著者 セルフホスト型AI動画生成の現実と必要VRAM
2026年7月のオープンモデルが実際に生成する映像、Wan 2.2とHunyuanVideoに必要なVRAM、5秒クリップのレンタルGPU費用、APIを選ぶ目安を解説します。
セルフホスト型AI動画生成器で実際にできること
セルフホスト型AI動画生成器は現在でも動作します。ただし、デモ映像が示すより遅く、生成できる映像も短いものです。2026年7月時点で、実行する価値のあるオープンモデルはAlibabaのWan 2.2とTencentのHunyuanVideoです。リアリティより速度を優先する場合は、LightricksのLTX-Videoも選択肢になります。いずれも、NVIDIA GPUを搭載したLinuxマシン上でComfyUIから実行できます。生成されるのは、720pでおよそ5秒のクリップです。1つのシーン全体ではありません。完成した映像が1分間生成されるわけでもありません。
詳細に入る前に、結論を簡潔に示します。24 GBのカードでは、720pで5秒のクリップを数分以内でレンダリングできます。12 GBのカードでは、同じ処理に20分以上かかります。モデルの重みがビデオメモリに収まらず、ソフトウェアがレイヤーをシステムRAMとの間で繰り返し移動するためです。GPUのないサーバーでは、実用的な意味でこの処理はできません。CPU画像生成を遅くした計算量によって、CPU動画生成は実用になりません。
すでにセルフホスト型画像生成器のハードウェア構成を読んでいる場合、動画でも同じ考え方が当てはまります。ただし、すべての数値を1段階上のクラスに移します。VRAM（ビデオメモリ。グラフィックスチップの隣に搭載されたRAM）は、これが快適な処理になるか、困難な処理になるかを決める唯一の仕様です。
1枚の画像より1本の動画に大幅にコストがかかる理由
拡散モデルは、画像を段階的にノイズ除去して生成します。各ステップで、モデル内のすべての重みを読み取ります。動画モデルも同じ処理をフレームのブロック全体に対して一度に行います。さらに、時間方向のattentionを追加し、フレーム80がフレーム12の内容を認識できるようにします。24 frames per secondで5秒の場合、1つのbatchに120フレームが含まれます。
この時間方向のattentionにより、コストはクリップの長さに比例して増加しません。フレーム数を2倍にすると、samplerに必要なメモリは2倍を超えて増加します。そのため、問題はレンダリングが遅くなることではありません。レンダリング処理自体が停止します。
想定されていない2つ目のメモリ使用量の急増もあります。samplerが完了すると、VAE（variational autoencoder。圧縮されたlatentを実際のピクセルに変換する部分）がlatent動画全体を一度にデコードします。このデコードには、サンプリングより多くのメモリが必要になる場合があります。進行状況バーが完了した後、次の内容が出力される場合がその兆候です。
torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.31 GiB対処方法は、tiled decodingを使用するか、クリップを短くすることです。メモリ不足が発生した段階を把握すると、誤った設定を1時間かけて調整せずに済みます。
AI動画生成に必要なVRAM容量
この判断を左右する公開値は2つあり、相互に矛盾しているように見えます。Alibabaによると、Wan 2.2 TI2V-5Bモデルは、4090などの一般向けGPU 1枚で、720p、24フレーム/秒、5秒間のクリップを9分未満で生成できます。また、少なくとも24 GBのVRAMを推奨しています。ComfyUIのドキュメントでは、同じ5Bモデルは「ComfyUI native offloadingを使えば8GB vramで十分動作する」と説明されています。
どちらも正しいのは、測定している対象が異なるためです。8 GBは動作できる容量です。24 GBは余裕を持って動作できる容量です。Offloadingでは、モデルの大部分をシステムRAMに保持し、各ステップでレイヤーをGPUへ転送します。そのため、GPUは計算よりもPCIeバスの待機に時間を使います。このコストは一度だけではなく、サンプラーの各ステップで発生します。
The data behind this chart
[
{
"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
}
]ベンダーが示した値は最後の行だけです。24 GBのカードでは、1クリップあたり9分となり、これはAlibabaがこのモデルについて公開している値です。他の行は、Offloadingによってこの値がどのように変わるかを示したもので、ベンチマーク結果ではなく、おおよその桁を示しています。重要なのは傾向です。8 GBのカードで40分かかる構成は、技術的には動作しますが、実際には夜通し実行したままにするバッチ処理です。
より大きなWan 2.2モデルは別の領域にあります。A14Bのtext-to-videoおよびimage-to-videoバリアントでは、単一GPUでの推論に少なくとも80 GBのVRAMが必要です。これはデータセンター向けのハードウェアであり、デスクトップマシンに搭載するカードではありません。この段階になると、セルフホストとは、時間単位で他者のアクセラレーターを借りることを意味し始めます。
レンタル GPU でクリップにかかる費用
ほとんどの人は、まずレンタルで試すべきです。購入した GPU は、最終的に必要なモデルが 80 GB を要求する場合、適したハードウェアではないためです。2026年7月時点における、GPU レンタル市場のオンデマンド価格の中央値は次のとおりです。
The data behind this chart
[
{
"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
}
]4090 の行では 5B モデルを実行します。料金は 1 時間あたり 0.36 ドルで、1 クリップあたり約 0.05 ドルです。80 GB の行では 14B モデルを実行します。そのため、ハードウェア自体ははるかに高速でも、1 クリップあたりの費用は 0.6 ドルまで上がります。モデルが大きいほど、動画 1 秒あたりに必要な計算量が増えます。
1 クリップ 5 セントなら、ほとんど費用がかからないように思えます。ここが誤解を招く点です。初めて使える 5 秒の映像を得るまでに、1 回だけレンダリングすれば済むことはありません。動画モデルへのプロンプト入力は探索作業です。具体的な動きを含むショットでは、採用できる結果に達するまでに 20 ～ 40 回レンダリングするのが一般的です。そのため、1 回の作業セッションの費用はセントではなくドル単位になります。レンタルしたハードウェアで午後いっぱい反復作業をしても、昼食代程度です。
レンタルでは、見落とすと実際の費用につながる点が 2 つあります。マシンが重みをダウンロードしている間も課金されます。Wan 2.2 のファイルにテキストエンコーダーと VAE を加えると、容量は数十 GB になります。そのため、永続ボリュームを利用できるプロバイダーを選び、1 回だけダウンロードしてください。また、SSH セッションを開いたままマシンをアイドル状態にしている間も課金されます。ターミナルを閉じるだけでなく、インスタンスを停止してください。
GPUボックスにComfyUIをインストールする
NVIDIAドライバーがインストール済みの Ubuntu 24.04 から開始します。最初にドライバーを確認してください。この確認をしないと、後続のすべての障害が同じように見えます。
nvidia-smiカードと CUDA のバージョンを含む表が表示される必要があります。NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver と表示された場合、カーネルモジュールが読み込まれていません。通常は、再起動せずにカーネルを更新した後に発生します。ここで修正してください。そうしないと ComfyUI は CPU パスにフォールバックし、モデルが原因だと考えて1時間を費やすことになります。
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重みファイルを1つでもダウンロードする前に、PyTorch がカードを認識していることを確認してください。
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"True にカード名が続いて表示されれば、スタックは正常です。False は、インストールされた wheel が CPU 専用ビルドであることを示します。これは、pip が以前のインストールでキャッシュされた torch を検出した場合に発生します。上記の index URL を指定して再インストールしてください。
Wan 2.2モデルファイルをダウンロードする
ComfyUIには重みが含まれておらず、動画モデルも1つのファイルではありません。動画モデルは拡散モデル、テキストエンコーダー、VAEで構成され、それぞれ専用のディレクトリに配置します。ファイルを誤ったフォルダーに置くと、ローダーノードには表示されません。原因を示すエラーも表示されません。
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.safetensors5Bモデルはtext-to-videoとimage-to-videoの両方に対応しているため、開始点として適しています。常に.ckptより.safetensorsを優先してください。.ckptファイルはpickle化されたPythonオブジェクトです。そのため、読み込むと作成者が記述したコードが実行されます。ディスク容量には十分な余裕を確保してください。1つのモデルファミリーとその出力を含む実用的な環境には100 GBが必要です。また、動画ファイルは画像ワークフローで生成されるPNG画像よりはるかに大きくなります。ワークフローJSONファイルは、オブジェクトストレージへの暗号化された増分バックアップなどを使用してバックアップしてください。重みは再ダウンロードできますが、調整したワークフローは再作成できません。
起動して安全にアクセスする
cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188ComfyUIにはログイン画面もユーザーアカウントもありません。port 8188にアクセスできるものはすべて、ジョブをキューに追加し、生成済みのすべてのクリップを読み取り、custom nodesをインストールできます。これはサーバー上で任意のコードを実行できることを意味します。localhostにbindし、自分のマシンからSSHトンネル経由でアクセスしてください。
ssh -N -L 8188:127.0.0.1:8188 you@your-server次に、ブラウザーでhttp://127.0.0.1:8188を開きます。ノードを手動で接続するのではなく、ComfyUIのtemplates menuからWan 2.2のtemplate workflowを読み込んでください。公式templatesには、モデル向けに調整されたsampler settingsが含まれています。video workflowはimage workflowよりも、値を誤って設定しても気付きにくい箇所が多くあります。
APIを使用するのが適切な場合
動画生成をセルフホストするのは、処理量が多く安定している場合、フレームを自分のインフラストラクチャの外部に出せない場合、またはホスト型サービスにない特定のモデルやカスタムアダプターが必要な場合に適しています。1年後もパイプラインを同じ方法で動作させる必要がある場合にも適しています。ホスト型モデルは、固定できるバージョンがないまま変更される可能性があるためです。
月に数本のクリップだけが必要な場合、オープンモデルが生成できるものより長い、または大きい出力が必要な場合、あるいは今週中に納期がある場合は、ホスト型APIを使用してください。損益分岐点を正確に計算してください。2026年7月の中央値で24 GBのカードを24時間稼働でレンタルすると、月額はおよそ260ドルです。同じカードを購入する場合は、1フレームも生成する前に、その金額を超える初期費用がかかります。アイドル状態のセルフホスト環境は、常にクリップ単位のAPI料金に負けます。これは、テキストモデルの提供方法を決めるのと同じトレードオフです。この点については、セルフホストLLM提供におけるOllamaとvLLMの比較で説明しています。また、より基本的な、GPU付きVPSに費用をかける価値があるかどうかという問題が前提になります。GPU付きVPSに費用をかける価値があるかどうかも参照してください。
レンダリングに失敗したときの確認事項
サンプラーのバーが完了した後、最後の処理でレンダリングが停止した場合は、VAEのデコード処理でメモリが不足しています。フレーム数を減らすか、タイル分割デコードノードに切り替えてください。ステップ数を変更しても改善しません。デコードは、すべてのステップの実行後に1回だけ行われるためです。
出力が完全に黒い場合や大きく乱れている場合は、通常、VAEがモデルと一致していません。Wan 2.2の拡散モデルにWan 2.1のVAEを読み込むと、まさにこの状態になります。ログにはエラーが表示されません。
GPUがあることを確認済みのマシンでレンダリングに数時間かかる場合は、ComfyUIがCPU経路で実行されています。起動ログでデバイス行を確認し、前述のtorch.cuda.is_available()チェックを再実行してください。
dmesg内でKilledとともにプロセスが消え、Pythonのトレースバックもない場合は、カーネルのOOMキラーが原因です。これはVRAMではなくシステムRAMの不足です。オフロードではモデル全体をシステムRAMに常駐させる必要があります。そのため、16 GBのマシンで5Bモデルをオフロードすると容量が不足します。RAMを増設するか、swapを追加してください。
FAQ
GPUなしのVPSでAI動画を生成できますか？
いいえ、繰り返し使える実用的な速度ではできません。24 GB GPUで9分かかる5秒間の720pクリップは、CPUでは数時間かかります。これは、モデルを実行する行列演算用のハードウェアがCPUにはなく、システムRAMの帯域幅がGPUメモリの帯域幅より1桁低いためです。CPUサーバーではComfyUIのインターフェイスをホストし、モデルを保存してワークフローを保持できます。ただし、レンダリング自体にはGPUが必要です。
Wan 2.2にはどの程度のVRAMが必要ですか？
TI2V-5Bモデルでは、ComfyUIのネイティブオフロードを使用する場合、最低8 GBが必要です。公開されている速度を得るには、Alibabaは24 GBを推奨しています。A14Bのtext-to-videoモデルとimage-to-videoモデルでは、モデルカードに単一GPU推論で少なくとも80 GBのVRAMが必要と記載されています。そのため、データセンター向けカードが必要です。
セルフホストしたクリップはどの程度の長さにできますか？
2026年7月時点では、720pで約5秒が実用的な単位です。より長い出力は、セグメントを生成して結合します。あるセグメントの最後のフレームを、次のセグメントの最初のフレームとして使用します。結合部分では品質が変化するため、長い動画は1回の生成ではなく、編集作業として扱ってください。
GPUをカード単位で購入するより、時間単位でレンタルした方が安いですか？
1日あたりのレンダリングが数時間未満なら、レンタルの方が有利です。2026年7月の中央値では、24 GBカードは1時間あたり約0.36ドルです。そのカードの購入価格に達するまで長期間レンタルできます。また、実際に使用したいモデルに対して不適切なクラスのハードウェアを購入せずに済みます。購入が有利になるのは、そのマシンを毎日ほぼ終日稼働させる場合だけです。