comporte beaucoup plus de paramètres susceptibles d’être incorrects sans que cela soit évident qu’un workflow image.

Quand il est plus raisonnable d’utiliser une API

L’auto-hébergement de la génération vidéo est le bon choix lorsque le volume est élevé et régulier, lorsque vos images ne doivent pas sortir de votre infrastructure ou lorsque vous avez besoin d’un modèle précis ou d’un adaptateur personnalisé qu’aucun service hébergé ne propose. C’est également le bon choix lorsque le pipeline doit fonctionner de la même manière dans un an. Certains modèles hébergés évoluent sans que vous puissiez le contrôler : Replicate maintient ses modèles officiels à jour avec la dernière version et ne vous permet pas d’en choisir une. D’autres peuvent être figés, et les modèles communautaires de Replicate sont appelés avec une version précise. Vérifiez donc ce point avant de vous baser sur l’un d’eux.

Utilisez une API hébergée si vous avez besoin de quelques clips par mois, si vous avez besoin d’une sortie plus longue ou de dimensions supérieures à celles produites par les modèles open source, ou si vous avez une échéance cette semaine. Faites honnêtement le calcul du seuil de rentabilité. Une carte de 24 GB louée en continu au tarif médian de juillet 2026 coûte environ 260 dollars par mois, et l’achat de la même carte coûte davantage au départ, avant même d’avoir généré une image. Une machine auto-hébergée inactive est toujours moins avantageuse qu’une facturation d’API par clip. C’est le même compromis que celui qui détermine la manière dont vous servez les modèles de texte, décrit dans Ollama contre vLLM pour servir des LLM auto-hébergés, et il vient après la question plus fondamentale abordée dans de savoir si un VPS avec un GPU vaut réellement son prix.

Que vérifier lorsqu’un rendu échoue

Un rendu qui s’arrête tout à la fin, après que la barre du sampler est arrivée au bout, a manqué de mémoire pendant le décodage VAE. Réduisez le nombre d’images ou utilisez un node de décodage par tuiles. Modifier le nombre d’étapes ne changera rien, car le décodage s’effectue une seule fois, après l’exécution de toutes les étapes.

Une sortie entièrement noire ou fortement brouillée indique généralement que le VAE ne correspond pas au modèle. Les numéros de version ne permettent pas de déterminer quel fichier utiliser : le modèle Wan 2.2 TI2V-5B utilise le VAE Wan 2.2, tandis que la configuration officielle d’Alibaba pour les modèles Wan 2.2 A14B spécifie le VAE Wan 2.1. Chargez le VAE indiqué par le template officiel de votre modèle.

Un rendu qui s’exécute, mais prend des heures sur une machine dont vous savez qu’elle dispose d’un GPU, indique que ComfyUI utilise le chemin CPU. Vérifiez la ligne du périphérique dans le startup log, puis relancez la vérification torch.cuda.is_available() ci-dessus.

La disparition du processus avec Killed dans dmesg, sans traceback Python, indique l’intervention de l’out-of-memory killer du kernel. Le problème concerne donc la RAM système, et non la VRAM. La quantité de RAM nécessaire à l’offloading dépend de la manière dont ComfyUI charge les poids. Son chargeur dynamique de VRAM, qui fonctionne sur les cartes NVIDIA sous Linux et Windows, mappe les fichiers de poids depuis le disque et les charge à la demande. ComfyUI indique ainsi qu’il peut exécuter des modèles qui dépassent la quantité de RAM physique disponible. 16 GB de RAM système ne suffisent donc pas, à eux seuls, à exclure l’offloading d’un modèle 5B. Les builds plus anciennes, ainsi que les versions actuelles lancées avec --disable-dynamic-vram, utilisent le précédent chargement fondé sur une estimation et peuvent manquer de mémoire sur une petite machine. Mettez ComfyUI à jour et vérifiez que le flag n’est pas défini. Si le killer intervient encore, ajoutez de la RAM ou du swap.

FAQ

Puis-je générer des vidéos avec une IA sur un VPS sans GPU ?

Non, pas dans des conditions que vous accepteriez de répéter. Un clip de cinq secondes en 720p qui prend neuf minutes sur un GPU de 24 GB demande plusieurs heures sur un CPU. Certains CPU de serveur intègrent des unités de calcul matriciel, comme les processeurs Intel Xeon équipés d’AMX, mais leur débit reste très inférieur à celui d’un GPU. La bande passante de la RAM système est également inférieure d’un ordre de grandeur à celle de la mémoire d’un GPU. Un serveur équipé d’un CPU peut héberger l’interface ComfyUI, stocker vos modèles et conserver vos workflows, mais le rendu lui-même nécessite un GPU.

De combien de VRAM ai-je besoin pour Wan 2.2 ?

Pour le modèle TI2V-5B, 8 GB est le minimum avec l’offloading natif de ComfyUI, tandis que 24 GB est la capacité recommandée par Alibaba pour atteindre la vitesse publiée. Pour les modèles texte-vers-vidéo et image-vers-vidéo A14B, la commande d’inférence single-GPU d’Alibaba demande au moins 80 GB de VRAM. Il faut donc une carte data center de 80 GB ou une carte workstation de 96 GB, comme la RTX PRO 6000 Blackwell, si vous l’utilisez de cette manière. Le chargeur dynamique de VRAM de ComfyUI a exécuté les deux experts 14B sur une RTX 5060, mais uniquement dans un benchmark en 320 par 320. Considérez donc ce résultat comme la preuve que les modèles peuvent se charger sur une petite carte, et non comme une indication de vitesse ou de consommation mémoire en 720p.

Quelle peut être la durée d’un clip auto-hébergé ?

Avec Wan 2.2, environ cinq secondes en 720p constituent l’unité pratique en juillet 2026. Lightricks documente des clips LTX-2.5 avec audio généré d’une durée maximale de 20 secondes en 720p et en 1080p, et de 10 secondes en 1440p, en 4K ou à 48 à 50 fps. Pour produire une sortie plus longue, générez plusieurs segments et assemblez-les en utilisant la dernière image d’un segment comme première image du suivant. La qualité peut varier au niveau des raccords. Considérez donc une longue vidéo comme un travail de montage plutôt que comme une génération unique.

Louer un GPU à l’heure coûte-t-il moins cher qu’acheter une carte ?

La location est avantageuse si vous effectuez moins de quelques heures de rendu par jour. Avec le tarif médian de juillet 2026, d’environ 0.36 dollar par heure pour une carte de 24 GB, vous pouvez louer longtemps avant d’atteindre le prix d’achat de cette carte. Vous évitez également d’acheter un matériel qui s’avère ensuite inadapté à la classe du modèle que vous souhaitez réellement utiliser. L’achat devient avantageux uniquement lorsque la machine fonctionne presque toute la journée, tous les jours.