Self-hosted AI videogenerator: wat is de realiteit?

Wat een zelfgehoste AI-videogenerator daadwerkelijk kan

Een zelfgehoste AI-videogenerator werkt vandaag de dag, maar is trager en beperkter dan de demonstratiefilmpjes doen vermoeden. Sinds juli 2026 zijn de open modellen die het draaien waard zijn Wan 2.2 van Alibaba en HunyuanVideo van Tencent, plus LTX-Video van Lightricks wanneer snelheid belangrijker is dan realisme. Ze draaien allemaal onder ComfyUI op een Linux-machine met een NVIDIA GPU. Met Wan 2.2, het model dat in deze handleiding wordt opgezet, krijgt u een clip van ongeveer vijf seconden op 720p. Lightricks documenteert meer voor LTX-2.5, hun huidige model, dat ook audio genereert: tot 20 seconden per clip op 720p of 1080p en 24 of 25 fps, en native 4K tot 50 fps voor clips van maximaal 10 seconden. Die limieten gelden voor de eigen API van Lightricks, hoewel de LTX-2.5-gewichten ook openbaar zijn gepubliceerd op Hugging Face. Het blijft één shot. Geen scène. Geen minuut aan afgewerkt beeldmateriaal.

Hier is het korte antwoord voorafgaand aan de details. Een kaart met 24 GB rendert een clip van vijf seconden op 720p in enkele minuten. Een kaart met 12 GB doet hetzelfde werk in twintig minuten of langer, omdat de gewichten niet in het videogeheugen passen en de software voortdurend lagen verplaatst tussen het videogeheugen en het systeem-RAM. Een server zonder GPU kan dit niet op een zinvolle manier uitvoeren. De rekenkracht die CPU-beeldgeneratie traag maakte, maakt CPU-videogeneratie zinloos.

Als u de hardwareladder voor een zelfgehoste beeldgenerator al heeft gelezen, dan is video hetzelfde argument waarbij elk getal één klasse is opgeschoven. VRAM (videogeheugen, het RAM dat naast de grafische chip is gesoldeerd) is nog steeds de enige specificatie die bepaalt of dit leuk of frustrerend is.

Waarom één video zoveel meer kost dan één afbeelding

Een diffusiemodel genereert een afbeelding door deze in stappen te ontdoen van ruis, waarbij elke stap elk gewicht in het model leest. Een videomodel doet hetzelfde voor een heel blok frames tegelijk en voegt aandacht (attention) over de tijd toe, zodat frame 80 weet hoe frame 12 eruitzag. Vijf seconden bij 24 frames per seconde is 120 frames in één batch.

Die temporele aandacht is de reden waarom de kosten niet lineair schalen met de lengte van de clip. Het verdubbelen van het aantal frames zorgt voor meer dan een verdubbeling van het geheugen dat de sampler nodig heeft; het faalscenario is dus niet dat het renderen trager verloopt. Het is het renderen dat volledig stopt.

Er is een tweede geheugenpiek waar men vaak geen rekening mee houdt. Nadat de sampler klaar is, decodeert de VAE (variational autoencoder, het onderdeel dat de gecomprimeerde latent omzet in echte pixels) de volledige latente video in één keer. Dat decoderen kan meer geheugen vereisen dan het samplen zelf. Het symptoom is een taak die een voltooide voortgangsbalk toont en vervolgens dit afdrukt:

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

De oplossing is tiled decoding of een kortere clip. Weten welke fase onvoldoende geheugen had, bespaart u een uur aan het afstellen van de verkeerde instellingen.

Hoeveel VRAM heeft u nodig voor AI-videogeneratie

Twee gepubliceerde cijfers vormen de basis voor deze beslissing, en ze lijken elkaar tegen te spreken. Alibaba stelt dat het Wan 2.2 TI2V-5B model 720p-clips van vijf seconden genereert met 24 frames per seconde in minder dan negen minuten op een enkele consumenten-GPU zoals een 4090, en zij raden minimaal 24 GB VRAM aan. De documentatie van ComfyUI stelt dat hetzelfde 5B model "goed zou moeten passen op 8 GB VRAM met de native offloading van ComfyUI".

Beide beweringen kloppen omdat ze verschillende zaken meten. 8 GB is de ondergrens waar het model in past. 24 GB is de hoeveelheid waarbij het comfortabel werkt. Offloading werkt door het grootste deel van het model in het systeem-RAM te houden en voor elke stap lagen naar de GPU te streamen; de kaart besteedt zijn tijd dus aan wachten op de PCIe-bus in plaats van aan berekeningen. U betaalt die prijs bij elke sampler-stap, niet slechts één keer.

[
  {
    "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
  }
]

Alleen de laatste rij is een cijfer van de fabrikant. De kaart met 24 GB komt uit op 9 minuten per clip, wat het door Alibaba gepubliceerde getal voor dit model is. De andere rijen tonen het effect van offloading; dit zijn indicaties van de orde van grootte in plaats van benchmarkresultaten. De trend is het punt: 40 minuten op een kaart met 8 GB is technisch gezien een werkende configuratie, maar in de praktijk een batch-taak die u 's nachts laat draaien.

De grotere Wan 2.2 modellen vormen een andere categorie. Het eigen single-GPU inference-commando van Alibaba voor de A14B tekst-naar-video en beeld-naar-video varianten vereist minimaal 80 GB VRAM. Geen enkele consumentenkaart heeft zoveel geheugen, dus het uitvoeren van dat commando zoals gepubliceerd vereist een datacenter-accelerator zoals een A100 of H100, of een workstation-kaart zoals de NVIDIA RTX PRO 6000 Blackwell met 96 GB. Dat cijfer hoort bij het script van Alibaba, niet bij elke manier om de modellen uit te voeren. De dynamische VRAM-loader van ComfyUI, gedocumenteerd in maart 2026 voor NVIDIA-kaarten op Windows en Linux, heeft beide 14B experts gebenchmarkt, in fp16 en fp8, op een RTX 5060 door gewichten te laden wanneer ze nodig zijn. Die runs waren 81 frames op 320 bij 320, dus ze tonen aan dat de A14B modellen op een kleine kaart kunnen laden, niet dat 720p daar snel of zelfs praktisch is. Voor 14B output op 720p binnen een redelijke tijd, betekent zelf-hosting meestal nog steeds het per uur huren van de accelerator van een ander. Dezelfde rekensom gaat veel verder aan de tekstkant, waar het zelf-hosten van een model met 2,8 biljoen parameters zoals Kimi K3 ophoudt een vraag over één kaart te zijn en verandert in een vraag over hoeveel kaarten van 80 GB u kunt betalen om met elkaar te verbinden.

Wat een clip kost op een gehuurde GPU

Huren is de manier waarop de meeste mensen dit zouden moeten testen, omdat een kaart die u koopt de verkeerde hardware is als het model dat u uiteindelijk wilt gebruiken 80 GB vereist. Mediaanprijzen voor on-demand gebruik op de GPU-verhuurmarkt, 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
  }
]

De 4090-rij draait het 5B-model en kost ongeveer 0.05 dollar per clip bij 0.36 dollar per uur. De 80 GB-rijen draaien de 14B-modellen; daarom stijgen de kosten per clip naar 0.6 dollar, ook al is de hardware zelf veel sneller. Een groter model betekent meer rekenkracht per seconde video.

Vijf cent per clip klinkt als niets, en dat is het misleidende deel. Uw eerste bruikbare vijf seconden zijn nooit één render. Het aansturen van een videomodel is een zoekproces, en twintig tot veertig renders voordat u een bruikbaar resultaat heeft, is normaal voor een opname met specifieke bewegingen. Een werksessie kost daarom eerder dollars dan centen, en een middag itereren op gehuurde hardware kost ongeveer evenveel als een lunch.

Twee details bij het huren kosten echt geld als u ze over het hoofd ziet. U betaalt terwijl de server de gewichten downloadt, en de Wan 2.2-bestanden met hun tekst-encoder en VAE beslaan tientallen gigabytes. Kies daarom een aanbieder met een persistent volume en download ze slechts één keer. U betaalt ook terwijl de server inactief is met uw SSH-sessie open. Stop de instantie in plaats van alleen de terminal te sluiten.

ComfyUI installeren op de GPU-server

Begin met Ubuntu 24.04 waarop de NVIDIA-driver al is geïnstalleerd. Controleer eerst de driver, omdat elke latere foutmelding er zonder deze controle identiek uitziet.

nvidia-smi

Dit moet een tabel weergeven met uw kaart en een CUDA-versie. Als de uitvoer NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver is, is de kernelmodule niet geladen; dit gebeurt meestal na een kernel-upgrade zonder herstart. Los dit hier op. ComfyUI zal anders terugvallen op de CPU-modus en u zult onnodig tijd besteden aan het debuggen van het 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

Bevestig dat PyTorch de kaart ziet voordat u ook maar één weight-bestand downloadt.

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

True in combinatie met uw kaartnaam betekent dat de stack correct functioneert. False betekent dat de geïnstalleerde wheel de CPU-only build is; dit gebeurt wanneer pip een gecachte versie van torch vindt van een eerdere installatie. Installeer opnieuw met de bovenstaande index URL.

De Wan 2.2 modelbestanden downloaden

ComfyUI wordt geleverd zonder gewichten en een videomodel bestaat niet uit één enkel bestand. Het is een combinatie van een diffusiemodel, een tekst-encoder en een VAE, waarbij elk onderdeel in een eigen map moet worden geplaatst. Als u een bestand in de verkeerde map plaatst, zal het loader-node dit simpelweg niet weergeven, zonder foutmelding die verklaart waarom.

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

Het 5B-model ondersteunt zowel text-to-video als image-to-video, wat het een logisch startpunt maakt. Geef altijd de voorkeur aan .safetensors boven .ckpt. Een .ckpt-bestand is een gepickled Python-object; het laden hiervan voert code uit die is geschreven door de maker van het bestand. Reserveer voldoende schijfruimte: een werkende installatie met één modelfamilie en de bijbehorende output vereist 100 GB, en videobestanden zijn aanzienlijk groter dan de PNG-afbeeldingen die een workflow voor afbeeldingen achterlaat. Maak back-ups van uw workflow JSON-bestanden met bijvoorbeeld versleutelde incrementele back-ups naar object storage, aangezien de gewichten opnieuw kunnen worden gedownload, maar uw afgestelde workflows niet.

Uitvoeren en veilig benaderen

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

ComfyUI bevat geen inlogscherm of gebruikersaccounts. Iedereen die poort 8188 kan bereiken, kan taken in de wachtrij plaatsen en alle gegenereerde clips inzien. Als u later ComfyUI-Manager inschakelt, hangt het van de beveiligings- en netwerkinstellingen af of een externe bezoeker ook aangepaste nodes kan installeren; een aangepaste node staat gelijk aan willekeurige code-uitvoering op uw server. Bind de service aan localhost en benader deze via een SSH-tunnel vanaf uw eigen machine.

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

Open vervolgens http://127.0.0.1:8188 in uw browser. Laad de Wan 2.2 template-workflow vanuit het ComfyUI-templatesmenu in plaats van de nodes handmatig te verbinden. De officiële templates bevatten de sampler-instellingen waarvoor het model is geoptimaliseerd, en een video-workflow heeft aanzienlijk meer plekken waar een waarde ongemerkt onjuist kan zijn dan bij een workflow voor afbeeldingen.

Wanneer het eerlijke antwoord is om een API te gebruiken

Zelf-hosting van videogeneratie is de juiste keuze bij een hoog en constant volume, wanneer uw frames uw eigen infrastructuur niet mogen verlaten, of wanneer u een specifiek model of een aangepaste adapter nodig heeft die geen enkele gehoste dienst aanbiedt. Het is ook de juiste keuze wanneer de pipeline over een jaar nog steeds op dezelfde manier moet werken. Sommige gehoste modellen veranderen onder uw handen: Replicate houdt zijn officiële modellen up-to-date met de nieuwste versie en vraagt u niet om een keuze. Andere kunnen worden vastgezet, en community-modellen van Replicate worden aangeroepen met een specifieke versie, dus controleer dit voordat u op een model bouwt.

Gebruik een gehoste API wanneer u een handvol clips per maand nodig heeft, wanneer u output nodig heeft die langer of groter is dan wat de open modellen produceren, of wanneer u deze week een deadline heeft. Maak een eerlijke berekening van het omslagpunt. Een 24 GB kaart die dag en nacht wordt gehuurd tegen de mediaanprijs van juli 2026 kost ongeveer 260 dollar per maand, en het kopen van dezelfde kaart kost vooraf meer dan dat, nog voordat u één frame heeft gegenereerd. Een inactieve zelf-gehoste machine legt het altijd af tegen de prijs per clip van een API. Dit is dezelfde afweging die bepaalt hoe u tekstmodellen serveert, behandeld in Ollama versus vLLM voor zelf-gehoste LLM-serving, en het is gebaseerd op de meer fundamentele vraag in of een VPS met een GPU überhaupt het geld waard is.

Wat te controleren bij een mislukte render

Een render die aan het einde stopt, nadat de sampler-balk is voltooid, heeft onvoldoende geheugen tijdens de VAE-decode. Verlaag het aantal frames of schakel over naar een tiled decode node. Het wijzigen van het aantal stappen helpt niet, omdat de decode eenmalig plaatsvindt nadat alle stappen zijn uitgevoerd.

Output die volledig zwart of ernstig vervormd is, betekent meestal dat de VAE niet overeenkomt met het model. De versienummers geven niet aan welk bestand correct is: het Wan 2.2 TI2V-5B model gebruikt de Wan 2.2 VAE, terwijl de configuratie van Alibaba voor de Wan 2.2 A14B modellen de Wan 2.1 VAE voorschrijft. Laad de VAE die in het officiële sjabloon voor uw model wordt genoemd.

Een render die wel draait maar uren duurt op een machine waarvan u weet dat deze een GPU heeft, betekent dat ComfyUI het CPU-pad gebruikt. Controleer het opstartlogboek op de device-regel en voer daarna de torch.cuda.is_available()-controle hierboven opnieuw uit.

Wanneer het proces verdwijnt met Killed in dmesg zonder Python-traceback, is de kernel out-of-memory killer actief; dit betreft systeem-RAM, niet VRAM. Hoeveel RAM-offloading nodig is, hangt af van hoe ComfyUI de gewichten laadt. De dynamische VRAM-loader, die op NVIDIA-kaarten onder Linux en Windows draait, mapt de gewichtsbestanden vanaf de schijf en laadt deze indien nodig. ComfyUI geeft aan dat het modellen kan draaien die groter zijn dan uw fysieke RAM, dus 16 GB systeem-RAM sluit offloading voor een 5B-model niet uit. Oudere builds, en huidige builds die zijn gestart met --disable-dynamic-vram, gebruiken de eerdere schattingsmethode en kunnen tekortschieten op een kleine machine. Update ComfyUI en controleer of de flag niet is ingesteld. Als de killer nog steeds ingrijpt, voeg dan RAM toe of voeg swap toe.

FAQ

Kan ik AI-video genereren op een VPS zonder GPU?

Nee, niet op een manier die voor herhaling vatbaar is. Een clip van vijf seconden in 720p die negen minuten duurt op een 24 GB GPU, duurt vele uren op een CPU. Sommige server-CPU's beschikken wel over ingebouwde matrix-units, zoals Intel Xeon-processors met AMX, maar hun doorvoersnelheid ligt ver onder die van een GPU en de bandbreedte van het systeemgeheugen is een orde van grootte kleiner dan die van het GPU-geheugen. Een CPU-server kan de ComfyUI-interface hosten, uw modellen opslaan en uw workflows beheren, maar de rendering zelf vereist een GPU.

Hoeveel VRAM heb ik nodig voor Wan 2.2?

Voor het TI2V-5B-model is 8 GB het absolute minimum bij gebruik van ComfyUI native offloading, en 24 GB is wat Alibaba aanbeveelt om de gepubliceerde snelheid te behalen. Voor de A14B text-to-video en image-to-video modellen vereist het inference-commando van Alibaba voor een enkele GPU minimaal 80 GB aan VRAM. Dit betekent een 80 GB datacenter-kaart of een 96 GB workstation-kaart, zoals de RTX PRO 6000 Blackwell, als u het op die manier wilt draaien. De dynamische VRAM-loader van ComfyUI heeft beide 14B-experts gedraaid op een RTX 5060, maar alleen in een 320 bij 320 benchmark. Beschouw dit dus als bewijs dat de modellen laden op een kleine kaart, niet als een snelheid- of geheugencijfer voor 720p.

Hoe lang kan een zelfgehoste clip zijn?

Met Wan 2.2 is ongeveer vijf seconden op 720p de praktische eenheid per juli 2026. Lightricks documenteert LTX-2.5-clips met gegenereerde audio van maximaal 20 seconden op 720p en 1080p, en maximaal 10 seconden op 1440p, op 4K of op 48 tot 50 fps. Langere output wordt geproduceerd door segmenten te genereren en deze samen te voegen, waarbij het laatste frame van het ene segment als het eerste frame van het volgende wordt gebruikt. De kwaliteit verloopt bij de overgangen, dus beschouw een lange video als een montageklus in plaats van als één generatie.

Is het per uur huren van een GPU goedkoper dan het kopen van een kaart?

Huren is voordeliger voor alles wat minder dan een paar uur rendering per dag vereist. Bij de mediaanprijs van juli 2026 van ongeveer 0,36 dollar per uur voor een 24 GB-kaart, kunt u lang huren voordat u de aanschafprijs van die kaart heeft bereikt. Bovendien voorkomt u dat u hardware koopt die uiteindelijk niet geschikt blijkt voor het model dat u daadwerkelijk wilt gebruiken. Kopen is alleen voordeliger wanneer de machine het grootste deel van de dag, elke dag, in gebruik is.