Gerador de vídeo com IA autoalojado: o que esperar

O que um gerador de vídeo por IA autoalojado consegue realmente fazer

Um gerador de vídeo por IA autoalojado já funciona atualmente, mas é mais lento e produz vídeos menores do que os vídeos de demonstração sugerem. Em julho de 2026, os modelos abertos que vale a pena executar são o Wan 2.2, da Alibaba, e o HunyuanVideo, da Tencent, além do LTX-Video, da Lightricks, quando a velocidade é mais importante do que o realismo. Todos funcionam no ComfyUI, numa máquina Linux com uma GPU NVIDIA. Com o Wan 2.2, o modelo configurado neste guia, o resultado é um clip de aproximadamente cinco segundos em 720p. A Lightricks documenta limites superiores para o LTX-2.5, o seu modelo atual, que também gera áudio: até 20 segundos por clip em 720p ou 1080p, a 24 ou 25 fps, e 4K nativo a até 50 fps para clips de até 10 segundos. Esses limites aplicam-se à própria API da Lightricks, embora os pesos do LTX-2.5 também estejam publicados abertamente no Hugging Face. Continua a ser uma única tomada. Não é uma cena. Não é um minuto de vídeo finalizado.

Eis a resposta curta antes dos detalhes. Uma placa de 24 GB renderiza um clip de cinco segundos em 720p em poucos minutos. Uma placa de 12 GB faz o mesmo trabalho em 20 minutos ou mais, porque os pesos não cabem na memória de vídeo e o software move continuamente as camadas entre a memória de vídeo e a RAM do sistema. Um servidor sem GPU não consegue fazer isto de forma útil. A mesma aritmética que torna lenta a geração de imagens na CPU torna a geração de vídeo na CPU impraticável.

Se já leu a progressão de hardware para um gerador de imagens autoalojado, o vídeo segue o mesmo princípio, mas com todos os números deslocados uma classe acima. A VRAM (memória de vídeo, a RAM soldada junto ao chip gráfico) continua a ser a única especificação que determina se esta tarefa é simples ou penosa.

Por que um vídeo custa muito mais do que uma imagem

Um modelo de difusão gera uma imagem ao remover o ruído em várias etapas, e cada etapa lê todos os pesos do modelo. Um modelo de vídeo faz o mesmo com um bloco inteiro de frames de uma só vez e acrescenta atenção temporal, para que o frame 80 saiba como era o frame 12. Cinco segundos a 24 frames por segundo correspondem a 120 frames num único lote.

Essa atenção temporal explica por que o custo não cresce de forma linear com a duração do clip. Duplicar o número de frames aumenta em mais do que o dobro a memória necessária para o sampler. Por isso, o problema não é uma renderização mais lenta. É a renderização terminar com erro.

Existe um segundo pico de utilização de memória que muitas pessoas não esperam. Depois de o sampler terminar, o VAE (variational autoencoder, o componente que transforma o latent comprimido em pixels reais) descodifica todo o vídeo latente de uma só vez. Essa descodificação pode precisar de mais memória do que a amostragem. O sintoma é uma tarefa que mostra uma barra de progresso concluída e depois apresenta isto:

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

A solução é usar descodificação em tiles ou um clip mais curto. Saber em que etapa ocorreu a falta de memória evita passar uma hora a ajustar o parâmetro errado.

Quanta VRAM é necessária para gerar vídeos com IA

Duas informações publicadas enquadram toda a decisão, mas parecem contradizer-se. A Alibaba afirma que o modelo Wan 2.2 TI2V-5B gera clips a 720p, com 24 frames por segundo e cinco segundos de duração, em menos de nove minutos numa única GPU para consumidores, como uma 4090, e recomenda pelo menos 24 GB de VRAM. A documentação do ComfyUI afirma que o mesmo modelo 5B "deve funcionar bem com 8GB de VRAM usando o offloading nativo do ComfyUI".

Ambas as afirmações são verdadeiras porque medem coisas diferentes. 8 GB é o mínimo em que o modelo cabe. 24 GB é o nível em que funciona sem limitações relevantes. O offloading mantém a maior parte do modelo na RAM do sistema e transmite as camadas para a GPU em cada passo. Assim, a placa passa o tempo à espera do barramento PCIe em vez de efetuar cálculos. Esse custo é pago em cada passo do sampler, e não apenas uma vez.

[
  {
    "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
  }
]

Apenas a última linha é um valor fornecido pelo fabricante. A placa com 24 GB demora 9 minutos por clip, que é o valor publicado pela Alibaba para este modelo. As restantes linhas mostram o efeito do offloading e representam ordens de grandeza, não resultados de benchmarks. O essencial é a tendência: 40 minutos numa placa com 8 GB é uma configuração que funciona tecnicamente, mas que, na prática, transforma o processamento num trabalho em lote que se deixa a executar durante a noite.

Os modelos Wan 2.2 maiores pertencem a uma categoria diferente. O próprio comando de inferência para uma única GPU da Alibaba, destinado às variantes A14B de text-to-video e image-to-video, exige pelo menos 80 GB de VRAM. Nenhuma placa para consumidores tem essa capacidade. Por isso, executar esse comando tal como foi publicado exige um acelerador de data center, como um A100 ou H100, ou uma placa de workstation, como a NVIDIA RTX PRO 6000 Blackwell com 96 GB. Esse valor aplica-se ao script da Alibaba, não a todas as formas de executar os modelos. O carregador dinâmico de VRAM do ComfyUI, documentado em março de 2026 para placas NVIDIA no Windows e no Linux, avaliou os dois especialistas 14B, em fp16 e fp8, numa RTX 5060, carregando os pesos à medida que eram necessários. Essas execuções usaram 81 frames a 320 por 320. Demonstram que os modelos A14B podem ser carregados numa placa pequena, mas não que 720p seja rápido ou sequer prático nesse hardware. Para gerar conteúdo 14B a 720p num tempo razoável, o self-hosting continua normalmente a significar alugar por hora o acelerador de outra pessoa. No lado do texto, a mesma aritmética escala muito mais, porque alojar localmente um modelo com 2.8 triliões de parâmetros como o Kimi K3 deixa de ser uma questão sobre uma única placa e passa a ser uma questão sobre quantas placas de 80 GB consegue ligar em conjunto.

Quanto custa um clip numa GPU alugada

Alugar uma GPU é a melhor forma de testar isto para a maioria das pessoas, porque uma placa que compre pode ser o hardware errado se o modelo que acabar por escolher precisar de 80 GB. Preços medianos sob demanda no mercado de aluguer de GPUs, em julho de 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
  }
]

A linha da 4090 executa o modelo 5B e custa cerca de 0.05 dólares por clip, a 0.36 dólares por hora. As linhas com 80 GB executam os modelos 14B. Por isso, o custo por clip sobe para 0.6 dólares, embora o próprio hardware seja muito mais rápido. Um modelo maior exige mais computação por segundo de vídeo.

Cinco cêntimos por clip parecem insignificantes. Esse é o aspeto enganador. Os primeiros cinco segundos utilizáveis nunca resultam de um único render. Gerar vídeo com um modelo é um processo de pesquisa, e é normal fazer vinte a quarenta renders antes de obter um resultado aproveitável numa cena com movimentos específicos. Por isso, uma sessão de trabalho custa dólares, não cêntimos. Uma tarde de iteração em hardware alugado custa aproximadamente o mesmo que um almoço.

Dois detalhes do aluguer podem aumentar bastante os custos se não prestar atenção. A cobrança continua enquanto a máquina descarrega os pesos. Os ficheiros do Wan 2.2, juntamente com o respetivo codificador de texto e VAE, ocupam dezenas de gigabytes. Escolha um fornecedor com um volume persistente e faça o download apenas uma vez. A cobrança também continua enquanto a máquina fica inativa com a sessão SSH aberta. Pare a instância em vez de apenas fechar o terminal.

Instalar o ComfyUI no servidor com GPU

Comece com Ubuntu 24.04 e o controlador NVIDIA já instalado. Verifique primeiro o controlador, porque todas as falhas seguintes parecem iguais sem esta verificação.

nvidia-smi

O comando deve apresentar uma tabela com a sua placa e uma versão do CUDA. Se apresentar NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, o módulo do kernel não está carregado. Isto normalmente acontece depois de uma atualização do kernel sem reiniciar o sistema. Corrija o problema nesta etapa. Caso contrário, o ComfyUI usará o caminho da CPU e perderá tempo a investigar o modelo.

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

Confirme que o PyTorch deteta a placa antes de transferir um único ficheiro de pesos.

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

True juntamente com o nome da sua placa significa que a stack está funcional. False significa que o wheel instalado é a compilação apenas para CPU. Isto acontece quando o pip encontra uma versão em cache do torch de uma instalação anterior. Reinstale usando o URL do índice acima.

Descarregue os ficheiros do modelo Wan 2.2

O ComfyUI não inclui pesos, e um modelo de vídeo não é um único ficheiro. É composto por um modelo de difusão, um codificador de texto e um VAE. Cada componente deve ficar no seu próprio diretório. Se colocar um ficheiro na pasta errada, o nó carregador simplesmente não o apresenta, sem indicar o motivo do problema.

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

O modelo 5B suporta conversão de texto em vídeo e de imagem em vídeo, por isso é um ponto de partida sensato. Prefira sempre .safetensors em vez de .ckpt. Um ficheiro .ckpt é um objeto Python serializado com pickle. Ao carregá-lo, executa código escrito por quem o criou. Reserve espaço suficiente em disco: uma instalação funcional com uma família de modelos e os respetivos ficheiros de saída requer 100 GB. Os ficheiros de vídeo são muito maiores do que as imagens PNG produzidas por um fluxo de trabalho de imagem. Faça cópias de segurança dos ficheiros JSON dos fluxos de trabalho, por exemplo com cópias de segurança incrementais encriptadas para armazenamento de objetos, porque os pesos podem ser descarregados novamente, mas os fluxos de trabalho ajustados não.

Execute e aceda com segurança

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

O ComfyUI não tem ecrã de início de sessão nem contas de utilizador. Qualquer pessoa que consiga aceder à porta 8188 pode colocar trabalhos na fila e ler todos os clips que gerou. Se ativar mais tarde o ComfyUI-Manager, a possibilidade de um visitante remoto instalar também nós personalizados depende das definições de segurança e de rede, e um nó personalizado permite executar código arbitrário no servidor. Faça o bind a localhost e aceda através de um túnel SSH a partir da sua própria máquina.

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

Depois, abra http://127.0.0.1:8188 no navegador. Carregue o fluxo de trabalho do modelo Wan 2.2 a partir do menu de modelos do ComfyUI, em vez de ligar os nós manualmente. Os modelos oficiais incluem as definições do sampler para as quais o modelo foi ajustado, e um fluxo de trabalho de vídeo tem muito mais pontos onde um valor pode ficar incorreto sem ser evidente do que um fluxo de trabalho de imagem.

Quando a resposta correta é usar uma API

O self-hosting de geração de vídeo é a escolha certa quando o volume é elevado e constante, quando os seus frames não podem sair da sua própria infraestrutura ou quando precisa de um modelo específico ou de um adaptador personalizado que nenhum serviço alojado oferece. Também é a escolha certa quando o pipeline tem de continuar a funcionar da mesma forma daqui a um ano. Alguns modelos alojados mudam sem que tenha controlo sobre isso: o Replicate mantém os seus modelos oficiais atualizados com a versão mais recente e não lhe permite escolher uma versão. Outros podem ser fixados, e os modelos da comunidade do Replicate são chamados com uma versão específica, por isso confirme este ponto antes de criar uma solução baseada num deles.

Use uma API alojada quando precisar de alguns clips por mês, quando precisar de uma saída mais longa ou maior do que a produzida pelos modelos abertos ou quando tiver um prazo nesta semana. Calcule o ponto de equilíbrio com honestidade. Uma placa de 24 GB alugada continuamente, ao preço mediano de julho de 2026, custa aproximadamente 260 dólares por mês, e comprar a mesma placa custa mais do que isso inicialmente, antes de gerar um único frame. Um servidor self-hosted inativo perde sempre para os preços de uma API por clip. Este é o mesmo compromisso que determina como disponibiliza modelos de texto, abordado em Ollama contra vLLM para disponibilizar LLMs self-hosted, e depende da questão mais básica apresentada em se um VPS com GPU compensa o custo.

O que verificar quando uma renderização falha

Uma renderização que termina abruptamente no fim, depois de a barra do sampler chegar a 100%, ficou sem memória durante a descodificação do VAE. Reduza o número de frames ou mude para um node de descodificação por tiles. Alterar o número de steps não resolve, porque a descodificação ocorre uma vez, depois de todos os steps já terem sido executados.

Uma saída totalmente preta ou muito corrompida normalmente indica que o VAE não corresponde ao modelo. Os números de versão não indicam qual ficheiro está correto: o modelo Wan 2.2 TI2V-5B usa o VAE Wan 2.2, enquanto a configuração oficial da Alibaba para os modelos Wan 2.2 A14B especifica o VAE Wan 2.1. Carregue o VAE indicado pelo template oficial do seu modelo.

Uma renderização que funciona, mas demora horas numa máquina que sabe ter uma GPU, indica que o ComfyUI está a usar o caminho da CPU. Verifique a linha do dispositivo no log de arranque e execute novamente a verificação torch.cuda.is_available() acima.

Se o processo desaparece com Killed em dmesg e sem traceback do Python, trata-se do mecanismo do kernel que termina processos por falta de memória. Nesse caso, o problema está na RAM do sistema, não na VRAM. A quantidade de RAM necessária para o offloading depende da forma como o ComfyUI carrega os pesos. O carregador dinâmico de VRAM, executado em placas NVIDIA no Linux e no Windows, mapeia os ficheiros de pesos a partir do disco e carrega-os conforme necessário. O ComfyUI indica que pode executar modelos que excedem a RAM física disponível. Por isso, 16 GB de RAM do sistema não impedem, por si só, o offloading de um modelo 5B. Builds mais antigos, e os atuais iniciados com --disable-dynamic-vram, usam o carregamento anterior baseado em estimativas e podem deixar uma máquina com poucos recursos sem memória. Atualize o ComfyUI e confirme que a flag não está definida. Se o mecanismo continuar a terminar o processo, adicione RAM ou configure swap.

FAQ

Posso gerar vídeo com IA numa VPS sem GPU?

Não de uma forma que seja prática repetir. Um clip de cinco segundos em 720p que demora nove minutos numa GPU de 24 GB pode demorar muitas horas num CPU. Alguns CPUs de servidor têm unidades matriciais integradas, como os processadores Intel Xeon com AMX, mas o débito é muito inferior ao de uma GPU, e a largura de banda da RAM do sistema é uma ordem de grandeza inferior à largura de banda da memória da GPU. Um servidor com CPU pode alojar a interface do ComfyUI, armazenar os modelos e manter os workflows, mas a renderização em si precisa de uma GPU.

De quanta VRAM preciso para o Wan 2.2?

Para o modelo TI2V-5B, 8 GB é o mínimo com o offloading nativo do ComfyUI, e 24 GB é a capacidade recomendada pela Alibaba para atingir a velocidade publicada. Para os modelos A14B de texto para vídeo e de imagem para vídeo, o comando de inferência para uma única GPU da Alibaba requer pelo menos 80 GB de VRAM. Isto significa uma placa de centro de dados com 80 GB ou uma placa workstation com 96 GB, como a RTX PRO 6000 Blackwell, se executar o modelo dessa forma. O carregador dinâmico de VRAM do ComfyUI já executou os dois especialistas 14B numa RTX 5060, mas apenas num benchmark de 320 por 320. Considere isso uma prova de que os modelos carregam numa placa pequena, não um valor de velocidade ou de memória para 720p.

Qual pode ser a duração de um clip alojado localmente?

Com Wan 2.2, cerca de cinco segundos em 720p é a unidade prática em julho de 2026. A Lightricks documenta clips LTX-2.5 com áudio gerado de até 20 segundos em 720p e 1080p, e de até 10 segundos em 1440p, 4K ou 48 a 50 fps. A saída mais longa é produzida através da geração de segmentos e da sua junção, usando o último frame de um segmento como o primeiro frame do seguinte. A qualidade varia nas junções. Por isso, trate um vídeo longo como um trabalho de edição e não como uma única geração.

Alugar uma GPU à hora fica mais barato do que comprar uma placa?

Alugar é mais vantajoso para qualquer utilização inferior a algumas horas de renderização por dia. Com a mediana de julho de 2026, de cerca de 0.36 dólares por hora para uma placa de 24 GB, pode alugar durante bastante tempo antes de atingir o preço de compra dessa placa. Também evita comprar hardware que se revele inadequado para a classe do modelo que pretende utilizar. Comprar só é vantajoso quando o servidor está ocupado durante a maior parte do dia, todos os dias.