著者 Matt Connor
自己ホスト型AI動画生成の現実と必要なVRAM
2026年7月時点で実用的な Wan 2.2、HunyuanVideo、LTX-Videoを比較します。720p・5秒の生成に必要なVRAM、レンタルGPUの費用、APIを選ぶ基準を確認できます。
セルフホスト型 AI 動画生成ツールで実際にできること
セルフホスト型 AI 動画生成ツールは現在でも実用になります。ただし、デモ映像が示すほど高速でも大規模でもありません。2026年7月時点で実行する価値があるオープンモデルは、Alibaba の Wan 2.2 と Tencent の HunyuanVideo です。速度をリアリティより優先する場合は、Lightricks の LTX-Video も候補になります。これらはすべて、NVIDIA GPU を搭載した Linux マシン上で ComfyUI のもとで実行できます。このガイドで構築する Wan 2.2 では、720p でおよそ 5 秒のクリップが生成されます。Lightricks は現行モデルである LTX-2.5 について、より大きな仕様を公開しています。LTX-2.5 は音声も生成し、720p または 1080p、24 または 25 fps で 1 クリップあたり最大 20 秒、さらに最大 10 秒のクリップでは最大 50 fps のネイティブ 4K に対応します。これらの制限は Lightricks 独自の API に関するものです。ただし、LTX-2.5 の重みは Hugging Face でも公開されています。それでも生成されるのは 1 ショットです。1 シーンではありません。完成した映像 1 分でもありません。
詳細に入る前に、結論を簡潔に示します。24 GB のカードなら、5 秒の 720p クリップを数分台で生成できます。12 GB のカードでは、同じ処理に 20 分以上かかります。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させるためです。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 による画像生成を遅くした計算量が、CPU による動画生成では処理自体を非現実的にします。
セルフホスト型画像生成ツールのハードウェア構成をすでに読んでいるなら、動画では同じ議論の各数値を 1 段階上げるだけです。VRAM（ビデオメモリ。グラフィックスチップの隣に実装された RAM）は、これが快適か苦行になるかを決める唯一の仕様である点も変わりません。
画像1枚より動画1本のコストが大幅に高い理由
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全体のブロックに対して一度に実行します。さらに、フレーム間の時間方向のアテンションを追加するため、フレーム80がフレーム12の内容を参照できます。24フレーム/秒で5秒の場合、1つのバッチに120フレームが含まれます。
この時間方向のアテンションにより、コストはクリップの長さに比例して単純には増加しません。フレーム数を2倍にすると、サンプラーに必要なメモリは2倍を超えて増加します。そのため、発生する問題はレンダリングが遅くなることではありません。レンダリング自体が停止します。
予想しにくいメモリ使用量の急増が、もう1つあります。サンプラーの処理が終わると、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 の動画全体を一度にデコードします。このデコードでは、サンプリング時より多くのメモリが必要になる場合があります。進捗バーが完了した後にジョブが停止し、次の内容が出力されるのが典型的な症状です。
torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.31 GiB対処方法は、タイル分割デコードを使用するか、クリップを短くすることです。どの段階でメモリ不足になったかを把握すれば、関係のない設定を1時間調整し続けずに済みます。
AI 動画生成にはどれだけの VRAM が必要か
2 つの公開された数値を見ると、判断が難しくなります。一見すると、互いに矛盾しているように見えるためです。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。一方、ComfyUI のドキュメントには、同じ 5B モデルについて「ComfyUI native offloading を使えば 8GB vram に十分収まる」と記載されています。
この 2 つが両立するのは、測定しているものが異なるためです。8 GB は、モデルを収められる容量です。24 GB は、無理なく処理できる容量です。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 にストリーミングします。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 1 回だけでなく、サンプラーの各ステップで発生します。
このグラフのデータ
[
{
"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
}
]最後の行だけが、ベンダーによる数値です。24 GB のカードでは、1 クリップあたり 9 分となります。これは、このモデルについて Alibaba が公開している数値です。他の行は、Offloading によって処理時間がどう変わるかを示したもので、ベンチマーク結果ではなく桁の目安です。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、実際には夜間に実行したまま放置するバッチ処理です。
より大きな Wan 2.2 モデルは、別の世界です。Alibaba が公開している、A14B の text-to-video および image-to-video バリアント向けの単一 GPU 推論コマンドでは、少なくとも 80 GB の VRAM が必要です。一般向けのカードにはこれほどの容量がないため、公開されたコマンドをそのまま実行するには、A100 や H100 などのデータセンター向けアクセラレーター、または 96 GB を搭載した NVIDIA の RTX PRO 6000 Blackwell などのワークステーション向けカードが必要です。この数値は Alibaba のスクリプトに関するものであり、モデルの実行方法すべてに当てはまるわけではありません。2026 年 3 月に NVIDIA カード向けとして Windows と Linux で文書化された ComfyUI の dynamic VRAM loader では、必要なときに重みを読み込むことで、2 つの 14B experts を fp16 と fp8 で RTX 5060 上でベンチマークしています。これらの実行では 320 by 320、81 フレームを使用しています。そのため、A14B モデルが小容量のカードにも読み込めることは示しますが、720p が高速、あるいは実用的であることを示すものではありません。14B の出力を 720p で現実的な時間内に生成するには、self-hosted 環境でも、依然として時間単位で他者のアクセラレーターを借りる形になりがちです。text 側では同じ計算がさらに大きくなります。Kimi K3 のような 2.8 trillion parameter モデルを self-hosting することは、1 枚のカードで済むかという問題ではなく、接続して運用できる 80 GB カードを何枚用意できるかという問題になります。
レンタル GPU で 1 クリップにかかる費用
ほとんどの場合、まずはレンタルで試すべきです。最終的に使いたいモデルに 80 GB が必要なら、購入したカードは適切なハードウェアではないためです。GPU レンタル市場におけるオンデマンド料金の中央値は、2026 年 7 月時点で次のとおりです。
このグラフのデータ
[
{
"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、1 時間あたり 0.36 ドルで、1 クリップあたり約 0.05 ドルかかります。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も増えます。
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。しかし、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 回のレンダリングで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。特定の動きを含むショットでは、採用できる結果に到達するまで 20〜40 回レンダリングするのが普通です。そのため、1 回の作業セッションにかかる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、昼食代と同程度です。
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。インスタンスがモデルの重みをダウンロードしている間も課金されます。Wan 2.2 のファイルは text encoder と VAE を含めると数十 GB になるため、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インスタンス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はなく、インスタンスを停止してください。
GPU サーバーに ComfyUI をインストールする
NVIDIA ドライバーをインストール済みの Ubuntu 24.04 から始めます。まずドライバーを確認してください。この確認を省くと、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ロードされていません。通常は、カーネルをアップグレードした後に再起動していないことが原因です。ここで修正してください。そうしないと ComfyUI は CPU 経路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 つもダウンロードする前に、PyTorch がカードを認識することを確認します。
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"True とカード名が表示されれば、スタックは正常です。False は、インストールされている 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使用した torch のキャッシュ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 のモデルファイルをダウンロードする
ComfyUI には重みファイルが付属しておらず、動画モデルも単一のファイルではありません。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。理由を示すエラーも出ません。
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 の両方に対応するため、開始点として適しています。常に .safetensors を .ckpt より優先してください。.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持たせてください。1 つのモデルファミリーとその出力を含む実用的な構成では 100 GB が必要です。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。重みファイルは再ダウンロードできますが、調整済みのワークフローは再現できないため、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 などを使用してワークフローの JSON ファイルをバックアップしてください。
安全に起動してアクセスする
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 に到達できる相手は、誰でもジョブをキューに追加でき、生成したすべてのクリップを読み取れます。後から ComfyUI-Manager を有効にした場合、リモートからアクセスしたユーザーが custom node もインストールできるかどうかは、セキュリティ設定とネットワーク設定によって決まります。custom node は、サーバー上で任意のコードを実行できる仕組みです。localhost に bind し、自分のマシンから SSH tunnel 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 のテンプレートメニューから Wan 2.2 のテンプレートワークフローを読み込みます。公式テンプレートには、モデル向けに調整された sampler 設定が含まれています。動画ワークフローは画像ワークフローよりも、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を使うべき場合
動画生成をセルフホストするのが適しているのは、処理量が多く安定している場合、フレームを自社インフラの外部に出せない場合、またはホスト型サービスでは提供されていない特定のモデルやカスタムアダプターが必要な場合です。1 年後もパイプラインを同じ方法で動かす必要がある場合にも適しています。ホスト型モデルの中には、利用者の確認なしに変更されるものがあります。Replicate は公式モデルを最新バージョンに更新し、特定のバージョンを選択するよう求めません。コミュニティモデルでは特定のバージョンを指定して呼び出せるため、採用する前に確認してください。
月に数本のクリップしか必要ない場合、オープンモデルより長い、または大きい出力が必要な場合、あるいは今週中に期限がある場合は、ホスト型 API を使ってください。損益分岐点は現実的に計算します。2026 年 7 月の中央値で 24 GB のカードを 24 時間稼働で借りると、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れ以上の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場合と同じトレードオフです。セルフホスト LLM の提供における Ollama と vLLM の比較で説明しています。また、GPU 付き VPS に費用をかける価値があるかどうかという、より基本的な問題の上に成り立つ判断でもあります。
レンダリングに失敗した場合の確認事項
サンプラーの進行バーが完了した直後、レンダリングの最後で処理が停止する場合は、VAE のデコード中にメモリ不足が発生しています。フレーム数を減らすか、タイル分割に対応したデコードノードへ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、すべてのステップが完了した後に 1 回だけ実行されるためです。
出力が完全な黒になるか、大きく乱れている場合は、VAE がモデルと一致していない可能性があります。バージョン番号だけでは正しいファイルを判断できません。Wan 2.2 TI2V-5B モデルは Wan 2.2 VAE を使用します。一方、Alibaba が Wan 2.2 A14B モデル向けに用意している設定では、Wan 2.1 VAE が指定されています。使用するモデルの公式テンプレートで指定されている VAE を読み込んでください。
GPU を搭載していることが分かっているマシンで、レンダリング自体は動作するものの数時間かかる場合は、ComfyUI が CPU 経路で動作しています。起動ログでデバイス行を確認し、その後、上記の torch.cuda.is_available() チェックを再実行してください。
dmesg に Killed と表示され、Python の traceback がないままプロセスが消える場合は、カーネルの out-of-memory killer が原因です。つまり不足しているのは VRAM ではなく、システム RAM です。オフロードに必要な RAM の量は、ComfyUI が重みを読み込む方法によって異なります。Linux と Windows で NVIDIA カードを使用する場合、ComfyUI の動的 VRAM ローダーは重みファイルをディスクからマッピングし、必要に応じて読み込みます。ComfyUI によると、物理 RAM を超えるモデルも実行できるため、システム RAM が 16 GB あるだけで 5B モデルのオフロードが不可能になるわけではありません。古いビルドや、--disable-dynamic-vram を指定して起動した現在のビルドでは、従来の推定ベースの読み込みが使用されるため、少ない構成では RAM が不足することがあります。ComfyUI を更新し、そのフラグが設定されていないことを確認してください。それでも killer が実行される場合は、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、繰り返し使える現実的な速度ではできません。24 GB GPU で 9 分かかる 5 秒の 720p クリップは、CPU では数時間かかります。Intel Xeon の AMX など、行列演算ユニットを内蔵するサーバー CPU もあります。しかし、スループットは GPU を大きく下回り、システム RAM の帯域幅も GPU メモリの帯域幅より 1 桁低い水準です。CPU サーバーでは ComfyUI のインターフェースをホストし、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う場合、8 GB が最低ラインです。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、Alibaba の単一 GPU 推論コマンドが少なくとも 80 GB の VRAM を要求します。そのため、その方法で実行するには 80 GB のデータセンター向けカード、または RTX PRO 6000 Blackwell などの 96 GB ワークステーション向けカードが必要です。ComfyUI の動的 VRAM ローダーは、RTX 5060 上で 14B の両方のエキスパートを実行できています。ただし、これは 320 by 320 のベンチマークに限られます。小容量のカードでもモデルを読み込めることの証拠であって、720p の速度やメモリ使用量を示す数値とは考えないでください。
自ホストのクリップはどの程度の長さにできますか？
Wan 2.2 では、2026 年 7 月時点で 720p、約 5 秒が実用的な単位です。Lightricks は、音声を生成する LTX-2.5 のクリップについて、720p と 1080p では最大 20 秒、1440p、4K、または 48 to 50 fps では最大 10 秒と説明しています。より長い出力は、セグメントを生成して連結します。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います。連結部分では品質が徐々に変化するため、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 カードを購入するより、時間単位でレンタルしたほうが安価ですか？
1 日あたりのレンダリングが数時間未満なら、レンタルのほうが有利です。2026 年 7 月時点で 24 GB カードの中央値は 1 時間あたり約 0.36 ドルです。この価格なら、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、実際に使いたいモデルに対して、想定と異なるクラスのハードウェアを購入するリスクも避けられます。購入が有利になるのは、マシンを毎日ほぼ 1 日中稼働させる場合だけです。