自架 AI 影片生成器：實際能做什麼？

自架 AI 影片生成器實際能做什麼

自架 AI 影片生成器目前已能運作，但速度和規模都比示範影片呈現的結果有限。截至 2026 年 7 月，值得自行執行的開放模型包括 Alibaba 的 Wan 2.2、Tencent 的 HunyuanVideo，以及在速度比寫實度更重要時可使用的 Lightricks LTX-Video。這些模型都能在搭載 NVIDIA GPU 的 Linux 機器上透過 ComfyUI 執行。本指南設定的模型是 Wan 2.2，輸出結果約為 5 秒、720p 的影片片段。Lightricks 對目前的模型 LTX-2.5 提供了更多規格；該模型也能生成音訊：每個片段最長 20 秒，支援 720p 或 1080p，以及 24 或 25 fps；片段最長 10 秒時，還支援最高 50 fps 的原生 4K。這些限制適用於 Lightricks 自有的 API，但 LTX-2.5 的模型權重也已在 Hugging Face 公開。這仍然只是單一鏡頭，不是一個場景，也不是長達 1 分鐘的完整影片。

先給出簡短結論，再說明細節。24 GB 顯示卡可在數分鐘內生成 5 秒的 720p 影片片段。12 GB 顯示卡則需要 20 分鐘以上，因為模型權重無法完整放入 VRAM，軟體必須持續在 VRAM 與系統 RAM 之間搬移各層。沒有 GPU 的伺服器無法在任何實用意義上完成這項工作。讓 CPU 影像生成變慢的運算量，同樣會讓 CPU 影片生成失去實用價值。

如果你已讀過 自架影像生成器的硬體分級，影片生成採用的是相同的判斷方式，只是每個數字都要往上提高一個等級。VRAM（video memory，焊接在圖形晶片旁的 RAM）仍然是唯一能決定這項工作究竟輕鬆還是痛苦的規格。

為什麼一段影片的成本遠高於一張圖片

擴散模型會逐步去除雜訊來生成圖片，而每個步驟都會讀取模型中的所有權重。影片模型則會同時對整個影格區塊執行相同處理，並加入跨時間的 attention，讓第 80 個影格能掌握第 12 個影格的內容。每秒 24 個影格的 5 秒影片，單一批次就包含 120 個影格。

這種時間 attention 會讓成本無法隨影片長度平順成長。影格數量加倍時，sampler 所需的記憶體增加幅度會超過兩倍，因此常見的失敗情況不是渲染變慢，而是渲染程序直接終止。

還有第二個使用者通常意料不到的記憶體尖峰。sampler 完成後，VAE（variational autoencoder，負責將壓縮後的 latent 轉換為實際像素的元件）會一次解碼整段 latent 影片。這個解碼步驟所需的記憶體可能高於取樣步驟。其症狀是工作顯示進度列已完成，接著輸出以下內容：

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

解決方法是使用 tiled decoding，或縮短影片長度。先確認是哪個階段耗盡記憶體，就能避免花一小時調整錯誤的設定。

AI 影片生成需要多少 VRAM

兩個已發布的數據構成了決策的基礎，但它們看起來相互矛盾。Alibaba 指出，Wan 2.2 TI2V-5B 模型在單張消費級 GPU（如 4090）上，能在 9 分鐘內生成 720p、24 fps、長度 5 秒的影片，並建議至少配備 24 GB VRAM。ComfyUI 文件則稱，同一款 5B 模型「透過 ComfyUI 原生 offloading 功能，應能順利在 8 GB VRAM 上執行」。

兩者皆為事實，因為它們衡量的是不同指標。8 GB 是「能跑」的門檻，24 GB 則是「順暢」的標準。Offloading 的運作方式是將大部分模型保留在系統 RAM 中，並在每個步驟將層級串流至 GPU，這導致顯示卡大部分時間都在等待 PCIe 匯流排傳輸，而非進行運算。這個效能代價發生在每個取樣步驟，而非僅在啟動時。

[
  {
    "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
  }
]

僅最後一行是廠商數據。24 GB 顯示卡每段影片耗時 9 分鐘，這是 Alibaba 為該模型發布的數據。其他行則是 offloading 對效能的影響，它們屬於數量級參考而非基準測試結果。重點在於趨勢：在 8 GB 顯示卡上耗時 40 分鐘，技術上是可行的設定，但實際上這屬於需要整晚運行的批次作業。

較大型的 Wan 2.2 模型則是另一個層次。Alibaba 針對 A14B 文字轉影片與影像轉影片變體所提供的單 GPU 推論指令，要求至少 80 GB VRAM。目前沒有消費級顯示卡具備此容量，因此若要依照該指令執行，必須使用資料中心加速器（如 A100 或 H100），或是工作站等級顯示卡（如具備 96 GB 的 NVIDIA RTX PRO 6000 Blackwell）。該數據屬於 Alibaba 的腳本要求，而非執行模型的唯一方式。ComfyUI 的動態 VRAM 載入器（於 2026 年 3 月針對 Windows 與 Linux 上的 NVIDIA 顯示卡發布文件）已在 RTX 5060 上，透過隨需載入權重的方式，對兩款 14B 專家模型進行了 fp16 與 fp8 的基準測試。這些測試的輸出為 320x320 解析度、81 幀，這證明了 A14B 模型可以在小型顯示卡上載入，但並不代表在該硬體上執行 720p 輸出是快速或實用的。若要在合理時間內獲得 14B 的 720p 輸出，自架服務通常仍意味著需按小時租用他人的加速器。同樣的算力邏輯在文字模型領域影響更深，例如 自架像 Kimi K3 這種 2.8 兆參數的模型，問題已不再是單張顯示卡，而是你負擔得起串聯多少張 80 GB 顯示卡。

租用 GPU 產生一段影片的成本

大多數人都應該先採用租用方式測試，因為如果最後想用的模型需要 80 GB，你購買的顯示卡可能就不適用。以下是截至 2026 年 7 月，GPU 租用市場的隨選價格中位數：

[
  {
    "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 列執行 5B 模型，每段影片的成本約為 0.05 美元，時租約為 0.36 美元。80 GB 列執行 14B 模型，因此每段影片的成本會跳升至 0.6 美元，儘管硬體本身快得多。模型越大，每秒影片所需的運算量越高。

每段影片 5 美分聽起來微不足道，但這正是容易誤判的地方。第一個可用的 5 秒片段，絕不會只需要產生一次。為影片模型撰寫提示詞其實是一種搜尋；對於包含特定動態的鏡頭，在找到可用結果前產生 20 到 40 次是正常的。因此，一次工作階段的成本是幾美元，而不是幾美分；在租用硬體上反覆調整一個下午，費用大約相當於一頓午餐。

有兩項租用細節若忽略，會產生實際費用。系統下載模型權重時仍會計費，而 Wan 2.2 檔案加上文字編碼器與 VAE，總大小可達數十 GB，因此請選擇支援持久性磁碟區的供應商，並只下載一次。透過 SSH 工作階段連線但讓主機閒置時，也會持續計費。請停止執行個體，不要只關閉終端機。

在 GPU 伺服器上安裝 ComfyUI

從已安裝 NVIDIA driver 的 Ubuntu 24.04 開始。先檢查 driver，因為未執行這項檢查時，後續所有錯誤看起來都一樣。

nvidia-smi

此命令必須輸出包含顯示卡與 CUDA 版本的表格。若輸出 NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver，表示 kernel module 尚未載入，通常是 kernel upgrade 後未重新開機所致。請先在此處修正。否則 ComfyUI 會改用 CPU 路徑，之後你可能會花一個小時誤以為是模型造成問題。

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

在下載任何 weight file 前，先確認 PyTorch 能辨識這張顯示卡。

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

True 加上你的顯示卡名稱，表示整個 stack 運作正常。False 表示已安裝的 wheel 是僅支援 CPU 的版本。這通常發生在 pip 找到先前安裝留下的 cached torch 時。請使用上方的 index URL 重新安裝。

下載 Wan 2.2 模型檔案

ComfyUI 不附帶任何權重，而影片模型也不是單一檔案。它包含 diffusion model、text encoder 和 VAE，且每個元件都必須放在各自的目錄中。若將檔案放錯資料夾，loader node 就不會列出該檔案，也不會顯示任何錯誤說明原因。

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.safetensors

5B 模型同時支援 text-to-video 和 image-to-video，因此適合作為起點。請一律優先使用 .safetensors，不要使用 .ckpt。.ckpt 檔案是 pickled Python object，因此載入時會執行建立該檔案者寫入的程式碼。請預留充足的磁碟空間：包含一個模型系列及其輸出檔案的可用安裝需要 100 GB，而影片檔案也遠大於影像工作流程產生的 PNG 圖片。請使用類似 將加密的增量備份儲存至物件儲存 的方式備份工作流程 JSON 檔案，因為權重可以重新下載，但調校過的工作流程無法重新取得。

執行並安全存取

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

ComfyUI 沒有登入畫面，也沒有使用者帳號。任何能存取 8188 埠的連線，都能排入工作佇列，並讀取你產生的所有影片片段。若之後啟用 ComfyUI-Manager，遠端訪客是否也能安裝自訂節點，取決於其安全性與網路設定；而自訂節點可在伺服器上執行任意程式碼。請將它綁定至 localhost，再從自己的電腦透過 SSH tunnel 存取。

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

接著在瀏覽器中開啟 http://127.0.0.1:8188。請從 ComfyUI 的 templates 選單載入 Wan 2.2 範本工作流程，不要手動連接節點。官方範本包含模型調校所使用的 sampler 設定；相較於圖片工作流程，影片工作流程中更容易有許多數值在不易察覺的情況下設定錯誤。

何時應該使用 API

當工作量高且穩定、影格不得離開自有基礎架構，或需要特定模型或任何託管服務都未提供的自訂 adapter 時，自行代管影片生成才是正確選擇。如果要求這套 pipeline 在 1 年後仍以相同方式運作，也適合自行代管。部分託管模型會在不通知你的情況下變更：Replicate 會將官方模型更新至最新版本，且不要求你指定版本。其他模型可以固定版本，而 Replicate 的社群模型則會以特定版本呼叫，因此在建置前應先確認。

每月只需要少量片段、需要產生比開放模型更長或更大的輸出，或本週內就有期限時，請使用託管 API。應誠實計算損益平衡點。以 2026 年 7 月的中位數計算，全天候租用一張 24 GB 顯示卡，每月約需 260 美元；購買相同顯示卡的前期成本也高於此金額，而且在產生任何影格前就必須先付款。閒置的自行代管主機每次都比不上按片段計費的 API。這與決定文字模型服務方式的取捨相同，Ollama 與 vLLM 的自行代管 LLM 服務比較 已說明此點；而這也建立在 VPS 搭配 GPU 是否值得投入成本 這個更基本的問題之上。

渲染失敗時的檢查項目

若渲染在採樣條完成後於最後階段中斷，代表 VAE 解碼時記憶體不足。請減少影格數或改用 tiled decode 節點。調整步數（step count）無效，因為解碼是在所有步數執行完畢後才進行。

若輸出為純黑色或嚴重亂碼，通常代表 VAE 與模型不匹配。版本號無法作為判斷依據：Wan 2.2 TI2V-5B 模型需使用 Wan 2.2 VAE，而 Alibaba 針對 Wan 2.2 A14B 模型提供的官方設定則指定使用 Wan 2.1 VAE。請載入該模型官方範本所指定的 VAE。

若渲染可執行但耗時數小時，且確認機器配備 GPU，代表 ComfyUI 正處於 CPU 運算路徑。請檢查啟動日誌中的裝置資訊行，並重新執行上述的 torch.cuda.is_available() 檢查。

若處理程序在 dmesg 中出現 Killed 並消失，且無 Python 追蹤紀錄（traceback），代表觸發了核心的記憶體不足終止機制（OOM killer），問題在於系統 RAM 而非 VRAM。記憶體卸載（offloading）的需求量取決於 ComfyUI 載入權重的方式。其動態 VRAM 載入器（於 Linux 與 Windows 的 NVIDIA 顯卡上執行）會將權重檔從磁碟映射並按需載入；ComfyUI 表示此機制可執行超過實體 RAM 容量的模型，因此 16 GB 的系統 RAM 並不代表無法執行 5B 模型。舊版本或使用 --disable-dynamic-vram 啟動的現行版本會使用早期的估算載入法，可能導致小型機器記憶體不足。請更新 ComfyUI 並確認該旗標未被設定。若終止機制仍持續觸發，請增加實體 RAM 或增加 swap 空間。

FAQ

我可以在沒有 GPU 的 VPS 上生成 AI 影片嗎？

不行，這種方式無法讓你使用第二次。在 24 GB GPU 上只需 9 分鐘的 5 秒 720p 短片，在 CPU 上需要數小時。部分伺服器 CPU 確實內建矩陣運算單元（例如具備 AMX 的 Intel Xeon 處理器），但其吞吐量遠低於 GPU，且系統記憶體頻寬比 GPU 記憶體頻寬低了一個數量級。CPU 伺服器可以託管 ComfyUI 介面、儲存模型並保存工作流程，但渲染本身必須依賴 GPU。

執行 Wan 2.2 需要多少 VRAM？

對於 TI2V-5B 模型，使用 ComfyUI 原生卸載（offloading）功能的門檻為 8 GB，而 Alibaba 建議使用 24 GB 以達到官方發布的運作速度。至於 A14B 文字轉影片與影像轉影片模型，Alibaba 的單 GPU 推論指令要求至少 80 GB VRAM，這意味著需要一張 80 GB 的資料中心等級顯卡，或是如 RTX PRO 6000 Blackwell 等 96 GB 的工作站等級顯卡。ComfyUI 的動態 VRAM 載入器雖曾在 RTX 5060 上執行過這兩個 14B 專家模型，但僅限於 320 x 320 的基準測試，因此這僅能證明模型可在小顯存顯卡上載入，而非 720p 的速度或記憶體需求數據。

自架服務生成的短片長度限制為何？

以 Wan 2.2 而言，截至 2026 年 7 月，720p 解析度下約 5 秒是實際的運作單位。Lightricks 的文件顯示，LTX-2.5 可生成長達 20 秒的 720p 與 1080p 帶音訊短片，在 1440p、4K 或 48 至 50 fps 下則可達 10 秒。若要製作更長的影片，需透過生成多個片段並進行拼接，將前一段的最後一幀作為後一段的第一幀。由於拼接處會產生品質偏移，因此應將長影片視為剪輯工作，而非單次生成。

按小時租用 GPU 是否比購買顯卡更划算？

若每天渲染時間在幾小時以內，租用較為划算。以 2026 年 7 月 24 GB 顯卡每小時約 0.36 美元的中位數價格計算，租用相當長的時間才會達到購買該顯卡的成本，且能避免買到不適合你實際需求模型的硬體。只有在機器每天大部分時間都處於滿載狀態時，購買硬體才比較划算。