作者： 自托管 AI 视频生成器需要多少显存？
2026年7月，Wan 2.2、HunyuanVideo 和 LTX-Video 实测能生成什么？了解 12GB 与 24GB 显卡的速度差异、5 秒视频的租用 GPU 成本，以及何时应改用 API。
自托管 AI 视频生成器实际上能做什么
自托管 AI 视频生成器目前确实可以运行，但速度和规模都低于演示视频所暗示的水平。截至 2026 年 7 月，值得运行的开放模型包括 Alibaba 的 Wan 2.2、Tencent 的 HunyuanVideo，以及在速度比真实感更重要时使用的 Lightricks 的 LTX-Video。它们都可以在配备 NVIDIA GPU 的 Linux 机器上通过 ComfyUI 运行。本指南配置的模型是 Wan 2.2，生成结果是大约 5 秒、720p 的视频片段。Lightricks 对其当前模型 LTX-2.5 提供了更多说明；该模型还可以生成音频：每个片段最长 20 秒，支持 720p 或 1080p、24 或 25 fps；对于最长 10 秒的片段，原生 4K 输出最高支持 50 fps。这些限制适用于 Lightricks 自有 API，但 LTX-2.5 的权重也已在 Hugging Face 上开放发布。它仍然只是一个镜头。不是一个场景。也不是一段完整的 1 分钟视频。
在展开细节前，先给出简短结论。24 GB 显卡生成一个 5 秒、720p 的视频片段需要几分钟，通常为个位数分钟。12 GB 显卡完成同样的任务需要 20 分钟或更久，因为权重无法全部放入显存，软件需要不断在系统 RAM 和显存之间来回移动模型层。没有 GPU 的服务器无法以任何实用方式完成这项任务。让 CPU 图像生成变慢的计算量，会让 CPU 视频生成失去实际意义。
如果您已经读过自托管图像生成器的硬件分级，视频生成的结论相同，只是每个数字都提高了一个等级。VRAM（显存，即焊接在图形芯片旁边的 RAM）仍然是决定体验顺畅还是痛苦的唯一规格。
为什么生成一段视频的成本远高于生成一张图像
扩散模型通过分步去噪来生成图像，每一步都会读取模型中的所有权重。视频模型对整段帧块执行相同操作，并在时间维度上加入注意力机制，因此第 80 帧可以利用第 12 帧的信息。5 秒、每秒 24 帧的视频，一次批处理就包含 120 帧。
时间注意力机制导致成本不会随片段长度平稳增长。帧数翻倍后，采样器所需的内存会增加一倍以上，因此常见故障不是渲染变慢，而是渲染进程直接退出。
还有一个容易被忽略的内存峰值。采样器完成后，VAE（variational autoencoder，即将压缩潜变量转换为实际像素的组件）会一次性解码整个潜变量视频。这个解码过程所需的内存可能高于采样过程。典型表现是进度条显示已完成，随后输出：
torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.31 GiB解决方法是使用分块解码，或缩短视频片段。确定内存耗尽的具体阶段，可以避免花一小时调整错误的参数。
AI 视频生成需要多少显存
两个已发布的数据可以帮助确定整体方案，但它们看起来互相矛盾。Alibaba 表示，Wan 2.2 TI2V-5B 模型可在单张 4090 等消费级 GPU 上，以每秒 24 帧生成 720p、时长 5 秒的视频片段，耗时少于 9 分钟，并建议至少使用 24 GB 显存。ComfyUI 文档则表示，同一个 5B 模型“使用 ComfyUI 原生卸载后，应能在 8GB 显存中良好运行”。
两者都正确，因为衡量的是不同方面。8 GB 是能够运行的下限。24 GB 是运行起来较为宽裕的容量。卸载会将模型的大部分内容保留在系统 RAM 中，并在每个步骤中将各层传输到 GPU，因此显卡会把大量时间耗在等待 PCIe 总线上，而不是执行计算。这个开销会出现在每个采样器步骤中，而不是只产生一次。
此图表背后的数据
[
{
"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
}
]只有最后一行是厂商数据。24 GB 显存的显卡每个视频片段耗时 9 分钟，这就是 Alibaba 为该模型公布的数据。其他行反映的是卸载带来的影响，属于数量级估算，而不是基准测试结果。重点在于整体趋势：8 GB 显卡需要 40 分钟才能生成一个片段。这样的配置虽然技术上可用，但实际上更像是需要放置一整夜才能完成的批处理任务。
更大的 Wan 2.2 模型则属于另一种情况。A14B 文生视频和图生视频变体在单 GPU 推理时至少需要 80 GB 显存。消费级显卡没有这么大的显存容量。你需要使用 A100 或 H100 等数据中心加速器，或使用 NVIDIA RTX PRO 6000 Blackwell 等配备 96 GB 显存的工作站显卡。对大多数人来说，这已经意味着自托管不再是购买硬件，而是按小时租用他人的加速器。文本模型方面，计算规模还会进一步扩大。此时，自托管 Kimi K3 这类拥有 2.8 万亿参数的模型 不再是单张显卡能否运行的问题，而是你能负担将多少张 80 GB 显卡连接在一起的问题。
租用 GPU 生成一段视频片段的成本
对于大多数人来说，租用 GPU 是测试这项技术的正确方式。因为如果最终需要的模型要求 80 GB 显存，那么购买的显卡可能并不适用。以下是截至 2026 年 7 月 GPU 租赁市场的按需价格中位数：
此图表背后的数据
[
{
"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 这一行运行 5B 模型，按每小时 0.36 美元计算，每个片段的成本约为 0.05 美元。80 GB 显存的几行运行 14B 模型，因此每个片段的成本上升到 0.6 美元，尽管硬件本身快得多。模型越大，每秒视频所需的计算量越多。
每个片段 5 美分听起来几乎不算什么，但这正是容易误判的地方。你第一次得到可用的 5 秒视频时，通常不会只渲染一次。使用视频模型生成内容本质上是在搜索；对于包含特定运动的镜头，通常需要渲染 20 到 40 次才能得到可用结果。因此，一次有效的工作会话成本是几美元，而不是几美分；在租用的硬件上迭代一个下午，费用大约相当于一顿午餐。
如果忽略两个租赁细节，费用可能会明显增加。实例下载模型权重期间也会计费。Wan 2.2 文件以及其文本编码器和 VAE 加起来有数十 GB，因此应选择支持持久卷的服务商，只下载一次。实例空闲但 SSH 会话仍保持打开时也会计费。不要只关闭终端，而应停止实例。
在 GPU 服务器上安装 ComfyUI
从已安装 NVIDIA 驱动的 Ubuntu 24.04 开始。先检查驱动。否则后续所有故障看起来都一样。
nvidia-smi该命令必须输出包含显卡和 CUDA 版本的表格。如果输出 NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver，说明内核模块未加载。这通常是内核升级后未重启导致的。先在这里修复。否则 ComfyUI 会回退到 CPU 路径，您可能会花费一小时错误地排查模型。
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在下载任何权重文件前，确认 PyTorch 能识别显卡。
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"True 加上显卡名称表示软件栈正常。False 表示已安装的 wheel 是仅支持 CPU 的构建版本。通常原因是 pip 找到了早期安装时缓存的 torch。使用上面的 index URL 重新安装。
下载 Wan 2.2 模型文件
ComfyUI 不附带模型权重，视频模型也不是单个文件。它由扩散模型、文本编码器和 VAE 组成，每个组件都放在各自的目录中。如果将文件放入错误的文件夹，加载器节点不会列出该文件，也不会提供任何错误信息说明原因。
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 模型同时支持文本生成视频和图像生成视频，因此适合作为起点。始终优先使用 .safetensors，而不是 .ckpt。.ckpt 文件是经过 pickle 序列化的 Python 对象，加载它会执行构建该文件的人员写入的代码。请预留充足的磁盘空间：包含一个模型系列及其输出的可用安装需要 100 GB；视频文件也远大于图像工作流生成的 PNG 文件。使用类似将增量备份加密后保存到对象存储的方法备份工作流 JSON 文件，因为模型权重可以重新下载，而调试完成的工作流无法重新下载。
安全运行并访问
cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188ComfyUI 没有登录界面，也没有用户账户。任何能够访问 8188 端口的客户端都可以提交任务，并读取你生成的所有视频片段。如果之后启用 ComfyUI-Manager，远程访问者能否安装自定义节点，取决于其安全设置和网络设置；而自定义节点可以在服务器上执行任意代码。将其绑定到 localhost，然后通过自己计算机上的 SSH 隧道访问。
ssh -N -L 8188:127.0.0.1:8188 you@your-server然后在浏览器中打开 http://127.0.0.1:8188。从 ComfyUI 的模板菜单加载 Wan 2.2 模板工作流，不要手动连接节点。官方模板包含针对该模型调优的采样器设置；与图像工作流相比，视频工作流中更容易悄悄填错参数的位置要多得多。
什么时候应当直接使用 API
当生成量高且稳定、视频帧不能离开自有基础设施，或者需要托管服务未提供的特定模型或自定义适配器时，自托管视频生成更合适。如果要求流水线在一年后仍以相同方式工作，自托管同样更合适。部分托管模型会在你不知情的情况下发生变化：Replicate 会将其官方模型更新到最新版本，且不会要求你指定版本。其他模型可以固定版本；Replicate 的社区模型需要使用特定版本调用，因此在基于某个模型构建系统前应先确认。
每月只需要生成少量片段、需要生成比开源模型更长或更大的输出，或者本周就有截止期限时，应使用托管 API。应如实计算盈亏平衡点。按 2026 年 7 月的中位价格全天租用一张 24 GB 显卡，每月大约需要 260 美元；而购买同一张显卡的前期成本就超过这个金额，此时你甚至还没有生成一帧。闲置的自托管服务器在任何情况下都无法胜过按片段计费的 API 价格。这与决定如何提供文本模型服务的是同一个取舍问题，详见 Ollama 与 vLLM：自托管 LLM 服务对比；此外，还要先回答 VPS 配备 GPU 是否物有所值 这一更基本的问题。
渲染失败时的检查项
如果渲染在采样器进度条完成后、即将结束时退出，说明 VAE 解码阶段内存不足。请减少帧数，或切换到分块解码节点。修改步数没有帮助，因为解码只执行一次，而且会在所有步数完成后执行。
如果输出完全黑屏或严重错乱，通常表示 VAE 与模型不匹配。版本号无法告诉您哪个文件正确：Wan 2.2 TI2V-5B 模型使用 Wan 2.2 VAE，而 Alibaba 为 Wan 2.2 A14B 模型提供的配置指定使用 Wan 2.1 VAE。请加载模型官方模板中指定的 VAE。
如果渲染可以运行，但在确认装有 GPU 的机器上仍需数小时，说明 ComfyUI 正在使用 CPU 路径。检查启动日志中的设备行，然后重新运行上文的 torch.cuda.is_available() 检查。
如果进程消失，并在 dmesg 中显示 Killed，但没有 Python traceback，说明这是内核的内存不足终止程序。因此不足的是系统 RAM，而不是 VRAM。卸载到系统内存时，整个模型都必须驻留在系统 RAM 中，因此在 16 GB 机器上卸载 5B 模型会内存不足。请增加 RAM 或添加 swap。
FAQ
我可以在没有 GPU 的 VPS 上生成 AI 视频吗？
不行，至少无法以您会重复使用的方式完成。24 GB GPU 需要 9 分钟生成的 5 秒、720p 视频片段，在 CPU 上需要数小时。部分服务器 CPU 确实内置矩阵运算单元，例如带 AMX 的 Intel Xeon 处理器，但其吞吐量远低于 GPU，而且系统 RAM 带宽比显存带宽低一个数量级。CPU 服务器可以托管 ComfyUI 界面、存储模型和保存工作流，但实际渲染需要 GPU。
Wan 2.2 需要多少 VRAM？
对于 TI2V-5B 模型，使用 ComfyUI 原生卸载时，8 GB 是最低要求；若要达到 Alibaba 发布的速度，建议使用 24 GB。对于 A14B 文本生成视频和图像生成视频模型，模型卡要求单 GPU 推理至少使用 80 GB VRAM，因此需要 80 GB 数据中心显卡，或 96 GB 工作站显卡，例如 RTX PRO 6000 Blackwell。
自托管视频片段可以有多长？
截至 2026 年 7 月，使用 Wan 2.2 时，实际可用的单位大约是 5 秒、720p。Lightricks 说明，LTX-2.5 可生成带音频的片段：720p 和 1080p 下最长 20 秒，1440p 下最长 10 秒；在 4K 或 48 到 50 fps 下也支持相应输出。更长的视频需要先生成多个片段，再将它们拼接起来，并使用一个片段的最后一帧作为下一个片段的第一帧。拼接处的画质会逐渐漂移，因此应将长视频视为剪辑任务，而不是一次生成完成。
按小时租用 GPU 是否比购买显卡更便宜？
如果每天渲染时间少于几小时，租用更划算。按 2026 年 7 月 24 GB 显卡每小时约 0.36 美元的中位价格计算，在租用费用达到该显卡的购买价格之前，您可以租用很长时间；同时也无需购买最终发现与实际需要的模型等级不匹配的硬件。只有当这台机器每天大部分时间都在运行，并且天天如此时，购买才更划算。