เครื่องสร้างวิดีโอ AI แบบโฮสต์เองทำอะไรได้จริง

เครื่องสร้างวิดีโอ AI ที่โฮสต์เองทำอะไรได้จริง

เครื่องสร้างวิดีโอ AI ที่โฮสต์เองสามารถใช้งานได้ในปัจจุบัน แต่ทำงานช้ากว่าและสร้างคลิปขนาดเล็กกว่าที่วิดีโอสาธิตแสดงไว้ ณ เดือนกรกฎาคม 2026 โมเดลแบบเปิดที่เหมาะสำหรับนำมาใช้งานมี Wan 2.2 จาก Alibaba และ HunyuanVideo จาก Tencent รวมถึง LTX-Video จาก Lightricks เมื่อความเร็วสำคัญกว่าความสมจริง โมเดลทั้งหมดทำงานภายใต้ ComfyUI บนเครื่อง Linux ที่มี GPU ของ NVIDIA ผลลัพธ์ที่ได้คือคลิปความยาวประมาณห้าวินาทีที่ความละเอียด 720p ไม่ใช่ฉากเต็มรูปแบบ และไม่ใช่วิดีโอที่ตัดต่อเสร็จความยาวหนึ่งนาที

คำตอบโดยสรุปก่อนเข้าสู่รายละเอียดมีดังนี้ การ์ดขนาด 24 GB ใช้เวลาเรนเดอร์คลิป 720p ความยาวห้าวินาทีไม่ถึง 10 นาที การ์ดขนาด 12 GB ใช้เวลาทำงานเดียวกัน 20 นาทีขึ้นไป เนื่องจาก weights มีขนาดใหญ่เกินกว่าจะเก็บในหน่วยความจำวิดีโอ และซอฟต์แวร์ต้องย้ายเลเยอร์ไปมาระหว่างหน่วยความจำวิดีโอกับ system RAM อยู่ตลอด เซิร์ฟเวอร์ที่ไม่มี GPU ไม่สามารถทำงานนี้ได้อย่างมีประโยชน์ การคำนวณที่ทำให้การสร้างภาพด้วย CPU ช้าก็ทำให้การสร้างวิดีโอด้วย CPU ไม่คุ้มค่าเช่นกัน

หากคุณอ่าน ลำดับฮาร์ดแวร์สำหรับเครื่องสร้างภาพที่โฮสต์เอง มาแล้ว วิดีโอก็ใช้หลักการเดียวกัน แต่เลื่อนตัวเลขทั้งหมดขึ้นไปอีกหนึ่งระดับ VRAM (หน่วยความจำวิดีโอ หรือ RAM ที่ติดตั้งอยู่ถัดจากชิปกราฟิก) ยังคงเป็นสเปกเดียวที่กำหนดว่างานนี้จะใช้งานได้สะดวกหรือจะยุ่งยากมาก♀♀♀♀♀♀

เหตุใดวิดีโอหนึ่งรายการจึงใช้ทรัพยากรมากกว่าภาพหนึ่งภาพมาก

โมเดล diffusion สร้างภาพด้วยการลด noise ทีละขั้น และแต่ละขั้นจะอ่าน weight ทั้งหมดในโมเดล โมเดลวิดีโอทำเช่นเดียวกันกับกลุ่ม frames ทั้งหมดพร้อมกัน และเพิ่ม attention ข้ามช่วงเวลา เพื่อให้ frame 80 ทราบว่า frame 12 มีลักษณะอย่างไร วิดีโอความยาว 5 วินาทีที่ 24 frames ต่อวินาที มี 120 frames ใน batch เดียว

attention ตามเวลานี้เป็นสาเหตุที่ต้นทุนไม่เพิ่มขึ้นตามความยาวของคลิปอย่างเป็นสัดส่วน การเพิ่มจำนวน frames เป็น 2 เท่า ทำให้หน่วยความจำที่ sampler ต้องใช้เพิ่มขึ้นมากกว่า 2 เท่า ดังนั้นอาการที่เกิดขึ้นจึงไม่ใช่การเรนเดอร์ช้าลง แต่เป็นงานเรนเดอร์หยุดทำงาน

หน่วยความจำยังพุ่งขึ้นอีกครั้งในขั้นตอนที่หลายคนไม่คาดคิด หลังจาก sampler ทำงานเสร็จ VAE (variational autoencoder ซึ่งเป็นส่วนที่แปลง latent ที่ถูกบีบอัดให้เป็น pixels จริง) จะ decode วิดีโอ latent ทั้งหมดพร้อมกัน การ decode นี้อาจใช้หน่วยความจำมากกว่าขั้นตอน sampling อาการคือ งานแสดง progress bar ว่าเสร็จสมบูรณ์แล้ว จากนั้นจึงพิมพ์ข้อความต่อไปนี้:

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

วิธีแก้คือใช้ tiled decoding หรือลดความยาวของคลิป การทราบว่าหน่วยความจำหมดในขั้นตอนใดจะช่วยป้องกันการเสียเวลาปรับค่าผิดจุดเป็นเวลา 1 ชั่วโมง

คุณต้องใช้ VRAM เท่าใดสำหรับการสร้างวิดีโอด้วย AI

ตัวเลขที่เผยแพร่ 2 รายการเป็นกรอบสำหรับการตัดสินใจทั้งหมด และดูเหมือนจะขัดแย้งกัน Alibaba ระบุว่าโมเดล Wan 2.2 TI2V-5B สร้างคลิปความละเอียด 720p ที่ 24 เฟรมต่อวินาที ความยาว 5 วินาที ได้ภายในเวลาไม่ถึง 9 นาทีบน GPU สำหรับผู้ใช้ทั่วไปเพียง 1 ตัว เช่น 4090 และแนะนำให้มี VRAM อย่างน้อย 24 GB เอกสาร ComfyUI ระบุว่าโมเดล 5B เดียวกันนี้ “ควรทำงานได้ดีบน vram ขนาด 8GB เมื่อใช้ native offloading ของ ComfyUI”

ทั้งสองข้อความเป็นจริง เนื่องจากวัดคนละเรื่อง 8 GB คือระดับที่โมเดลสามารถทำงานได้ ส่วน 24 GB คือระดับที่ทำงานได้อย่างคล่องตัว Offloading ทำงานโดยเก็บโมเดลส่วนใหญ่ไว้ใน RAM ของระบบ แล้วส่ง layer ไปยัง GPU ทีละส่วนในทุก step ดังนั้น GPU จึงใช้เวลารอข้อมูลผ่านบัส PCIe แทนการประมวลผล การสูญเสียประสิทธิภาพนี้เกิดขึ้นในทุก sampler step ไม่ใช่เพียงครั้งเดียว

[
  {
    "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
  }
]

เฉพาะแถวสุดท้ายเท่านั้นที่เป็นตัวเลขจากผู้ผลิต การ์ดขนาด 24 GB ใช้เวลา 9 นาทีต่อคลิป ซึ่งเป็นตัวเลขที่ Alibaba เผยแพร่สำหรับโมเดลนี้ แถวอื่นเป็นผลของ offloading และเป็นเพียงค่าประมาณตามลำดับขนาด ไม่ใช่ผลการทดสอบ benchmark ประเด็นสำคัญอยู่ที่แนวโน้ม: 40 นาทีบนการ์ดขนาด 8 GB เป็นการตั้งค่าที่ใช้งานได้ในทางเทคนิค แต่ในทางปฏิบัติคืองานแบบ batch ที่ต้องปล่อยให้ทำงานข้ามคืน

โมเดล Wan 2.2 รุ่นใหญ่กว่าเป็นอีกระดับหนึ่ง รุ่น A14B สำหรับ text-to-video และ image-to-video ต้องใช้ VRAM อย่างน้อย 80 GB สำหรับการประมวลผลแบบ single-GPU นี่คือฮาร์ดแวร์ศูนย์ข้อมูล ไม่ใช่การ์ดที่ติดตั้งในเครื่องเดสก์ท็อป และเป็นจุดที่การโฮสต์ด้วยตนเองเริ่มหมายถึงการเช่า accelerator ของผู้อื่นเป็นรายชั่วโมง

ค่าใช้จ่ายต่อคลิปบน GPU ที่เช่า

การเช่าเป็นวิธีที่เหมาะสำหรับคนส่วนใหญ่ในการทดสอบ เพราะการ์ดที่ซื้อมาอาจไม่ใช่ฮาร์ดแวร์ที่เหมาะสม หากโมเดลที่ต้องการใช้ในภายหลังต้องการหน่วยความจำ 80 GB ราคาตามความต้องการแบบมัธยฐานในตลาดเช่า GPU ณ เดือน July 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
  }
]

แถว 4090 ใช้โมเดล 5B และมีค่าใช้จ่ายประมาณ 0.05 ดอลลาร์ต่อคลิป ที่ราคา 0.36 ดอลลาร์ต่อชั่วโมง แถวที่มีหน่วยความจำ 80 GB ใช้โมเดล 14B จึงมีค่าใช้จ่ายต่อคลิปเพิ่มเป็น 0.6 ดอลลาร์ แม้ฮาร์ดแวร์จะประมวลผลได้เร็วกว่าอย่างมาก โมเดลใหญ่ขึ้นจึงใช้การประมวลผลต่อวินาทีของวิดีโอมากขึ้น

ค่าใช้จ่ายห้าเซนต์ต่อคลิปอาจดูเล็กน้อย แต่นั่นเป็นส่วนที่ทำให้เข้าใจผิด วิดีโอความยาวห้าวินาทีชิ้นแรกที่ใช้งานได้จริงไม่เคยเกิดจากการเรนเดอร์เพียงครั้งเดียว การสร้างวิดีโอด้วยโมเดลเป็นกระบวนการค้นหา และการเรนเดอร์ 20 ถึง 40 ครั้งก่อนจะได้ผลงานที่ใช้ได้ถือเป็นเรื่องปกติสำหรับช็อตที่มีการเคลื่อนไหวเฉพาะเจาะจง ดังนั้น เซสชันการทำงานหนึ่งครั้งจึงมีค่าใช้จ่ายเป็นดอลลาร์ ไม่ใช่เซนต์ และการปรับแก้งานตลอดช่วงบ่ายบนฮาร์ดแวร์ที่เช่าจะมีค่าใช้จ่ายใกล้เคียงกับค่าอาหารกลางวัน

รายละเอียดของบริการเช่า 2 ประการอาจทำให้เกิดค่าใช้จ่ายจริง หากคุณไม่ดำเนินการให้ถูกต้อง ระบบจะเรียกเก็บเงินระหว่างที่เครื่องดาวน์โหลด weights และไฟล์ของ Wan 2.2 รวมถึง text encoder และ VAE มีขนาดรวมหลายสิบกิกะไบต์ ดังนั้นให้เลือกผู้ให้บริการที่มี persistent volume และดาวน์โหลดเพียงครั้งเดียว นอกจากนี้ ระบบยังเรียกเก็บเงินขณะที่เครื่องไม่มีการใช้งานแต่เซสชัน SSH ของคุณยังเปิดอยู่ ให้หยุด instance แทนการปิดเพียง terminal Nakne

ติดตั้ง ComfyUI บนเครื่อง GPU

เริ่มต้นด้วย Ubuntu 24.04 ที่ติดตั้งไดรเวอร์ NVIDIA ไว้แล้ว ตรวจสอบไดรเวอร์ก่อน เนื่องจากหากไม่ตรวจสอบ ความล้มเหลวในขั้นตอนถัดไปทั้งหมดจะแสดงอาการเหมือนกัน

nvidia-smi

คำสั่งนี้ต้องแสดงตารางที่มีการ์ดของคุณและเวอร์ชัน CUDA หากแสดง NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver แสดงว่าไม่ได้โหลดโมดูลเคอร์เนล ซึ่งมักเกิดหลังจากอัปเกรดเคอร์เนลโดยไม่ได้รีบูต แก้ไขปัญหานี้ในขั้นตอนนี้ ไม่เช่นนั้น ComfyUI จะถอยกลับไปใช้เส้นทาง CPU และคุณจะเสียเวลา 1 ชั่วโมงโทษโมเดล

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 ตรวจพบการ์ดก่อนดาวน์โหลดไฟล์ weight แม้แต่ไฟล์เดียว

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

True พร้อมชื่อการ์ดของคุณหมายความว่า stack ทำงานปกติ False หมายความว่า wheel ที่ติดตั้งเป็นรุ่นที่ใช้ CPU เท่านั้น ซึ่งเกิดขึ้นเมื่อ pip พบ torch ที่แคชไว้จากการติดตั้งก่อนหน้า ติดตั้งใหม่โดยใช้ URL ของ index ด้านบน

ดาวน์โหลดไฟล์โมเดล Wan 2.2

ComfyUI ไม่มี weights มาให้ และโมเดลวิดีโอไม่ได้มีเพียงไฟล์เดียว แต่ประกอบด้วย diffusion model, text encoder และ VAE โดยแต่ละรายการต้องอยู่ในไดเรกทอรีของตนเอง หากวางไฟล์ไว้ในโฟลเดอร์ผิด loader node จะไม่แสดงไฟล์นั้น และจะไม่มีข้อผิดพลาดอธิบายสาเหตุ

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

โมเดล 5B รองรับทั้ง text-to-video และ image-to-video จึงเหมาะสำหรับใช้เป็นจุดเริ่มต้น ควรเลือก .safetensors แทน .ckpt เสมอ ไฟล์ .ckpt เป็นออบเจ็กต์ Python ที่ผ่านการ pickle ดังนั้นการโหลดไฟล์จะเรียกใช้โค้ดที่ผู้สร้างไฟล์เขียนไว้ ควรเผื่อพื้นที่ดิสก์ให้เพียงพอ: การติดตั้งที่ใช้งานได้จริงซึ่งมีโมเดลหนึ่งตระกูลและไฟล์เอาต์พุตต้องใช้พื้นที่ 100 GB และไฟล์วิดีโอมีขนาดใหญ่กว่าไฟล์ PNG ที่ workflow สำหรับภาพสร้างไว้มาก ควรสำรองไฟล์ workflow JSON ด้วยวิธี เช่น การสำรองข้อมูลแบบเพิ่มทีละส่วนที่เข้ารหัสไปยัง object storage เนื่องจากสามารถดาวน์โหลด weights ใหม่ได้ แต่ workflow ที่ปรับแต่งแล้วไม่สามารถสร้างทดแทนได้ง่าย ๆ

เรียกใช้งานและเข้าถึงอย่างปลอดภัย

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

ComfyUI ไม่มีหน้าจอเข้าสู่ระบบและไม่มีบัญชีผู้ใช้ ทุกสิ่งที่เข้าถึงพอร์ต 8188 ได้สามารถจัดคิวงาน อ่านคลิปทั้งหมดที่คุณสร้าง และติดตั้ง custom nodes ได้ ซึ่งเท่ากับการเรียกใช้โค้ดโดยพลการบนเซิร์ฟเวอร์ของคุณ 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 โหลด workflow เทมเพลต Wan 2.2 จากเมนูเทมเพลตของ ComfyUI แทนการเชื่อมต่อโหนดด้วยตนเอง เทมเพลตอย่างเป็นทางการมีการตั้งค่า sampler ที่ปรับแต่งมาสำหรับโมเดลนี้ และ workflow สำหรับวิดีโอมีจุดที่อาจตั้งค่าผิดโดยไม่สังเกตเห็นได้มากกว่า workflow สำหรับรูปภาพอย่างมาก

คำตอบที่ตรงไปตรงมาคือการใช้ API

การโฮสต์การสร้างวิดีโอด้วยตนเองเหมาะสมเมื่อมีปริมาณงานสูงและสม่ำเสมอ เมื่อเฟรมของคุณต้องไม่ออกจากโครงสร้างพื้นฐานของคุณเอง หรือเมื่อคุณต้องใช้โมเดลเฉพาะหรืออะแดปเตอร์แบบกำหนดเองที่ไม่มีบริการโฮสต์ใดให้บริการ นอกจากนี้ยังเหมาะสมเมื่อไปป์ไลน์ต้องทำงานในลักษณะเดิมต่อไปในอีก 1 ปี เพราะโมเดลที่โฮสต์ไว้อาจเปลี่ยนแปลงโดยที่คุณไม่สามารถกำหนดเวอร์ชันที่ใช้งานได้

ใช้ API ที่โฮสต์ไว้เมื่อคุณต้องการคลิปเพียงไม่กี่คลิปต่อเดือน เมื่อคุณต้องการเอาต์พุตที่ยาวหรือมีขนาดใหญ่กว่าที่โมเดลแบบเปิดสร้างได้ หรือเมื่อคุณมีกำหนดส่งภายในสัปดาห์นี้ คำนวณจุดคุ้มทุนตามความเป็นจริง การเช่า GPU ขนาด 24 GB ตลอด 24 ชั่วโมงที่ค่ามัธยฐานในเดือน July 2026 มีค่าใช้จ่ายประมาณ 260 ดอลลาร์ต่อเดือน และการซื้อ GPU เดียวกันมีค่าใช้จ่ายล่วงหน้ามากกว่านั้น ก่อนที่คุณจะสร้างเฟรมได้แม้แต่ 1 เฟรม เซิร์ฟเวอร์ที่โฮสต์เองแต่ไม่ได้ใช้งานมีต้นทุนสูงกว่าการคิดค่าบริการ API ต่อคลิปทุกครั้ง นี่เป็นข้อแลกเปลี่ยนเดียวกับที่ใช้ตัดสินใจว่าจะให้บริการโมเดลข้อความอย่างไร ซึ่งอธิบายไว้ใน Ollama เทียบกับ vLLM สำหรับการให้บริการ LLM ที่โฮสต์เอง และยังขึ้นอยู่กับคำถามพื้นฐานกว่านั้นใน VPS ที่มี GPU คุ้มค่ากับเงินหรือไม่

สิ่งที่ต้องตรวจสอบเมื่อการเรนเดอร์ล้มเหลว

หากการเรนเดอร์หยุดทำงานในช่วงท้ายสุด หลังจากแถบ sampler ทำงานเสร็จแล้ว แสดงว่าหน่วยความจำไม่เพียงพอระหว่างการถอดรหัส VAE ให้ลดจำนวนเฟรมหรือเปลี่ยนไปใช้โหนดถอดรหัสแบบ tiled การเปลี่ยนจำนวน steps จะไม่ช่วย เพราะการถอดรหัสจะทำเพียงครั้งเดียว หลังจากทำงานครบทุก step แล้ว

เอาต์พุตที่เป็นสีดำสนิทหรือมีข้อมูลสลับปะปนอย่างรุนแรง มักหมายความว่า VAE ไม่ตรงกับโมเดล การโหลด VAE ของ Wan 2.1 ร่วมกับโมเดล diffusion ของ Wan 2.2 จะทำให้เกิดอาการนี้โดยตรง และจะไม่พบข้อผิดพลาดใดใน log

หากการเรนเดอร์ทำงานได้แต่ใช้เวลาหลายชั่วโมงบนเครื่องที่ทราบว่ามี GPU แสดงว่า ComfyUI กำลังใช้เส้นทางการทำงานบน CPU ให้ตรวจสอบบรรทัดอุปกรณ์ใน startup log แล้วเรียกใช้การตรวจสอบ torch.cuda.is_available() ด้านบนอีกครั้ง

หาก process หายไปพร้อมกับ Killed ใน dmesg และไม่มี Python traceback สาเหตุคือ kernel out-of-memory killer ดังนั้นหน่วยความจำที่ไม่เพียงพอคือ system RAM ไม่ใช่ VRAM การ offload ต้องให้โมเดลทั้งหมดอยู่ใน system RAM ซึ่งหมายความว่าเครื่องที่มีหน่วยความจำ 16 GB และทำการ offload โมเดลขนาด 5B จะมีหน่วยความจำไม่เพียงพอ ให้เพิ่ม RAM หรือเพิ่ม swap

FAQ

สามารถสร้างวิดีโอด้วย AI บน VPS ที่ไม่มี GPU ได้หรือไม่

ไม่ได้ หากต้องการใช้งานมากกว่าหนึ่งครั้ง คลิปความยาว 5 วินาที ความละเอียด 720p ที่ใช้เวลา 9 นาทีบน GPU ขนาด 24 GB อาจใช้เวลาหลายชั่วโมงบน CPU เนื่องจากโมเดลไม่มีฮาร์ดแวร์สำหรับประมวลผลเมทริกซ์ และแบนด์วิดท์ของ RAM ระบบต่ำกว่าแบนด์วิดท์หน่วยความจำ GPU ประมาณหนึ่งลำดับขนาด เซิร์ฟเวอร์ที่ใช้ CPU สามารถโฮสต์อินเทอร์เฟซ ComfyUI จัดเก็บโมเดล และเก็บ workflows ได้ แต่การเรนเดอร์ต้องใช้ GPU

ต้องใช้ VRAM เท่าใดสำหรับ Wan 2.2

สำหรับโมเดล TI2V-5B ขนาด 8 GB เป็นขั้นต่ำเมื่อใช้ native offloading ของ ComfyUI และขนาด 24 GB คือขนาดที่ Alibaba แนะนำเพื่อให้ได้ความเร็วตามที่เผยแพร่ไว้ สำหรับโมเดล text-to-video และ image-to-video รุ่น A14B ใน model card ระบุว่าต้องมี VRAM อย่างน้อย 80 GB สำหรับการประมวลผลแบบ single-GPU ดังนั้นจึงต้องใช้การ์ดสำหรับศูนย์ข้อมูล

คลิปที่โฮสต์เองสามารถมีความยาวเท่าใด

ณ เดือน July 2026 ความยาวประมาณ 5 วินาทีที่ความละเอียด 720p ถือเป็นหน่วยที่ใช้งานได้จริง หากต้องการเอาต์พุตที่ยาวกว่านั้น ให้สร้างเป็นหลายช่วงแล้วนำมาต่อกัน โดยใช้เฟรมสุดท้ายของช่วงหนึ่งเป็นเฟรมแรกของช่วงถัดไป คุณภาพอาจเปลี่ยนแปลงบริเวณรอยต่อ ดังนั้นให้ถือว่าวิดีโอขนาดยาวเป็นงานตัดต่อ ไม่ใช่การสร้างเพียงครั้งเดียว

การเช่า GPU รายชั่วโมงถูกกว่าการซื้อการ์ดหรือไม่

การเช่าคุ้มค่ากว่าสำหรับการเรนเดอร์ที่ใช้เวลาน้อยกว่าสองสามชั่วโมงต่อวัน โดยค่ามัธยฐานในเดือน July 2026 อยู่ที่ประมาณ 0.36 dollars ต่อชั่วโมงสำหรับการ์ดขนาด 24 GB คุณสามารถเช่าได้นานก่อนที่ค่าเช่าจะเท่ากับราคาซื้อการ์ด และไม่ต้องซื้อฮาร์ดแวร์ที่ภายหลังพบว่าไม่เหมาะกับระดับของโมเดลที่ต้องการใช้งาน การซื้อจะคุ้มค่าก็ต่อเมื่อเครื่องทำงานเกือบตลอดทั้งวันและทุกวันเท่านั้น