12 novembre 2026 · Équipe VRAMfarm

Vidéo Wan 2.2 sur un GPU loué : 5B ou 14B, combien de VRAM et combien de temps par clip

Faut-il payer une carte de 48 Go pour faire de la vidéo par IA, ou une RTX 4090 de 24 Go suffit-elle ? Avec Wan 2.2, cela dépend de celui de ses deux modèles que vous utilisez. Le modèle 5B rend un clip de 5 secondes en 720p sur 24 Go en 4 à 9 minutes environ. Le modèle 14B est à l’aise sur une carte de 48 Go (sur 24 Go, il ne tourne qu’avec du déchargement et de la patience), mais ses clips bougent de façon plus naturelle et suivent bien mieux le prompt. La plupart des gens déçus par Wan 2.2 n’ont vu que le 5B.

5B et 14B sont des modèles différents

Les noms laissent penser à une petite et une grande version de la même chose. Leur conception est différente.

Le modèle 5B compresse très fortement la vidéo avant de la traiter, ce qui explique qu’il tienne sur une carte grand public et rende vite. Le prix à payer, ce sont les détails et le mouvement : les mains, les visages de loin et les mouvements rapides en souffrent en premier. La paire 14B partage chaque clip entre un expert « high noise », qui pose la scène et le mouvement dans les premières étapes, et un expert « low noise », qui ajoute les détails à la fin. Un seul expert doit se trouver sur le GPU à la fois : vous obtenez la qualité d’un modèle bien plus gros pour à peu près le coût mémoire d’un seul modèle 14B.

Une façon pratique d’utiliser les deux : essayez vos idées sur le 5B, peu coûteux et rapide, puis rendez sur le 14B les clips que vous gardez. Ne jugez pas Wan 2.2 sur le seul 5B.

Résolution et durée : ce que les modèles savent faire

Les deux modèles sont entraînés pour des clips d’environ 5 secondes. Vous pouvez demander plus d’images (le nombre d’images va par pas de quatre plus un : 81, 97, 121…), mais la qualité baisse au-delà de la durée d’entraînement. Le mouvement commence à boucler ou à dériver, et la mémoire augmente à chaque image. Passer le 14B de 81 à 121 images lui donne 50 % d’images en plus à garder et à traiter : plusieurs gigaoctets supplémentaires, et bien plus de 50 % de temps en plus, car le coût de l’attention croît plus vite que le nombre d’images.

Pour des scènes plus longues, on enchaîne plutôt les clips. Rendez un clip, prenez sa dernière image et donnez-la au modèle image-vers-vidéo comme point de départ du suivant. Avec des prompts soignés, vous obtenez 10 à 20 secondes cohérentes, avec un raccord visible de temps en temps.

La résolution fonctionne de la même façon. Le 720p est le maximum pour lequel l’un ou l’autre modèle a été entraîné. Le 1080p n’est possible qu’avec un upscaler appliqué ensuite, que ComfyUI peut exécuter en étape supplémentaire. À l’autre extrémité, le 480p est votre allié pendant les tests : il est deux à trois fois plus rapide, et une bonne seed et un bon prompt donnent généralement le même résultat quand vous refaites le rendu en 720p.

Ce qu’aucun des deux modèles ne fait : le son, du texte lisible dans l’image, ou plusieurs personnages cohérents d’un clip à l’autre sans aide (un LoRA ou une image de référence).

Minutes par clip sur chaque carte

Le temps de rendu vidéo croît avec le nombre d’images multiplié par les pixels et par les étapes. L’application 14B inclut des LoRA de vitesse en 4 étapes (lightx2v), qui divisent le temps par plusieurs par rapport aux 20 à 30 étapes habituelles, au prix d’une partie du mouvement et des détails fins.

Ce sont des fourchettes indicatives tirées de rapports publics et de la puissance de calcul des cartes, pas de nos propres benchmarks. Le premier clip d’une session est plus lent, car les modèles sont chargés en mémoire. Le chiffre des développeurs eux-mêmes pour le 5B est de moins de 9 minutes sur une carte grand public de 24 Go, ce qui correspond à la ligne de la 4090.

Quelle carte louer

Pour le 5B, une RTX 4090 est le choix par défaut. Une RTX 5090 est environ 1,3 à 1,5 fois plus rapide et dispose de 32 Go : elle gère des clips plus longs sans déchargement. La RTX 3090 a les mêmes 24 Go et fait très bien tourner le 5B, environ deux fois moins vite ; c’est le choix économique pour une file de brouillons pendant la nuit.

Pour le 14B, prenez une carte de 48 Go ou plus :

• L40S : le choix habituel. Fp8 natif et assez de puissance pour 4 à 8 minutes par clip.
• RTX A6000 : les mêmes 48 Go, moins chère à l’heure, mais Ampere n’a pas de fp8 natif : elle est donc environ deux fois plus lente. Bien quand personne n’attend.
• RTX PRO 6000 (96 Go) : rapide, et assez de mémoire pour des clips plus longs ou du 720p sans le LoRA de vitesse.
• H100 : la plus rapide des options courantes pour les rendus avec toutes les étapes. Son prix horaire est le plus élevé : elle se rentabilise quand une série doit être terminée aujourd’hui.

Une RTX 5090 de 32 Go peut faire tourner le 14B en fp8 en 720p pour un clip standard de 5 secondes, configuré à la main dans un ComfyUI vide, avec peu de marge. Notre application 14B prête à l’emploi ne la propose pas, car des clips plus longs ou un LoRA supplémentaire la font déborder. Le guide des GPU pour ComfyUI propose une comparaison plus large.

Si votre clip manque de mémoire, le guide CUDA out of memory indique quoi réduire en premier : les images, puis la résolution, puis le lot.

Utiliser l’application vidéo prête à l’emploi

Choisissez l’application de génération vidéo au lancement, en 5B ou en 14B. L’application est gratuite ; vous payez le temps GPU et le trafic du téléchargement. Une fois le serveur prêt, ComfyUI s’installe et les modèles arrivent en arrière-plan : environ 17 Go pour le 5B, environ 70 Go pour le 14B, ce qui peut prendre 10 à 15 minutes. Ces minutes sont facturées. Si vous ouvrez ComfyUI trop tôt, vous verrez une page 502 ou des erreurs « missing model » ; le tableau de bord indique quand l’application est prête.

Ensuite :

1. Ouvrez Workflow → Browse Templates → Video et choisissez le modèle de workflow Wan 2.2 qui correspond à votre application : 5B, ou 14B texte-vers-vidéo, ou 14B image-vers-vidéo. L’application 14B contient les deux paires et leurs LoRA en 4 étapes : les deux workflows fonctionnent tels quels.
2. Rédigez le prompt comme une courte description de plan : sujet, action, caméra, lumière. « A woman in a red coat walks towards the camera on a wet street at night, slow dolly back, neon reflections » fonctionne mieux qu’une liste d’adjectifs.
3. Réglez la largeur, la hauteur et la durée. Commencez en 480p pour les tests.
4. Cliquez sur Run. Les clips arrivent dans /workspace/ComfyUI/output sous forme de fichiers vidéo ; téléchargez-les depuis Jupyter ou directement depuis le nœud.

Pour l’image-vers-vidéo, envoyez votre photo dans le nœud Load Image. La photo fixe le rendu et la composition ; le prompt décrit ce qui bouge. Une photo où le sujet se trouve à peu près là où vous le voulez à la fin du clip donne les meilleurs résultats.

Les modèles de base de l’application ne sont pas conservés dans le dossier enregistré : ils sont retéléchargés au lancement suivant. Vos propres LoRA, workflows et résultats dans /workspace sont conservés si vous utilisez Enregistrer et arrêter. Plus de détails dans le guide ComfyUI.

Combien coûte un clip

Le coût par clip, c’est le prix horaire × les minutes par clip ÷ 60, en prenant le milieu de chaque fourchette :

En réalité, vous ne payez pas au clip, mais à la session. Une session réaliste pour une publicité de 30 secondes en six plans, sur une L40S avec l’application 14B : environ 15 minutes de téléchargement, 20 clips de brouillon en 480p à environ 2,5 minutes chacun, puis 8 rendus finaux en 720p (deux reprises) à environ 6 minutes chacun. Cela fait environ 1 h 55 de temps GPU, soit environ 2,01 €, plus 70 Go de trafic au tarif de la machine.

Deux habitudes font baisser la facture. Rédigez et affinez vos prompts en 480p ou sur le 5B, et ne rendez en 720p que les clips que vous comptez garder. Et mettez plusieurs clips en file d’attente avant de vous absenter, puis arrêtez le serveur quand la file est vide : la facturation s’arrête dans la minute. La page des tarifs indique le prix actuel de chaque carte, et le guide des coûts fait le même calcul pour les images et les tokens de LLM.