Generator Video AI Self-Hosted: Realitasnya

Apa yang sebenarnya dapat dilakukan generator video AI yang di-host sendiri

Generator video AI yang di-host sendiri sudah dapat digunakan saat ini, tetapi lebih lambat dan lebih terbatas daripada yang ditunjukkan demo. Per Juli 2026, model open yang layak dijalankan adalah Wan 2.2 dari Alibaba dan HunyuanVideo dari Tencent, serta LTX-Video dari Lightricks jika kecepatan lebih penting daripada realisme. Semuanya berjalan di bawah ComfyUI pada mesin Linux dengan GPU NVIDIA. Dengan Wan 2.2, yaitu model yang disiapkan panduan ini, hasilnya adalah klip berdurasi sekitar lima detik pada 720p. Lightricks mendokumentasikan kemampuan yang lebih besar untuk LTX-2.5, model terbarunya, yang juga menghasilkan audio: hingga 20 detik per klip pada 720p atau 1080p dan 24 atau 25 fps, serta 4K native hingga 50 fps untuk klip berdurasi hingga 10 detik. Batas tersebut berlaku untuk API milik Lightricks, meskipun bobot LTX-2.5 juga dipublikasikan secara terbuka di Hugging Face. Hasilnya tetap satu shot. Bukan satu adegan. Bukan rekaman jadi berdurasi satu menit.

Berikut jawaban singkatnya sebelum masuk ke detail. Kartu 24 GB merender klip 720p berdurasi lima detik dalam waktu beberapa menit. Kartu 12 GB melakukan tugas yang sama dalam waktu 20 menit atau lebih karena bobot model tidak muat di memori video, sehingga perangkat lunak terus memindahkan layer bolak-balik ke RAM sistem. Server tanpa GPU tidak dapat melakukan ini secara berguna. Perhitungan yang membuat pembuatan gambar pada CPU menjadi lambat juga membuat pembuatan video pada CPU tidak praktis.

Jika Anda sudah membaca tingkatan perangkat keras untuk generator gambar yang di-host sendiri, video menggunakan argumen yang sama, tetapi setiap angkanya naik satu kelas. VRAM (memori video, yaitu RAM yang dipasang di sebelah chip grafis) tetap menjadi satu-satunya spesifikasi yang menentukan apakah proses ini menyenangkan atau menyulitkan.

Mengapa satu video jauh lebih mahal daripada satu gambar

Model difusi menghasilkan gambar dengan melakukan denoising secara bertahap. Setiap tahap membaca semua bobot dalam model. Model video melakukan hal yang sama pada seluruh blok frame sekaligus. Model ini juga menambahkan attention lintas waktu agar frame 80 mengetahui tampilan frame 12. Video berdurasi lima detik pada 24 frame per detik berisi 120 frame dalam satu batch.

Attention temporal tersebut menyebabkan biaya tidak bertambah secara proporsional terhadap panjang klip. Jika jumlah frame dilipatgandakan, memori yang dibutuhkan sampler bertambah lebih dari dua kali lipat. Karena itu, kegagalannya bukan berupa rendering yang lebih lambat. Proses render dapat berhenti.

Ada lonjakan penggunaan memori kedua yang sering tidak diperkirakan. Setelah sampler selesai, VAE (variational autoencoder, komponen yang mengubah latent terkompresi menjadi piksel sebenarnya) melakukan decode terhadap seluruh video latent sekaligus. Proses decode ini dapat membutuhkan memori lebih besar daripada proses sampling. Gejalanya adalah job yang menampilkan progress bar selesai, lalu mencetak pesan berikut:

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

Solusinya adalah tiled decoding atau menggunakan klip yang lebih pendek. Dengan mengetahui tahap yang kehabisan memori, Anda tidak perlu menghabiskan waktu satu jam untuk menyesuaikan pengaturan yang salah.

Berapa banyak VRAM yang Anda perlukan untuk menghasilkan video AI

Dua angka yang dipublikasikan menjadi dasar seluruh keputusan ini, dan keduanya tampak saling bertentangan. Alibaba menyatakan bahwa model Wan 2.2 TI2V-5B menghasilkan klip 720p pada 24 frame per detik dengan durasi lima detik, dalam waktu kurang dari sembilan menit pada satu GPU konsumen seperti 4090, dan merekomendasikan setidaknya 24 GB VRAM. Dokumentasi ComfyUI menyatakan bahwa model 5B yang sama "seharusnya dapat berjalan dengan baik pada 8GB vram menggunakan native offloading ComfyUI".

Keduanya benar karena mengukur hal yang berbeda. 8 GB adalah kapasitas minimum agar model dapat berjalan. 24 GB adalah kapasitas agar model dapat berjalan dengan nyaman. Offloading bekerja dengan menyimpan sebagian besar model di RAM sistem dan mengalirkan layer ke GPU pada setiap langkah, sehingga kartu grafis menghabiskan waktunya menunggu bus PCIe, bukan melakukan kalkulasi. Biaya ini dibayar pada setiap langkah sampler, bukan hanya sekali.

[
  {
    "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
  }
]

Hanya baris terakhir yang merupakan angka dari vendor. Kartu 24 GB menghasilkan 9 menit per klip, yaitu angka yang dipublikasikan Alibaba untuk model ini. Baris lainnya menunjukkan dampak offloading, dan angkanya hanya merupakan perkiraan orde besaran, bukan hasil benchmark. Polanya adalah hal yang penting: 40 menit pada kartu 8 GB secara teknis merupakan konfigurasi yang berfungsi, tetapi secara praktis merupakan batch job yang Anda jalankan semalaman.

Model Wan 2.2 yang lebih besar berada dalam kategori yang berbeda. Perintah inferensi single-GPU milik Alibaba untuk varian text-to-video dan image-to-video A14B memerlukan setidaknya 80 GB VRAM. Tidak ada kartu konsumen yang memiliki kapasitas sebesar itu, sehingga menjalankan perintah tersebut seperti yang dipublikasikan memerlukan akselerator data center seperti A100 atau H100, atau kartu workstation seperti NVIDIA RTX PRO 6000 Blackwell dengan 96 GB. Angka tersebut berlaku untuk script Alibaba, bukan untuk setiap cara menjalankan model. Dynamic VRAM loader ComfyUI, yang didokumentasikan pada Maret 2026 untuk kartu NVIDIA di Windows dan Linux, telah menguji benchmark kedua expert 14B, dalam fp16 dan fp8, pada RTX 5060 dengan memuat weight sesuai kebutuhan. Pengujian tersebut menggunakan 81 frame berukuran 320 kali 320, sehingga menunjukkan bahwa model A14B dapat dimuat pada kartu kecil, bukan bahwa 720p dapat berjalan cepat atau bahkan praktis pada kartu tersebut. Untuk output 14B pada 720p dalam waktu yang wajar, self-hosting tetap cenderung berarti menyewa akselerator milik pihak lain berdasarkan jam. Perhitungan yang sama meningkat jauh lebih besar pada sisi text, karena self-hosting model 2,8 triliun parameter seperti Kimi K3 tidak lagi menjadi pertanyaan tentang satu kartu, melainkan tentang berapa banyak kartu 80 GB yang mampu Anda beli dan hubungkan bersama.

Biaya satu klip pada GPU sewaan

Penyewaan adalah cara yang sebaiknya digunakan kebanyakan orang untuk menguji ini, karena kartu yang Anda beli bisa menjadi perangkat keras yang tidak sesuai jika model yang akhirnya ingin Anda gunakan memerlukan 80 GB. Harga median sesuai permintaan di seluruh pasar penyewaan GPU per 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
  }
]

Baris 4090 menjalankan model 5B dan biayanya sekitar 0.05 dolar per klip dengan tarif 0.36 dolar per jam. Baris 80 GB menjalankan model 14B. Karena itu, biaya per klipnya meningkat menjadi 0.6 dolar meskipun perangkat kerasnya sendiri jauh lebih cepat. Model yang lebih besar memerlukan komputasi lebih banyak untuk setiap detik video.

Lima sen per klip terdengar sangat murah. Di situlah letak hal yang menyesatkan. Lima detik pertama yang benar-benar dapat digunakan tidak pernah dihasilkan dalam satu kali render. Pembuatan prompt untuk model video adalah proses pencarian, dan dua puluh hingga empat puluh render sebelum mendapatkan hasil yang layak adalah hal yang normal untuk shot dengan gerakan tertentu. Karena itu, satu sesi kerja biasanya memerlukan biaya dalam hitungan dolar, bukan sen. Sore untuk melakukan iterasi pada perangkat keras sewaan biayanya kira-kira setara dengan makan siang.

Dua hal terkait penyewaan dapat menimbulkan biaya nyata jika terlewat. Anda tetap ditagih saat mesin mengunduh weights. File Wan 2.2 beserta text encoder dan VAE berukuran hingga puluhan gigabita. Karena itu, pilih provider yang menyediakan persistent volume dan lakukan pengunduhan satu kali. Anda juga tetap ditagih saat mesin menganggur dengan sesi SSH yang masih terbuka. Hentikan instance, bukan sekadar menutup terminal.

Pasang ComfyUI pada server GPU

Mulai dengan Ubuntu 24.04 dan driver NVIDIA yang sudah terpasang. Periksa driver terlebih dahulu karena tanpa pemeriksaan ini, semua kegagalan berikutnya akan terlihat sama.

nvidia-smi

Perintah tersebut harus menampilkan tabel yang berisi kartu Anda dan versi CUDA. Jika menampilkan NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, modul kernel belum dimuat. Hal ini biasanya terjadi setelah pemutakhiran kernel tanpa reboot. Perbaiki masalah ini sekarang. Jika tidak, ComfyUI akan menggunakan jalur CPU dan Anda dapat menghabiskan waktu satu jam dengan menyalahkan model.

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

Pastikan PyTorch mengenali kartu tersebut sebelum mengunduh satu pun file bobot.

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

True beserta nama kartu Anda berarti stack tersebut berfungsi dengan baik. False berarti wheel yang terpasang adalah build khusus CPU. Hal ini terjadi ketika pip menemukan torch yang tersimpan dalam cache dari instalasi sebelumnya. Pasang ulang menggunakan URL indeks di atas.

Unduh file model Wan 2.2

ComfyUI tidak menyertakan weights, dan model video bukan satu file. Model ini terdiri atas model difusi, text encoder, dan VAE. Masing-masing file ditempatkan di direktori tersendiri. Jika file ditempatkan di folder yang salah, node loader tidak akan menampilkannya. Tidak ada error yang menjelaskan penyebabnya.

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

Model 5B mendukung text-to-video dan image-to-video. Karena itu, model ini merupakan pilihan awal yang tepat. Selalu pilih .safetensors daripada .ckpt. File .ckpt adalah objek Python yang diserialisasi dengan pickle. Saat dimuat, file tersebut menjalankan kode yang ditulis oleh pembuatnya. Sediakan ruang disk yang cukup. Instalasi yang berfungsi dengan satu keluarga model dan outputnya memerlukan 100 GB. File video jauh lebih besar daripada gambar PNG yang dihasilkan workflow gambar. Cadangkan file JSON workflow menggunakan sesuatu seperti backup inkremental terenkripsi ke object storage, karena weights dapat diunduh kembali, sedangkan workflow yang telah Anda sesuaikan tidak.

Jalankan dan akses dengan aman

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

ComfyUI tidak memiliki layar login maupun akun pengguna. Apa pun yang dapat mengakses port 8188 dapat memasukkan job ke antrean dan membaca semua klip yang telah Anda buat. Jika nanti Anda mengaktifkan ComfyUI-Manager, kemampuan pengunjung jarak jauh untuk menginstal custom node juga bergantung pada pengaturan keamanan dan jaringan. Custom node dapat menjalankan kode arbitrer pada server Anda. Bind ComfyUI ke localhost, lalu akses melalui SSH tunnel dari komputer Anda sendiri.

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

Kemudian buka http://127.0.0.1:8188 di browser. Muat workflow template Wan 2.2 dari menu template ComfyUI, bukan dengan menghubungkan node secara manual. Template resmi menyertakan pengaturan sampler yang digunakan untuk menyetel model. Workflow video memiliki jauh lebih banyak bagian yang dapat menyebabkan nilai salah tanpa disadari dibandingkan workflow gambar.

Kapan jawaban yang tepat adalah menggunakan API

Self-hosting pembuatan video merupakan pilihan yang tepat jika volumenya tinggi dan stabil, jika frame Anda tidak boleh keluar dari infrastruktur sendiri, atau jika Anda memerlukan model tertentu atau adapter khusus yang tidak ditawarkan layanan hosted mana pun. Pilihan ini juga tepat jika pipeline harus tetap bekerja dengan cara yang sama dalam satu tahun. Beberapa model hosted dapat berubah: Replicate selalu memperbarui model resminya ke versi terbaru dan tidak meminta Anda memilih versi tertentu. Model lain dapat dikunci versinya, dan model komunitas Replicate dipanggil dengan versi tertentu. Karena itu, periksa model tersebut sebelum menjadikannya dasar implementasi.

Gunakan API hosted jika Anda hanya memerlukan beberapa klip per bulan, jika memerlukan output yang lebih panjang atau lebih besar daripada yang dapat dihasilkan model open source, atau jika Anda memiliki tenggat waktu pada minggu ini. Hitung titik impas secara realistis. Kartu 24 GB yang disewa sepanjang waktu dengan harga median pada Juli 2026 biayanya kira-kira 260 dolar per bulan, sedangkan membeli kartu yang sama memerlukan biaya di muka yang lebih besar daripada jumlah tersebut sebelum Anda menghasilkan satu frame pun. Mesin self-hosted yang menganggur selalu kalah dibandingkan harga API per klip. Ini adalah pertukaran yang sama yang menentukan cara Anda menyediakan model teks, sebagaimana dibahas dalam Ollama dibandingkan dengan vLLM untuk menyediakan LLM secara self-hosted, dan hal ini bergantung pada pertanyaan yang lebih mendasar dalam apakah VPS dengan GPU memang sepadan dengan biayanya.

Hal yang perlu diperiksa saat render gagal

Render yang berhenti tepat di akhir, setelah bilah sampler selesai, kehabisan memori saat VAE melakukan decode. Kurangi jumlah frame atau gunakan node tiled decode. Mengubah jumlah step tidak akan membantu karena decode hanya berlangsung sekali, setelah semua step selesai dijalankan.

Output yang sepenuhnya hitam atau sangat kacau biasanya berarti VAE tidak cocok dengan model. Nomor versi tidak dapat menunjukkan file yang benar: model Wan 2.2 TI2V-5B menggunakan Wan 2.2 VAE, sedangkan konfigurasi resmi Alibaba untuk model Wan 2.2 A14B menentukan Wan 2.1 VAE. Muat VAE yang disebutkan oleh template resmi untuk model Anda.

Render yang berjalan tetapi memerlukan waktu berjam-jam pada mesin yang Anda ketahui memiliki GPU berarti ComfyUI menggunakan jalur CPU. Periksa baris device dalam log startup, lalu jalankan kembali pemeriksaan torch.cuda.is_available() di atas.

Proses yang tiba-tiba hilang dengan Killed di dmesg tanpa traceback Python adalah kernel out-of-memory killer. Artinya, masalahnya ada pada RAM sistem, bukan VRAM. Jumlah RAM yang diperlukan untuk offloading bergantung pada cara ComfyUI memuat weights. Dynamic VRAM loader miliknya, yang berjalan pada kartu NVIDIA di Linux dan Windows, memetakan file weights dari disk lalu memuatnya sesuai kebutuhan. ComfyUI menyatakan bahwa loader ini dapat menjalankan model yang melebihi kapasitas RAM fisik Anda. Jadi, RAM sistem sebesar 16 GB tidak dengan sendirinya meniadakan kemungkinan melakukan offloading pada model 5B. Build yang lebih lama, serta build saat ini yang dijalankan dengan --disable-dynamic-vram, menggunakan metode pemuatan berbasis estimasi sebelumnya dan dapat membuat mesin dengan kapasitas kecil kehabisan RAM. Perbarui ComfyUI dan pastikan flag tersebut tidak ditetapkan. Jika killer masih berjalan, tambahkan RAM atau swap.

FAQ

Dapatkah saya menghasilkan video AI pada VPS tanpa GPU?

Tidak, setidaknya bukan dengan cara yang akan Anda gunakan lebih dari sekali. Klip 720p berdurasi lima detik yang memerlukan waktu sembilan menit pada GPU 24 GB dapat memerlukan waktu berjam-jam pada CPU. Beberapa CPU server memiliki unit matriks bawaan, seperti prosesor Intel Xeon dengan AMX, tetapi throughput-nya jauh di bawah GPU, dan bandwidth RAM sistem berada satu tingkat besaran di bawah bandwidth memori GPU. Server CPU dapat meng-host antarmuka ComfyUI, menyimpan model, dan menampung workflow, tetapi proses rendering itu sendiri memerlukan GPU.

Berapa VRAM yang saya perlukan untuk Wan 2.2?

Untuk model TI2V-5B, 8 GB adalah batas minimum dengan native offloading ComfyUI, sedangkan 24 GB adalah kapasitas yang direkomendasikan Alibaba untuk mencapai kecepatan yang dipublikasikan. Untuk model text-to-video dan image-to-video A14B, perintah inferensi single-GPU Alibaba meminta setidaknya 80 GB VRAM. Artinya, Anda memerlukan kartu data center 80 GB atau kartu workstation 96 GB seperti RTX PRO 6000 Blackwell jika menjalankannya dengan cara tersebut. Dynamic VRAM loader ComfyUI telah menjalankan kedua expert 14B pada RTX 5060, tetapi hanya dalam benchmark 320 x 320. Jadi, anggap hasil itu sebagai bukti bahwa model dapat dimuat pada kartu kecil, bukan sebagai angka kecepatan atau penggunaan memori untuk 720p.

Berapa lama klip self-hosted dapat dibuat?

Dengan Wan 2.2, sekitar lima detik pada 720p adalah unit praktis per Juli 2026. Lightricks mendokumentasikan klip LTX-2.5 dengan audio yang dihasilkan hingga 20 detik pada 720p dan 1080p, serta hingga 10 detik pada 1440p, 4K, atau 48 hingga 50 fps. Output yang lebih panjang dibuat dengan menghasilkan beberapa segmen lalu menggabungkannya. Frame terakhir dari satu segmen digunakan sebagai frame pertama segmen berikutnya. Kualitas berubah secara bertahap pada titik penggabungan tersebut. Karena itu, perlakukan video panjang sebagai pekerjaan penyuntingan, bukan satu kali generasi.

Apakah menyewa GPU per jam lebih murah daripada membeli kartu?

Menyewa lebih menguntungkan jika rendering dilakukan kurang dari beberapa jam per hari. Pada median Juli 2026, yaitu sekitar 0.36 dolar per jam untuk kartu 24 GB, Anda dapat menyewa dalam waktu lama sebelum biayanya menyamai harga pembelian kartu tersebut. Anda juga tidak perlu membeli hardware yang ternyata berada pada kelas yang tidak sesuai dengan model yang benar-benar ingin Anda gunakan. Membeli hanya lebih menguntungkan jika server digunakan hampir sepanjang hari, setiap hari.