12 de noviembre de 2026 · Equipo de VRAMfarm

Vídeo con Wan 2.2 en una GPU alquilada: 5B o 14B, cuánta VRAM y cuánto tarda cada clip

¿Hace falta pagar una tarjeta de 48 GB para hacer vídeo con IA, o basta con una RTX 4090 de 24 GB? Con Wan 2.2, depende de cuál de sus dos modelos uses. El modelo 5B genera un clip de 5 segundos a 720p en 24 GB en unos 4 a 9 minutos. El modelo 14B va cómodo en una tarjeta de 48 GB (en 24 GB solo funciona con descarga a la RAM y paciencia), pero sus clips se mueven con más naturalidad y siguen el prompt mucho mejor. Casi todos los que se decepcionan con Wan 2.2 solo han visto el 5B.

5B y 14B son modelos distintos

Los nombres sugieren una versión pequeña y otra grande de lo mismo, pero están construidos de forma diferente.

El modelo 5B comprime el vídeo de forma muy agresiva antes de trabajar con él, y por eso cabe en una tarjeta de consumo y genera rápido. El precio son el detalle y el movimiento: las manos, las caras a distancia y los movimientos rápidos son lo primero que sufre. La pareja de 14B reparte cada clip entre un experto de «ruido alto», que coloca la escena y el movimiento en los primeros pasos, y un experto de «ruido bajo», que añade el detalle al final. Solo hace falta tener un experto en la GPU a la vez, así que consigues la calidad de un modelo mucho más grande con un coste de memoria parecido al de un solo modelo de 14B.

Una forma práctica de usar los dos: prueba ideas con el 5B, que es barato y rápido, y luego genera con el 14B los clips que quieras conservar. No juzgues Wan 2.2 solo por el 5B.

Resolución y duración: lo que pueden hacer los modelos

Los dos modelos están entrenados para clips de unos 5 segundos. Puedes pedir más fotogramas (el número va en saltos de cuatro más uno: 81, 97, 121…), pero la calidad cae más allá de la duración de entrenamiento. El movimiento empieza a repetirse o a desviarse, y la memoria crece con cada fotograma. Estirar el 14B de 81 a 121 fotogramas le obliga a mantener y procesar un 50 % más de fotogramas: varios gigas más y bastante más de un 50 % de tiempo extra, porque el coste de la atención crece más deprisa que el número de fotogramas.

Para escenas más largas, la gente encadena clips. Generas un clip, coges su último fotograma y se lo das al modelo de imagen a vídeo como inicio del siguiente. Con prompts cuidados consigues 10–20 segundos que encajan entre sí, con alguna costura visible de vez en cuando.

Con la resolución pasa lo mismo. 720p es el máximo con el que se entrenó cualquiera de los dos modelos. 1080p solo es posible con un escalador después, que ComfyUI puede ejecutar como paso adicional. En el otro extremo, 480p es tu aliado mientras pruebas: es entre dos y tres veces más rápido, y una buena semilla y un buen prompt suelen mantenerse cuando vuelves a generar a 720p.

Lo que no hace ninguno de los dos modelos: sonido, texto legible en la imagen o varios personajes coherentes entre clips separados sin ayuda (un LoRA o una imagen de referencia).

Minutos por clip en cada tarjeta

El tiempo de vídeo crece con los fotogramas por los píxeles por los pasos. La app de 14B incluye LoRA de velocidad de 4 pasos (lightx2v), que reducen el tiempo varias veces respecto a los 20–30 pasos habituales, a costa de algo de movimiento y de detalle fino.

Son rangos para planificar, sacados de informes públicos y de la potencia de cálculo de las tarjetas, no benchmarks propios. El primer clip de cada sesión es más lento, porque los modelos se cargan en memoria. La cifra de los propios desarrolladores para el 5B es de menos de 9 minutos en una tarjeta de consumo de 24 GB, lo que encaja con la fila de la 4090.

Qué tarjeta alquilar

Para el 5B, la opción por defecto es una RTX 4090. Una RTX 5090 es entre 1,3 y 1,5 veces más rápida y tiene 32 GB, así que aguanta clips más largos sin descargar a la RAM. La RTX 3090 tiene los mismos 24 GB y mueve el 5B sin problema, a la mitad de velocidad más o menos; es la opción barata para una cola de borradores durante la noche.

Para el 14B, coge una tarjeta de 48 GB o más:

• L40S: la opción habitual. fp8 nativo y cálculo suficiente para 4–8 minutos por clip.
• RTX A6000: los mismos 48 GB, más barata por hora, pero Ampere no tiene fp8 nativo, así que va más o menos a la mitad de velocidad. Buena cuando nadie está esperando.
• RTX PRO 6000 (96 GB): rápida, y con memoria suficiente para clips más largos o para 720p sin el LoRA de velocidad.
• H100: la más rápida de las opciones habituales para renders con todos los pasos. Su precio por hora es el más alto, así que compensa cuando hay que terminar una serie hoy mismo.

Una RTX 5090 de 32 GB puede ejecutar el 14B en fp8 a 720p para un clip estándar de 5 segundos, montado a mano en un ComfyUI vacío, con muy poco margen. Nuestra app de 14B lista para usar no la ofrece, porque los clips más largos o un LoRA adicional la hacen desbordar. La guía de GPU para ComfyUI tiene la comparativa completa.

Si tu clip se queda sin memoria, la guía de CUDA out of memory dice qué bajar primero: los fotogramas, luego la resolución y luego el lote.

Cómo usar la app de vídeo lista para usar

Elige la app de generación de vídeo al lanzar, con 5B o 14B. La app es gratuita; pagas el tiempo de GPU y el tráfico de la descarga. Cuando el servidor está listo, ComfyUI se instala solo y los modelos llegan en segundo plano: unos 17 GB para el 5B y unos 70 GB para el 14B, lo que puede llevar 10–15 minutos. Esos minutos se facturan. Si abres ComfyUI demasiado pronto, verás una página 502 o errores de «missing model»; el panel muestra cuándo está lista la app.

Después:

1. Abre Workflow → Browse Templates → Video y elige la plantilla de Wan 2.2 que corresponda a tu app: 5B, 14B de texto a vídeo o 14B de imagen a vídeo. La app de 14B trae las dos parejas y sus LoRA de 4 pasos, así que cualquiera de las dos plantillas funciona tal cual.
2. Escribe el prompt como una descripción breve de plano: sujeto, acción, cámara, luz. «A woman in a red coat walks towards the camera on a wet street at night, slow dolly back, neon reflections» funciona mejor que una lista de adjetivos.
3. Fija el ancho, el alto y la duración. Empieza a 480p para las pruebas.
4. Pulsa Run. Los clips llegan a /workspace/ComfyUI/output como archivos de vídeo; descárgalos desde Jupyter o directamente desde el nodo.

Para imagen a vídeo, sube tu foto en el nodo Load Image. La foto fija el aspecto y la composición; el prompt describe lo que se mueve. Funciona mejor una foto con el sujeto más o menos donde quieres que esté al final del clip.

Los modelos base de la app no se conservan en la carpeta guardada: se vuelven a descargar en el siguiente lanzamiento. Tus propios LoRA, workflows y resultados en /workspace se conservan si usas Guardar y detener. Más detalles en la guía de ComfyUI.

Lo que cuesta un clip

El coste por clip es el precio por hora × minutos por clip ÷ 60, tomando el punto medio de cada rango:

Aun así, no pagas por clip, sino por sesión. Una sesión realista para un anuncio de 30 segundos con seis planos en una L40S con la app de 14B: unos 15 minutos de descarga, 20 clips de borrador a 480p a unos 2,5 minutos cada uno y luego 8 renders finales a 720p (dos repeticiones) a unos 6 minutos cada uno. Eso son aproximadamente 1 h 55 min de tiempo de GPU, unos 2,01 €, más 70 GB de tráfico con la tarifa de la máquina.

Dos hábitos mantienen baja la factura. Escribe y pule los prompts a 480p o con el 5B, y genera a 720p solo los clips que piensas conservar. Y deja varios clips en cola antes de irte, y detén el servidor cuando la cola esté vacía: la facturación se para en ese mismo minuto. En la página de precios está la tarifa actual de cada tarjeta, y la guía de costes hace las mismas cuentas con imágenes y tokens de LLM.