Generatore video AI self-hosted: cosa aspettarsi davvero

Cosa può fare davvero un generatore di video AI self-hosted

Un generatore di video AI self-hosted funziona già oggi, ma è più lento e produce clip più brevi di quanto suggeriscano i video dimostrativi. A luglio 2026, i modelli open source che vale la pena eseguire sono Wan 2.2 di Alibaba e HunyuanVideo di Tencent, oltre a LTX-Video di Lightricks quando la velocità è più importante del realismo. Tutti possono essere eseguiti con ComfyUI su una macchina Linux dotata di GPU NVIDIA. Con Wan 2.2, il modello configurato in questa guida, si ottiene una clip di circa cinque secondi a 720p. Lightricks indica limiti più ampi per LTX-2.5, il modello attuale, che genera anche l'audio: fino a 20 secondi per clip a 720p o 1080p e 24 o 25 fps, oltre a 4K nativo fino a 50 fps per clip di durata massima pari a 10 secondi. Questi limiti si riferiscono all'API di Lightricks, anche se i pesi di LTX-2.5 sono pubblicati apertamente su Hugging Face. Si tratta comunque di una singola inquadratura. Non di una scena. Non di un minuto di video finito.

Ecco la risposta breve, prima dei dettagli. Una scheda da 24 GB genera una clip di cinque secondi a 720p in pochi minuti. Una scheda da 12 GB impiega almeno 20 minuti per lo stesso lavoro, perché i pesi non entrano nella memoria video e il software continua a spostare i layer avanti e indietro dalla RAM di sistema. Un server senza GPU non può eseguire questo processo in modo utile. Lo stesso calcolo che rende lenta la generazione di immagini su CPU rende priva di senso la generazione di video su CPU.

Se hai già letto la scaletta hardware per un generatore di immagini self-hosted, il video segue lo stesso principio, ma con ogni valore spostato di una classe verso l'alto. La VRAM (la memoria video, cioè la RAM saldata accanto al chip grafico) resta l'unica specifica che determina se l'esperienza sarà agevole o problematica.

Perché un video richiede molti più calcoli di un'immagine

Un modello di diffusione genera un'immagine rimuovendo il rumore in più passaggi. Ogni passaggio legge tutti i pesi del modello. Un modello video esegue la stessa operazione su un intero blocco di fotogrammi alla volta. Inoltre applica l'attenzione temporale, in modo che il fotogramma 80 tenga conto di ciò che mostrava il fotogramma 12. Cinque secondi a 24 fotogrammi al secondo corrispondono a 120 fotogrammi in un unico batch.

L'attenzione temporale spiega perché il consumo di risorse non cresce in modo lineare con la durata della clip. Raddoppiando il numero di fotogrammi, la memoria richiesta dal sampler aumenta di più del doppio. Di conseguenza, il problema non è un rendering più lento, ma l'interruzione del rendering per esaurimento della memoria.

Esiste un secondo picco di memoria che spesso non ci si aspetta. Al termine del sampling, il VAE (variational autoencoder, il componente che converte il latent compresso in pixel reali) decodifica l'intero video latente in una sola volta. Questa fase può richiedere più memoria del sampling. Il sintomo è un job che mostra una barra di avanzamento completata e poi stampa:

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

La soluzione consiste nell'usare il tiled decoding oppure una clip più breve. Sapere quale fase ha esaurito la memoria evita di perdere un'ora regolando il parametro sbagliato.

Quanta VRAM serve per la generazione di video con l'AI

Due dati pubblicati definiscono l'intera scelta, ma sembrano contraddirsi. Alibaba dichiara che il modello Wan 2.2 TI2V-5B genera clip a 720p, 24 fotogrammi al secondo e della durata di cinque secondi in meno di nove minuti su una singola GPU consumer, come una 4090, e raccomanda almeno 24 GB di VRAM. La documentazione di ComfyUI dichiara che lo stesso modello 5B «dovrebbe funzionare senza problemi con 8 GB di VRAM usando l'offloading nativo di ComfyUI».

Entrambe le affermazioni sono corrette perché misurano aspetti diversi. 8 GB indicano il requisito minimo per eseguire il modello. 24 GB indicano la configurazione che consente di lavorare senza vincoli rilevanti. L'offloading mantiene la maggior parte del modello nella RAM di sistema e trasferisce i layer alla GPU a ogni passaggio. Di conseguenza, la scheda trascorre il tempo in attesa del bus PCIe invece di eseguire calcoli. Questo costo si ripete a ogni passaggio del sampler, non una sola volta.

[
  {
    "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
  }
]

Solo l'ultima riga è un dato del produttore. La scheda da 24 GB raggiunge 9 minuti per clip, il valore pubblicato da Alibaba per questo modello. Le altre righe mostrano l'effetto dell'offloading e indicano ordini di grandezza, non risultati di benchmark. Il dato importante è l'andamento: 40 minuti su una scheda da 8 GB rappresentano una configurazione che funziona dal punto di vista tecnico, ma che nella pratica richiede un'elaborazione da lasciare in esecuzione per tutta la notte.

I modelli Wan 2.2 più grandi appartengono a una categoria diversa. Il comando di inferenza su una singola GPU fornito da Alibaba per le varianti A14B text-to-video e image-to-video richiede almeno 80 GB di VRAM. Nessuna scheda consumer dispone di una quantità simile di memoria. Per eseguire il comando nella forma pubblicata serve quindi un acceleratore per data center, come un A100 o un H100, oppure una scheda workstation come NVIDIA RTX PRO 6000 Blackwell con 96 GB. Questo requisito riguarda lo script di Alibaba, non ogni modalità di esecuzione dei modelli. Il dynamic VRAM loader di ComfyUI, documentato a marzo 2026 per schede NVIDIA su Windows e Linux, ha eseguito il benchmark di entrambi gli expert 14B, in fp16 e fp8, su una RTX 5060 caricando i pesi quando servivano. Queste esecuzioni usavano 81 fotogrammi a 320 per 320. Dimostrano quindi che i modelli A14B possono essere caricati su una scheda di fascia ridotta, non che il 720p sia veloce o anche solo pratico in quella configurazione. Per generare output 14B a 720p in tempi ragionevoli, l'hosting autonomo continua a significare, nella maggior parte dei casi, noleggiare a ore l'acceleratore di qualcun altro. Lo stesso calcolo si spinge molto più avanti sul versante testuale: ospitare autonomamente un modello da 2,8 trilioni di parametri come Kimi K3 non è più una questione relativa a una singola scheda, ma a quante schede da 80 GB si possono acquistare e collegare.

Quanto costa una clip su una GPU a noleggio

Il noleggio è il modo più indicato per effettuare i primi test, perché acquistare una scheda è una scelta sbagliata se il modello che vuoi usare richiede 80 GB. Prezzi mediani on-demand sul mercato del noleggio GPU, a luglio 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 riga relativa alla 4090 esegue il modello 5B e costa circa 0.05 dollari per clip, a 0.36 dollari l'ora. Le righe relative alle GPU da 80 GB eseguono i modelli 14B. Per questo il costo per clip sale a 0.6 dollari, anche se l'hardware è molto più veloce. Un modello più grande richiede più calcolo per ogni secondo di video.

Cinque centesimi per clip sembrano irrilevanti, ma è proprio questo l'aspetto fuorviante. I primi cinque secondi utilizzabili non derivano mai da un'unica generazione. Usare un modello video è un processo di ricerca: per una ripresa con movimenti specifici, è normale generare da venti a quaranta risultati prima di trovarne uno valido. Una sessione di lavoro costa quindi dollari, non centesimi, e un pomeriggio di iterazioni su hardware a noleggio costa all'incirca quanto un pranzo.

Se trascuri due aspetti del noleggio, puoi sostenere costi significativi. La fatturazione continua mentre l'istanza scarica i pesi. I file di Wan 2.2, insieme al relativo text encoder e al VAE, occupano decine di gigabyte. Scegli quindi un provider con un volume persistente ed esegui il download una sola volta. La fatturazione continua anche quando l'istanza è inattiva ma la sessione SSH è ancora aperta. Arresta l'istanza invece di limitarti a chiudere il terminale.

Installare ComfyUI sul server GPU

Partire da Ubuntu 24.04 con il driver NVIDIA già installato. Verificare prima il driver, perché senza questo controllo tutti gli errori successivi sembrano identici.

nvidia-smi

Il comando deve stampare una tabella con la scheda e una versione di CUDA. Se stampa NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, il modulo del kernel non è caricato. Di solito accade dopo un aggiornamento del kernel senza riavviare il sistema. Correggere il problema ora. In caso contrario, ComfyUI utilizzerà il percorso CPU e si perderà un'ora cercando il problema nel modello.

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

Verificare che PyTorch rilevi la scheda prima di scaricare anche un solo file dei pesi.

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

True insieme al nome della scheda indica che lo stack funziona correttamente. False indica che il wheel installato è la build solo CPU. Questo accade quando pip trova una versione di torch nella cache proveniente da un'installazione precedente. Reinstallare usando l'index URL riportato sopra.

Scaricare i file del modello Wan 2.2

ComfyUI non include i pesi e un modello video non è costituito da un solo file. È composto da un modello di diffusione, un codificatore di testo e un VAE; ciascun componente deve trovarsi nella propria directory. Se inserisci un file nella directory sbagliata, il nodo loader semplicemente non lo elenca e non mostra alcun errore che spieghi il 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

Il modello 5B gestisce sia la generazione da testo a video sia quella da immagine a video, quindi è il punto di partenza più appropriato. Preferisci sempre .safetensors a .ckpt. Un file .ckpt è un oggetto Python serializzato con pickle; il caricamento esegue quindi il codice scritto da chi lo ha creato. Prevedi spazio sufficiente sul disco: un'installazione funzionante con una famiglia di modelli e i relativi output richiede 100 GB, e i file video sono molto più grandi delle immagini PNG prodotte da un workflow di generazione di immagini. Esegui il backup dei file JSON dei workflow, ad esempio con backup incrementali cifrati su object storage, perché i pesi possono essere scaricati di nuovo, mentre i workflow ottimizzati non possono esserlo.

Eseguilo e accedi in modo sicuro

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

ComfyUI non dispone di una schermata di accesso né di account utente. Chiunque possa raggiungere la porta 8188 può accodare attività e leggere ogni clip generata. Se in seguito abiliti ComfyUI-Manager, la possibilità che un visitatore remoto installi anche custom node dipende dalle relative impostazioni di sicurezza e di rete. Un custom node consente di eseguire codice arbitrario sul server. Associalo a localhost e accedi tramite un tunnel SSH dal tuo computer.

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

Apri quindi http://127.0.0.1:8188 nel browser. Carica il workflow modello Wan 2.2 dal menu dei template di ComfyUI invece di collegare manualmente i nodi. I template ufficiali includono le impostazioni del sampler per le quali il modello è stato ottimizzato. Un workflow video offre inoltre molti più punti in cui un valore può essere errato senza segnalarlo rispetto a un workflow per immagini.

Quando la scelta corretta è usare un'API

L'hosting autonomo della generazione video è la scelta corretta quando il volume è elevato e costante, quando i frame non devono lasciare la tua infrastruttura oppure quando ti serve un modello specifico o un adapter personalizzato che nessun servizio gestito offre. È indicato anche quando la pipeline deve funzionare nello stesso modo ancora tra un anno. Alcuni modelli gestiti cambiano senza preavviso: Replicate mantiene aggiornati i propri modelli ufficiali con la versione più recente e non consente di specificarne una. Altri modelli possono essere bloccati su una versione precisa, mentre i modelli della community di Replicate vengono chiamati indicando una versione specifica. Verifica questo aspetto prima di basarti su uno di essi.

Usa un'API gestita quando ti servono pochi clip al mese, quando l'output deve essere più lungo o avere una risoluzione maggiore rispetto a quella prodotta dai modelli open source oppure quando hai una scadenza entro questa settimana. Calcola il punto di pareggio in modo realistico. Una scheda da 24 GB noleggiata senza interruzioni al prezzo mediano di luglio 2026 costa circa 260 dollari al mese; acquistare la stessa scheda costa più di questa cifra in anticipo, prima ancora di generare un solo frame. Un server con hosting autonomo inattivo è sempre meno conveniente rispetto ai prezzi delle API calcolati per clip. È lo stesso compromesso che determina come distribuire i modelli di testo, descritto in Ollama e vLLM per distribuire LLM con hosting autonomo, e si aggiunge alla domanda più basilare affrontata in se un VPS con GPU valga davvero il costo.

Cosa controllare quando il rendering non riesce

Se il rendering si interrompe alla fine, dopo il completamento della barra del sampler, significa che la memoria si è esaurita durante la decodifica VAE. Riduci il numero di fotogrammi oppure passa a un nodo di decodifica a tile. Modificare il numero di step non risolve il problema, perché la decodifica viene eseguita una sola volta, dopo che tutti gli step sono già terminati.

Un output completamente nero o gravemente corrotto indica in genere che il VAE non corrisponde al modello. I numeri di versione non permettono di stabilire quale file sia corretto: il modello Wan 2.2 TI2V-5B usa il VAE Wan 2.2, mentre la configurazione ufficiale di Alibaba per i modelli Wan 2.2 A14B specifica il VAE Wan 2.1. Carica il VAE indicato dal template ufficiale del modello.

Se il rendering viene completato ma richiede ore su una macchina che dispone sicuramente di una GPU, significa che ComfyUI sta usando il percorso CPU. Controlla la riga relativa al dispositivo nel log di avvio, quindi esegui di nuovo il controllo torch.cuda.is_available() riportato sopra.

Se il processo scompare con Killed in dmesg e non compare alcun traceback Python, si tratta dell'oom killer del kernel. In questo caso il problema riguarda la RAM di sistema, non la VRAM. La quantità di RAM richiesta per l'offloading dipende dal modo in cui ComfyUI carica i pesi. Il suo loader dinamico della VRAM, attivo sulle schede NVIDIA in Linux e Windows, mappa i file dei pesi dal disco e li carica quando servono. ComfyUI dichiara quindi di poter eseguire modelli che superano la RAM fisica disponibile. Di conseguenza, 16 GB di RAM di sistema non escludono da soli l'offloading di un modello 5B. Le build meno recenti e quelle attuali avviate con --disable-dynamic-vram usano il precedente caricamento basato su stime e possono esaurire la memoria su una macchina con risorse limitate. Aggiorna ComfyUI e verifica che il flag non sia impostato. Se l'oom killer continua ad attivarsi, aggiungi RAM oppure configura la swap.

FAQ

È possibile generare video con l'AI su un VPS senza GPU?

No, non in modo realmente utilizzabile più di una volta. Un clip di cinque secondi a 720p che richiede nove minuti su una GPU da 24 GB può richiedere molte ore su una CPU. Alcune CPU per server includono unità matriciali integrate, come i processori Intel Xeon con AMX, ma il loro throughput è molto inferiore a quello di una GPU e la larghezza di banda della RAM di sistema è di un ordine di grandezza inferiore a quella della memoria della GPU. Un server con CPU può ospitare l'interfaccia di ComfyUI, archiviare i modelli e conservare i workflow, ma il rendering richiede una GPU.

Quanta VRAM serve per Wan 2.2?

Per il modello TI2V-5B, 8 GB è il minimo con l'offloading nativo di ComfyUI, mentre 24 GB è la quantità che Alibaba raccomanda per raggiungere la velocità pubblicata. Per i modelli text-to-video e image-to-video A14B, il comando di inferenza single-GPU di Alibaba richiede almeno 80 GB di VRAM. Serve quindi una scheda per data center da 80 GB oppure una scheda workstation da 96 GB, come la RTX PRO 6000 Blackwell, se si utilizza quel metodo. Il loader dinamico della VRAM di ComfyUI ha eseguito entrambi gli esperti 14B su una RTX 5060, ma soltanto in un benchmark a 320 per 320. Consideratelo quindi una prova che i modelli possono essere caricati su una scheda di piccole dimensioni, non un'indicazione sulla velocità o sull'uso della memoria a 720p.

Quanto può durare un clip self-hosted?

Con Wan 2.2, a luglio 2026 l'unità pratica è di circa cinque secondi a 720p. Lightricks documenta clip LTX-2.5 con audio generato della durata massima di 20 secondi a 720p e 1080p, e fino a 10 secondi a 1440p, 4K oppure a 48-50 fps. Per produrre un output più lungo si generano segmenti e li si unisce, usando l'ultimo frame di un segmento come primo frame del successivo. La qualità tende a cambiare nei punti di unione. È quindi preferibile considerare un video lungo come un'attività di montaggio, non come una singola generazione.

Noleggiare una GPU a ore costa meno che acquistare una scheda?

Il noleggio è più conveniente per qualsiasi carico inferiore a poche ore di rendering al giorno. Al valore mediano di luglio 2026, pari a circa 0.36 dollari l'ora per una scheda da 24 GB, è possibile noleggiarla a lungo prima di raggiungere il prezzo di acquisto della scheda. Inoltre, si evita di acquistare hardware che potrebbe rivelarsi di una classe non adatta al modello che si intende usare. L'acquisto conviene soltanto quando il server è occupato per gran parte della giornata, ogni giorno.