รีวิว AI สร้างวิดีโอแบบ self-hosted ใช้งานจริงได้ไหม

สิ่งที่เครื่องสร้างวิดีโอ AI แบบ self-hosted ทำได้จริงในปัจจุบัน

เครื่องสร้างวิดีโอ AI แบบ self-hosted ใช้งานได้จริงในปัจจุบัน แต่มีความเร็วต่ำกว่าและมีข้อจำกัดมากกว่าที่เห็นในคลิปตัวอย่าง ณ เดือนกรกฎาคม 2026 โมเดลแบบเปิดที่น่าใช้งานคือ Wan 2.2 จาก Alibaba และ HunyuanVideo จาก Tencent รวมถึง LTX-Video จาก Lightricks ในกรณีที่ความเร็วสำคัญกว่าความสมจริง ทั้งหมดนี้รันบน ComfyUI บนเครื่อง Linux ที่มี NVIDIA GPU สำหรับ Wan 2.2 ซึ่งเป็นโมเดลที่คู่มือนี้จะตั้งค่า ผลลัพธ์ที่ได้จะเป็นคลิปความยาวประมาณห้าวินาทีที่ความละเอียด 720p ทาง Lightricks ได้ระบุข้อมูลเพิ่มเติมสำหรับ LTX-2.5 ซึ่งเป็นโมเดลปัจจุบันของพวกเขาที่สามารถสร้างเสียงได้ด้วย โดยรองรับความยาวสูงสุด 20 วินาทีต่อคลิปที่ความละเอียด 720p หรือ 1080p ที่ 24 หรือ 25 fps และรองรับ 4K แท้ที่สูงสุด 50 fps สำหรับคลิปความยาวสูงสุด 10 วินาที ข้อจำกัดเหล่านั้นเป็นของ API ของ Lightricks เอง แม้ว่าไฟล์ weights ของ LTX-2.5 จะถูกเผยแพร่อย่างเปิดเผยบน Hugging Face แล้วก็ตาม แต่มันยังคงเป็นเพียงการสร้างแบบช็อตเดียว ไม่ใช่ฉาก และไม่ใช่ฟุตเทจที่เสร็จสมบูรณ์ยาวหนึ่งนาที

นี่คือคำตอบสั้นๆ ก่อนเข้าสู่รายละเอียด การ์ดจอขนาด 24 GB สามารถเรนเดอร์คลิป 720p ความยาวห้าวินาทีได้ในเวลาไม่กี่นาที การ์ดจอขนาด 12 GB ทำงานเดียวกันนี้ได้ในเวลา 20 นาทีหรือมากกว่านั้น เนื่องจากไฟล์ weights ไม่สามารถบรรจุลงในหน่วยความจำวิดีโอได้ทั้งหมด และซอฟต์แวร์ต้องคอยย้ายข้อมูลเลเยอร์ไปมาระหว่าง VRAM กับ system RAM เซิร์ฟเวอร์ที่ไม่มี GPU ไม่สามารถทำงานนี้ได้อย่างมีประสิทธิภาพ การคำนวณที่ทำให้การสร้างภาพด้วย CPU ทำงานได้ช้า ก็ทำให้การสร้างวิดีโอด้วย CPU เป็นเรื่องที่ไร้ประโยชน์เช่นกัน

หากคุณได้อ่าน ลำดับขั้นฮาร์ดแวร์สำหรับเครื่องสร้างภาพแบบ self-hosted มาแล้ว วิดีโอก็คือตรรกะเดียวกันเพียงแต่ตัวเลขทุกตัวขยับขึ้นไปหนึ่งระดับ VRAM (หน่วยความจำวิดีโอ ซึ่งเป็น RAM ที่ติดตั้งอยู่ข้างชิปกราฟิก) ยังคงเป็นสเปกเดียวที่ตัดสินว่าการใช้งานนี้จะเป็นเรื่องสนุกหรือเรื่องที่น่าปวดหัว

เหตุใดวิดีโอหนึ่งคลิปจึงมีต้นทุนสูงกว่าภาพหนึ่งภาพมาก

Diffusion model สร้างภาพโดยการลดสัญญาณรบกวน (denoising) เป็นขั้นตอน และในแต่ละขั้นตอนจะอ่านค่าน้ำหนัก (weight) ทั้งหมดในโมเดล ส่วนโมเดลวิดีโอจะทำกระบวนการเดียวกันกับเฟรมทั้งหมดพร้อมกันเป็นกลุ่ม และเพิ่มกลไก attention ข้ามเวลาเพื่อให้เฟรมที่ 80 รับรู้ว่าเฟรมที่ 12 มีลักษณะอย่างไร วิดีโอความยาว 5 วินาทีที่ 24 เฟรมต่อวินาทีจึงเท่ากับ 120 เฟรมในหนึ่งชุดการประมวลผล

กลไก temporal attention นี้คือสาเหตุที่ต้นทุนไม่ได้เพิ่มขึ้นตามความยาวของคลิปในอัตราที่คงที่ การเพิ่มจำนวนเฟรมเป็นสองเท่าทำให้หน่วยความจำที่ sampler ต้องการเพิ่มขึ้นมากกว่าสองเท่า ดังนั้นรูปแบบความล้มเหลวจึงไม่ใช่การเรนเดอร์ที่ช้าลง แต่เป็นการที่การเรนเดอร์หยุดทำงานไปเลย

ยังมีหน่วยความจำที่พุ่งสูงขึ้นอีกจุดหนึ่งซึ่งผู้ใช้มักคาดไม่ถึง หลังจาก sampler ทำงานเสร็จสิ้น VAE (variational autoencoder ซึ่งเป็นส่วนที่แปลง latent ที่ถูกบีบอัดให้เป็นพิกเซลจริง) จะถอดรหัสวิดีโอ latent ทั้งหมดพร้อมกัน การถอดรหัสนี้อาจต้องการหน่วยความจำมากกว่าขั้นตอนการ sampling เสียอีก อาการที่พบคือสถานะงานแสดงแถบความคืบหน้าจนเต็มแล้วแสดงข้อความนี้:

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

วิธีแก้ไขคือการใช้ tiled decoding หรือลดความยาวของคลิป การทราบว่าขั้นตอนใดที่หน่วยความจำไม่เพียงพอจะช่วยให้คุณไม่ต้องเสียเวลาปรับแต่งค่าผิดจุดเป็นชั่วโมง

คุณต้องการ VRAM เท่าใดสำหรับการสร้างวิดีโอด้วย AI

ตัวเลขสองชุดที่เผยแพร่ออกมาเป็นกรอบในการตัดสินใจทั้งหมด และดูเหมือนว่าตัวเลขทั้งสองจะขัดแย้งกัน Alibaba ระบุว่าโมเดล Wan 2.2 TI2V-5B สามารถสร้างคลิปความละเอียด 720p ที่ 24 เฟรมต่อวินาที ความยาว 5 วินาที ได้ในเวลาไม่ถึง 9 นาที บน GPU สำหรับผู้บริโภคทั่วไปอย่าง 4090 และแนะนำให้ใช้ VRAM อย่างน้อย 24 GB ในขณะที่เอกสารประกอบของ ComfyUI ระบุว่าโมเดล 5B รุ่นเดียวกันนี้ "ควรจะทำงานได้ดีบน VRAM ขนาด 8 GB ด้วยฟีเจอร์ native offloading ของ ComfyUI"

ทั้งสองข้อมูลเป็นความจริงเพราะวัดผลในสิ่งที่แตกต่างกัน 8 GB คือขนาดที่โมเดลสามารถโหลดเข้าหน่วยความจำได้ ส่วน 24 GB คือขนาดที่ทำให้การทำงานมีความคล่องตัว การทำ offloading ทำงานโดยการเก็บโมเดลส่วนใหญ่ไว้ใน RAM ของระบบและสตรีมเลเยอร์เข้าสู่ GPU ในทุกขั้นตอน ดังนั้นการ์ดจอจึงต้องรอข้อมูลผ่านบัส PCIe แทนที่จะได้ประมวลผลทางคณิตศาสตร์ คุณต้องจ่ายต้นทุนเวลานี้ในทุกขั้นตอนของ sampler ไม่ใช่แค่ครั้งเดียว

[
  {
    "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
  }
]

มีเพียงแถวสุดท้ายเท่านั้นที่เป็นตัวเลขจากผู้ผลิต การ์ดจอขนาด 24 GB ใช้เวลา 9 นาทีต่อคลิป ซึ่งเป็นตัวเลขที่ Alibaba เผยแพร่สำหรับโมเดลนี้ แถวอื่นๆ คือผลกระทบจากการทำ offloading ซึ่งเป็นค่าประมาณการเชิงลำดับขนาดมากกว่าจะเป็นผลการทดสอบมาตรฐาน รูปแบบที่เกิดขึ้นคือประเด็นสำคัญ: การใช้เวลา 40 นาทีบนการ์ดจอขนาด 8 GB ในทางเทคนิคถือเป็นระบบที่ใช้งานได้จริง แต่ในทางปฏิบัติถือเป็นงานแบบ batch ที่คุณต้องปล่อยให้รันข้ามคืน

โมเดล Wan 2.2 รุ่นที่ใหญ่กว่านั้นเป็นอีกเรื่องหนึ่ง คำสั่ง inference บน GPU เดี่ยวของ Alibaba สำหรับโมเดลรุ่น A14B ทั้งแบบ text-to-video และ image-to-video ต้องการ VRAM อย่างน้อย 80 GB ไม่มีการ์ดจอสำหรับผู้บริโภคทั่วไปรุ่นใดที่มี VRAM มากขนาดนั้น ดังนั้นการรันคำสั่งดังกล่าวตามที่เผยแพร่จึงต้องใช้ตัวเร่งความเร็วระดับศูนย์ข้อมูลอย่าง A100 หรือ H100 หรือการ์ดจอสำหรับเวิร์กสเตชันอย่าง NVIDIA RTX PRO 6000 Blackwell ที่มี VRAM 96 GB ตัวเลขดังกล่าวเป็นข้อกำหนดของสคริปต์จาก Alibaba ไม่ใช่ข้อจำกัดของทุกวิธีการรันโมเดล ตัวโหลด VRAM แบบไดนามิกของ ComfyUI ซึ่งมีการบันทึกไว้ในเดือนมีนาคม 2026 สำหรับการ์ดจอ NVIDIA บน Windows และ Linux ได้ทดสอบโมเดล 14B experts ทั้งสองรุ่นในรูปแบบ fp16 และ fp8 บน RTX 5060 โดยการโหลดน้ำหนักโมเดลตามความจำเป็น การทดสอบเหล่านั้นรันที่ 81 เฟรมในความละเอียด 320 คูณ 320 ซึ่งแสดงให้เห็นว่าโมเดล A14B สามารถโหลดบนการ์ดจอขนาดเล็กได้ ไม่ได้หมายความว่าการรันที่ความละเอียด 720p จะรวดเร็วหรือใช้งานได้จริง สำหรับผลลัพธ์โมเดล 14B ที่ความละเอียด 720p ในเวลาที่เหมาะสม การทำ self-hosted มักหมายถึงการเช่าตัวเร่งความเร็วของผู้อื่นเป็นรายชั่วโมง การคำนวณในลักษณะเดียวกันนี้จะขยายขอบเขตไปไกลกว่ามากในฝั่งของข้อความ ซึ่ง การทำ self-hosting โมเดลที่มีพารามิเตอร์ 2.8 ล้านล้านตัวอย่าง Kimi K3 จะไม่ใช่คำถามเรื่องการใช้การ์ดจอใบเดียวอีกต่อไป แต่กลายเป็นคำถามว่าคุณสามารถจ่ายเงินเพื่อเชื่อมต่อการ์ดจอขนาด 80 GB เข้าด้วยกันได้กี่ใบ

ค่าใช้จ่ายต่อคลิปบน GPU แบบเช่า

การเช่าเป็นวิธีที่คนส่วนใหญ่ควรใช้ทดสอบ เนื่องจากฮาร์ดแวร์ที่คุณซื้ออาจไม่เหมาะสมหากโมเดลที่คุณต้องการใช้ในท้ายที่สุดต้องใช้หน่วยความจำถึง 80 GB ข้อมูลราคาแบบ on-demand โดยเฉลี่ยในตลาดเช่า GPU ณ เดือนกรกฎาคม 2026 มีดังนี้:

[
  {
    "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
  }
]

แถวของ 4090 ใช้รันโมเดลขนาด 5B ซึ่งมีค่าใช้จ่ายประมาณ 0.05 ดอลลาร์ต่อคลิป ที่อัตรา 0.36 ดอลลาร์ต่อชั่วโมง ส่วนแถวขนาด 80 GB ใช้รันโมเดลขนาด 14B ซึ่งเป็นเหตุผลว่าทำไมค่าใช้จ่ายต่อคลิปจึงพุ่งสูงขึ้นเป็น 0.6 ดอลลาร์ แม้ว่าตัวฮาร์ดแวร์จะประมวลผลได้เร็วกว่ามากก็ตาม โมเดลที่ใหญ่ขึ้นย่อมใช้พลังการคำนวณต่อวินาทีของวิดีโอมากขึ้น

ค่าใช้จ่ายห้าเซนต์ต่อคลิปอาจดูเหมือนน้อยมาก แต่นั่นคือจุดที่ทำให้เข้าใจผิดได้ง่าย เพราะวิดีโอห้าวินาทีแรกที่คุณใช้งานได้จริงนั้นไม่เคยได้มาจากการเรนเดอร์เพียงครั้งเดียว การเขียน prompt ให้โมเดลวิดีโอคือการค้นหา และเป็นเรื่องปกติที่จะต้องเรนเดอร์ถึงยี่สิบถึงสี่สิบครั้งกว่าจะได้ช็อตที่มีการเคลื่อนไหวตามที่ต้องการ ดังนั้นเซสชันการทำงานจริงจึงมีค่าใช้จ่ายเป็นระดับดอลลาร์ไม่ใช่เซนต์ และการทดลองปรับแต่งบนฮาร์ดแวร์เช่าในช่วงบ่ายจะมีค่าใช้จ่ายพอๆ กับค่าอาหารกลางวัน

รายละเอียดการเช่าสองประการที่อาจทำให้คุณเสียเงินโดยไม่จำเป็นหากมองข้ามไป คือ คุณจะถูกคิดค่าบริการในขณะที่เครื่องกำลังดาวน์โหลด weight ซึ่งไฟล์ Wan 2.2 พร้อม text encoder และ VAE มีขนาดใหญ่ถึงหลายสิบกิกะไบต์ ดังนั้นควรเลือกผู้ให้บริการที่มี persistent volume เพื่อให้ดาวน์โหลดเพียงครั้งเดียว นอกจากนี้ คุณยังถูกคิดค่าบริการในขณะที่เครื่องเปิดทิ้งไว้เฉยๆ ในขณะที่เซสชัน SSH ของคุณยังเปิดอยู่ ดังนั้นควรหยุดการทำงานของ instance แทนการปิดเพียงแค่หน้าต่าง terminal เท่านั้น

การติดตั้ง ComfyUI บนเครื่อง GPU

เริ่มต้นจาก Ubuntu 24.04 ที่ติดตั้ง NVIDIA driver เรียบร้อยแล้ว ให้ตรวจสอบ driver ก่อนเป็นอันดับแรก เนื่องจากความผิดพลาดในขั้นตอนถัดไปทั้งหมดจะมีลักษณะเหมือนกันหากไม่ตรวจสอบส่วนนี้

nvidia-smi

คำสั่งดังกล่าวต้องแสดงตารางข้อมูลการ์ดจอและเวอร์ชัน CUDA ของคุณ หากแสดงผลเป็น NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver แสดงว่า kernel module ยังไม่ได้โหลด ซึ่งมักเกิดขึ้นหลังจากการอัปเกรด kernel โดยที่ยังไม่ได้รีบูตเครื่อง ให้แก้ไขปัญหานี้ก่อน มิฉะนั้น ComfyUI จะเปลี่ยนไปใช้การประมวลผลผ่าน CPU แทน และคุณจะเสียเวลาไปกับการหาสาเหตุที่ตัวโมเดล

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

ยืนยันว่า PyTorch มองเห็นการ์ดจอของคุณก่อนที่จะดาวน์โหลดไฟล์ weight ใดๆ

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

True ตามด้วยชื่อการ์ดจอของคุณ หมายความว่า stack ทำงานได้ปกติ ส่วน False หมายความว่า wheel ที่ติดตั้งเป็นรุ่นสำหรับ CPU เท่านั้น ซึ่งมักเกิดขึ้นเมื่อ pip พบไฟล์ torch ที่แคชไว้จากการติดตั้งก่อนหน้า ให้ติดตั้งใหม่โดยใช้ index URL ด้านบน

ดาวน์โหลดไฟล์โมเดล Wan 2.2

ComfyUI ไม่ได้มาพร้อมกับไฟล์ weights และโมเดลวิดีโอไม่ใช่ไฟล์เดียวจบ แต่ประกอบด้วย diffusion model, text encoder และ VAE ซึ่งแต่ละส่วนต้องวางไว้ในไดเรกทอรีของตนเอง หากวางไฟล์ผิดโฟลเดอร์ โหนดตัวโหลดจะไม่แสดงรายการไฟล์นั้น และไม่มีข้อความแจ้งเตือนข้อผิดพลาดเพื่ออธิบายสาเหตุ

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

โมเดลขนาด 5B รองรับทั้งการแปลงข้อความเป็นวิดีโอและการแปลงภาพเป็นวิดีโอ ซึ่งเป็นเหตุผลว่าทำไมจึงเป็นจุดเริ่มต้นที่เหมาะสมที่สุด ควรเลือกใช้ .safetensors แทน .ckpt เสมอ ไฟล์ .ckpt เป็นออบเจกต์ Python ที่ผ่านการทำ pickle ดังนั้นการโหลดไฟล์ประเภทนี้จะทำให้โค้ดที่เขียนโดยผู้สร้างไฟล์นั้นทำงาน ควรจัดสรรพื้นที่ดิสก์ให้เพียงพอ: การติดตั้งที่ใช้งานได้จริงพร้อมโมเดลหนึ่งตระกูลและผลลัพธ์ที่ได้ต้องการพื้นที่ 100 GB และไฟล์วิดีโอมีขนาดใหญ่กว่าไฟล์ภาพ PNG ที่เกิดจากเวิร์กโฟลว์ภาพนิ่งมาก สำรองไฟล์ JSON ของเวิร์กโฟลว์ของคุณด้วยวิธีเช่น การสำรองข้อมูลแบบเพิ่มหน่วยและเข้ารหัสไปยังที่จัดเก็บข้อมูลแบบออบเจกต์ เนื่องจากไฟล์ weights สามารถดาวน์โหลดใหม่ได้ แต่เวิร์กโฟลว์ที่คุณปรับแต่งไว้ไม่สามารถกู้คืนได้

การรันและเข้าถึงอย่างปลอดภัย

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

ComfyUI ไม่มีหน้าจอเข้าสู่ระบบและไม่มีบัญชีผู้ใช้ ทุกสิ่งที่สามารถเข้าถึงพอร์ต 8188 ได้จะสามารถจัดคิวงานและอ่านคลิปทุกรายการที่คุณสร้างขึ้น หากคุณเปิดใช้งาน ComfyUI-Manager ในภายหลัง ความสามารถของผู้เยี่ยมชมจากระยะไกลในการติดตั้ง custom nodes จะขึ้นอยู่กับการตั้งค่าความปลอดภัยและเครือข่ายของตัวจัดการนั้น ซึ่ง custom node ถือเป็นการรันโค้ดตามอำเภอใจบนเซิร์ฟเวอร์ของคุณ ให้ผูกบริการไว้กับ localhost และเข้าถึงผ่าน SSH tunnel จากเครื่องของคุณเอง

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

จากนั้นเปิด http://127.0.0.1:8188 ในเบราว์เซอร์ของคุณ ให้โหลด workflow แม่แบบ Wan 2.2 จากเมนูแม่แบบของ ComfyUI แทนการเชื่อมต่อโหนดด้วยตนเอง แม่แบบที่เป็นทางการจะมีค่าการตั้งค่า sampler ที่โมเดลถูกปรับจูนมาแล้ว และ workflow สำหรับวิดีโอมีจุดที่อาจตั้งค่าผิดพลาดได้ง่ายกว่า workflow สำหรับรูปภาพมาก

เมื่อคำตอบที่ตรงไปตรงมาคือการใช้ API

การทำ self-hosting สำหรับการสร้างวิดีโอเป็นทางเลือกที่เหมาะสมเมื่อมีปริมาณงานสูงและต่อเนื่อง เมื่อเฟรมภาพของคุณต้องไม่ถูกส่งออกไปนอกโครงสร้างพื้นฐานของคุณเอง หรือเมื่อคุณต้องการโมเดลเฉพาะทางหรือ adapter แบบกำหนดเองที่ไม่มีบริการโฮสต์ใดให้บริการ นอกจากนี้ยังเป็นทางเลือกที่เหมาะสมเมื่อไปป์ไลน์ของคุณจำเป็นต้องทำงานในรูปแบบเดิมต่อไปได้อีกหนึ่งปี โมเดลที่โฮสต์บางตัวอาจมีการเปลี่ยนแปลงโดยที่คุณไม่ทราบ: Replicate จะอัปเดตโมเดลอย่างเป็นทางการให้เป็นเวอร์ชันล่าสุดอยู่เสมอโดยไม่ถามความสมัครใจจากคุณ ในขณะที่โมเดลอื่นอาจสามารถตรึงเวอร์ชันไว้ได้ และโมเดลจากชุมชนของ Replicate จะถูกเรียกใช้งานด้วยเวอร์ชันที่ระบุไว้ ดังนั้นควรตรวจสอบให้ดีก่อนที่จะสร้างระบบบนโมเดลเหล่านั้น

ควรใช้ API แบบโฮสต์เมื่อคุณต้องการคลิปเพียงไม่กี่รายการต่อเดือน เมื่อคุณต้องการผลลัพธ์ที่ยาวกว่าหรือใหญ่กว่าที่โมเดลแบบเปิดสามารถผลิตได้ หรือเมื่อคุณมีกำหนดส่งงานภายในสัปดาห์นี้ จงคำนวณจุดคุ้มทุนอย่างตรงไปตรงมา การเช่าการ์ดจอขนาด 24 GB ตลอด 24 ชั่วโมงตามราคาเฉลี่ยในเดือนกรกฎาคม 2026 จะอยู่ที่ประมาณ 260 ดอลลาร์ต่อเดือน ในขณะที่การซื้อการ์ดใบเดียวกันต้องใช้เงินลงทุนก้อนแรกสูงกว่านั้นก่อนที่คุณจะสร้างเฟรมภาพได้แม้แต่เฟรมเดียว เครื่องที่ทำ self-hosting แต่ปล่อยทิ้งไว้โดยไม่มีงานทำย่อมแพ้การคิดราคาแบบต่อคลิปของ API เสมอ นี่คือการตัดสินใจแบบเดียวกับที่คุณต้องเลือกว่าจะให้บริการโมเดลข้อความอย่างไร ซึ่งได้กล่าวไว้ใน Ollama เทียบกับ vLLM สำหรับการทำ self-hosted LLM serving และเป็นประเด็นที่ต่อยอดมาจากคำถามพื้นฐานใน ว่าด้วยความคุ้มค่าของ VPS ที่มี GPU

สิ่งที่ควรตรวจสอบเมื่อการเรนเดอร์ล้มเหลว

การเรนเดอร์ที่หยุดทำงานในช่วงท้ายสุด หลังจากแถบ sampler ทำงานเสร็จสิ้น เกิดจากหน่วยความจำไม่เพียงพอในขั้นตอน VAE decode ให้ลดจำนวนเฟรมลงหรือเปลี่ยนไปใช้โหนด tiled decode การเปลี่ยนจำนวน step จะไม่ช่วยแก้ปัญหานี้ เนื่องจากขั้นตอน decode จะเกิดขึ้นเพียงครั้งเดียวหลังจากที่ทุก step ทำงานเสร็จสิ้นแล้ว

ผลลัพธ์ที่เป็นสีดำสนิทหรือภาพที่ผิดเพี้ยนอย่างรุนแรงมักหมายความว่า VAE ไม่ตรงกับโมเดลที่ใช้ หมายเลขเวอร์ชันไม่สามารถบอกได้ว่าไฟล์ใดถูกต้อง ตัวอย่างเช่น โมเดล Wan 2.2 TI2V-5B ใช้ Wan 2.2 VAE ในขณะที่การตั้งค่าของ Alibaba สำหรับโมเดล Wan 2.2 A14B ระบุให้ใช้ Wan 2.1 VAE ให้โหลด VAE ตามที่ระบุไว้ในเทมเพลตอย่างเป็นทางการของโมเดลนั้นๆ

การเรนเดอร์ที่ทำงานได้แต่ใช้เวลานานหลายชั่วโมงบนเครื่องที่คุณทราบว่ามี GPU หมายความว่า ComfyUI กำลังทำงานบน CPU path ให้ตรวจสอบ log ขณะเริ่มต้นระบบเพื่อดูบรรทัดอุปกรณ์ (device line) จากนั้นให้รันการตรวจสอบ torch.cuda.is_available() ด้านบนอีกครั้ง

กระบวนการที่หายไปพร้อมกับ Killed ใน dmesg โดยไม่มี Python traceback คือการที่ kernel สั่งยุติการทำงานเนื่องจากหน่วยความจำเต็ม (out-of-memory killer) ซึ่งหมายถึง RAM ของระบบ ไม่ใช่ VRAM ปริมาณ RAM ที่ต้องใช้สำหรับการ offloading ขึ้นอยู่กับวิธีการโหลด weight ของ ComfyUI โดยตัวโหลด VRAM แบบไดนามิกซึ่งทำงานบนการ์ด NVIDIA ทั้งใน Linux และ Windows จะทำการแมปไฟล์ weight จากดิสก์และโหลดตามความจำเป็น ซึ่ง ComfyUI ระบุว่าสามารถรันโมเดลที่มีขนาดใหญ่กว่า RAM จริงของเครื่องได้ ดังนั้นการมี RAM ระบบ 16 GB จึงไม่ได้หมายความว่าคุณจะไม่สามารถทำ offloading สำหรับโมเดลขนาด 5B ได้เสมอไป สำหรับรุ่นเก่าหรือรุ่นปัจจุบันที่เริ่มต้นด้วย --disable-dynamic-vram จะใช้วิธีการโหลดแบบประเมินค่าในรูปแบบเดิม ซึ่งอาจทำให้เครื่องที่มีทรัพยากรจำกัดทำงานไม่สำเร็จ ให้ทำการอัปเดต ComfyUI และตรวจสอบว่าไม่ได้ตั้งค่า flag ดังกล่าวไว้ หากระบบยังคงสั่งยุติการทำงาน ให้เพิ่ม RAM หรือเพิ่มพื้นที่ swap

FAQ

ฉันสามารถสร้างวิดีโอ AI บน VPS ที่ไม่มี GPU ได้หรือไม่?

ไม่ได้ ในลักษณะที่คุณจะใช้งานซ้ำ คลิปความยาว 5 วินาทีที่ความละเอียด 720p ซึ่งใช้เวลา 9 นาทีบน GPU ขนาด 24 GB จะต้องใช้เวลาหลายชั่วโมงบน CPU แม้ว่า CPU เซิร์ฟเวอร์บางรุ่นจะมีหน่วยประมวลผลเมทริกซ์ในตัว เช่น โปรเซสเซอร์ Intel Xeon ที่มี AMX แต่ปริมาณงานที่ได้นั้นต่ำกว่า GPU มาก และแบนด์วิดท์ของ RAM ระบบยังต่ำกว่าแบนด์วิดท์หน่วยความจำของ GPU ถึงหนึ่งลำดับขั้น เซิร์ฟเวอร์ที่เป็น CPU สามารถโฮสต์อินเทอร์เฟซ ComfyUI, จัดเก็บโมเดล และเก็บเวิร์กโฟลว์ของคุณได้ แต่การเรนเดอร์จริงจำเป็นต้องใช้ GPU

ฉันต้องใช้ VRAM เท่าใดสำหรับ Wan 2.2?

สำหรับโมเดล TI2V-5B ขนาด 8 GB คือค่าต่ำสุดเมื่อใช้การ offloading แบบเนทีฟของ ComfyUI และ 24 GB คือขนาดที่ Alibaba แนะนำเพื่อให้ได้ความเร็วตามที่ระบุไว้ สำหรับโมเดล text-to-video และ image-to-video ขนาด A14B คำสั่ง inference บน GPU เดี่ยวของ Alibaba ต้องการ VRAM 80 GB ซึ่งหมายถึงการ์ดระดับดาต้าเซ็นเตอร์ขนาด 80 GB หรือการ์ดระดับเวิร์กสเตชันขนาด 96 GB เช่น RTX PRO 6000 Blackwell หากคุณใช้งานในลักษณะนั้น ตัวโหลด VRAM แบบไดนามิกของ ComfyUI สามารถรันโมเดล 14B experts ทั้งสองตัวบน RTX 5060 ได้ แต่ทำได้เพียงในการทดสอบประสิทธิภาพที่ความละเอียด 320 คูณ 320 เท่านั้น ดังนั้นให้ถือว่านั่นเป็นเพียงการพิสูจน์ว่าโมเดลสามารถโหลดบนการ์ดขนาดเล็กได้ ไม่ใช่ตัวเลขความเร็วหรือหน่วยความจำที่ความละเอียด 720p

คลิปที่โฮสต์เองสามารถยาวได้เท่าใด?

สำหรับ Wan 2.2 ความยาวประมาณ 5 วินาทีที่ความละเอียด 720p คือหน่วยที่ใช้งานได้จริง ณ เดือนกรกฎาคม 2026 Lightricks ระบุว่าคลิป LTX-2.5 พร้อมเสียงที่สร้างขึ้นสามารถมีความยาวสูงสุด 20 วินาทีที่ความละเอียด 720p และ 1080p และสูงสุด 10 วินาทีที่ความละเอียด 1440p, 4K หรือที่อัตรา 48 ถึง 50 fps ผลลัพธ์ที่ยาวขึ้นจะถูกสร้างโดยการสร้างเป็นส่วนๆ แล้วนำมาต่อกัน โดยใช้เฟรมสุดท้ายของส่วนหนึ่งเป็นเฟรมแรกของส่วนถัดไป คุณภาพจะคลาดเคลื่อนบริเวณรอยต่อ ดังนั้นให้มองว่าวิดีโอขนาดยาวเป็นงานตัดต่อมากกว่าการสร้างเพียงครั้งเดียว

การเช่า GPU รายชั่วโมงถูกกว่าการซื้อการ์ดหรือไม่?

การเช่าคุ้มค่ากว่าสำหรับการใช้งานที่เรนเดอร์ไม่เกินวันละไม่กี่ชั่วโมง ณ ค่ามัธยฐานของเดือนกรกฎาคม 2026 ที่ประมาณ 0.36 ดอลลาร์ต่อชั่วโมงสำหรับการ์ดขนาด 24 GB คุณสามารถเช่าได้เป็นเวลานานก่อนที่จะมีค่าใช้จ่ายเท่ากับราคาซื้อการ์ดใบนั้น และคุณยังหลีกเลี่ยงการซื้อฮาร์ดแวร์ที่กลายเป็นรุ่นที่ไม่เหมาะสมกับโมเดลที่คุณต้องการใช้งานจริง การซื้อจะคุ้มค่าก็ต่อเมื่อเครื่องถูกใช้งานเกือบตลอดทั้งวันในทุกๆ วันเท่านั้น