12 novembre 2026 · Team VRAMfarm

Video con Wan 2.2 su una GPU a noleggio: 5B o 14B, quanta VRAM e quanto tempo per clip

Per fare video con l’IA conviene pagare una scheda da 48 GB, o basta una RTX 4090 da 24 GB? Con Wan 2.2 dipende da quale dei suoi due modelli usi. Il modello 5B genera una clip di 5 secondi a 720p su 24 GB in circa 4–9 minuti. Il modello 14B sta comodo su una scheda da 48 GB (su 24 GB gira solo con offloading e pazienza), ma le sue clip si muovono in modo più naturale e seguono il prompt molto meglio. Quasi tutti quelli che restano delusi da Wan 2.2 hanno visto solo il 5B.

5B e 14B sono modelli diversi

I nomi fanno pensare a una versione piccola e una grande della stessa cosa. In realtà sono costruiti in modo diverso.

Il modello 5B comprime il video in modo molto aggressivo prima di lavorarci, ed è per questo che sta su una scheda consumer e genera in fretta. Il prezzo sono dettaglio e movimento: mani, volti in lontananza e movimenti rapidi sono i primi a soffrirne. La coppia 14B divide ogni clip tra un expert “high noise”, che nei primi step imposta la scena e il movimento, e un expert “low noise”, che alla fine aggiunge i dettagli. Sulla GPU deve stare un solo expert alla volta, quindi ottieni la qualità di un modello molto più grande con circa la memoria di un singolo modello da 14B.

Un modo pratico di usarli entrambi: prova le idee sul 5B, che è economico e veloce, poi genera sul 14B le clip che vuoi tenere. Non giudicare Wan 2.2 dal solo 5B.

Risoluzione e durata: cosa sanno fare i modelli

Entrambi i modelli sono addestrati su clip di circa 5 secondi. Puoi chiedere più fotogrammi (il numero va a passi di quattro più uno: 81, 97, 121…), ma oltre la durata di training la qualità cala. Il movimento comincia a ripetersi o a sbandare, e la memoria cresce a ogni fotogramma. Portare il 14B da 81 a 121 fotogrammi significa il 50% di fotogrammi in più da tenere in memoria ed elaborare: diversi gigabyte in più, e ben più del 50% di tempo in più, perché il costo dell’attention cresce più in fretta del numero di fotogrammi.

Per le scene più lunghe, di solito si concatenano le clip. Generi una clip, prendi il suo ultimo fotogramma e lo dai al modello immagine-video come inizio della successiva. Con prompt curati ottieni 10–20 secondi coerenti, con qualche giunta visibile ogni tanto.

Per la risoluzione vale lo stesso. Il 720p è il massimo per cui entrambi i modelli sono stati addestrati. Il 1080p è possibile solo con un upscaler a valle, che ComfyUI può eseguire come step aggiuntivo. All’altro estremo, il 480p è tuo amico mentre fai le prove: è due o tre volte più veloce, e un buon seed con un buon prompt di solito funzionano anche quando rigeneri a 720p.

Cosa non fa nessuno dei due modelli: audio, testo leggibile nell’inquadratura, o più personaggi coerenti tra clip separate senza un aiuto (una LoRA o un’immagine di riferimento).

Minuti per clip su ogni scheda

Il tempo di un video cresce con fotogrammi per pixel per step. L’app 14B include LoRA di velocità a 4 step (lightx2v), che riducono il tempo di diverse volte rispetto ai soliti 20–30 step, a scapito di un po’ di movimento e di dettaglio fine.

Sono intervalli indicativi ricavati da report pubblici e dalla potenza di calcolo delle schede, non da benchmark nostri. La prima clip di una sessione è più lenta perché i modelli vengono caricati in memoria. Il dato degli sviluppatori per il 5B è sotto i 9 minuti su una scheda consumer da 24 GB, in linea con la riga della 4090.

Quale scheda noleggiare

Per il 5B, la scelta predefinita è una RTX 4090. Una RTX 5090 è circa 1,3–1,5 volte più veloce e ha 32 GB, quindi gestisce clip più lunghe senza offloading. La RTX 3090 ha gli stessi 24 GB e fa girare bene il 5B, a circa metà velocità; è la scelta economica per una coda notturna di bozze.

Per il 14B, prendi una scheda da 48 GB o più:

• L40S: la scelta abituale. Fp8 nativo e abbastanza potenza di calcolo per 4–8 minuti a clip.
• RTX A6000: stessi 48 GB, più economica all’ora, ma Ampere non ha fp8 nativo, quindi è circa la metà più lenta. Va bene quando nessuno aspetta.
• RTX PRO 6000 (96 GB): veloce, e con memoria sufficiente per clip più lunghe o per il 720p senza LoRA di velocità.
• H100: la più veloce tra le opzioni comuni per i render con tutti gli step. Ha il prezzo orario più alto, quindi conviene quando una serie va finita oggi.

Una RTX 5090 da 32 GB può far girare il 14B in fp8 a 720p per una clip standard da 5 secondi, configurato a mano in un ComfyUI vuoto, con pochissimo margine. La nostra app pronta 14B non la propone, perché clip più lunghe o una LoRA in più la mandano oltre il limite. La guida alle GPU per ComfyUI ha il confronto più ampio.

Se la tua clip esaurisce la memoria, la guida a CUDA out of memory elenca cosa abbassare per primo: i fotogrammi, poi la risoluzione, poi il batch.

Usare l’app video pronta

All’avvio scegli l’app di generazione video, con il 5B o il 14B. L’app è gratuita; paghi il tempo GPU e il traffico del download. Quando il server è pronto, ComfyUI si installa da solo e i modelli arrivano in background: circa 17 GB per il 5B, circa 70 GB per il 14B, che possono richiedere 10–15 minuti. Quei minuti si pagano. Se apri ComfyUI troppo presto vedrai una pagina 502 o errori di “missing model”; la dashboard ti mostra quando l’app è pronta.

Poi:

1. Apri Workflow → Browse Templates → Video e scegli il template Wan 2.2 che corrisponde alla tua app: 5B, oppure 14B testo-video, oppure 14B immagine-video. L’app 14B ha entrambe le coppie e le relative LoRA a 4 step, quindi tutti e due i template funzionano così come sono.
2. Scrivi il prompt come una breve descrizione di inquadratura: soggetto, azione, camera, luce. “A woman in a red coat walks towards the camera on a wet street at night, slow dolly back, neon reflections” funziona meglio di un elenco di aggettivi.
3. Imposta larghezza, altezza e durata. Per le prove parti dal 480p.
4. Premi Run. Le clip finiscono in /workspace/ComfyUI/output come file video; scaricale da Jupyter o direttamente dal nodo.

Per l’immagine-video, carica la tua foto nel nodo Load Image. La foto fissa aspetto e composizione; il prompt descrive cosa si muove. Funziona meglio una foto con il soggetto più o meno dove lo vuoi alla fine della clip.

I modelli base dell’app non vengono conservati nella cartella salvata: si scaricano di nuovo al prossimo avvio. Le tue LoRA, i workflow e gli output in /workspace vengono conservati se usi Salva e ferma. Altri dettagli nella guida a ComfyUI.

Quanto costa una clip

Il costo per clip è il prezzo orario × i minuti per clip ÷ 60, usando il valore centrale di ogni intervallo:

Però non paghi a clip, paghi a sessione. Una sessione realistica per uno spot di 30 secondi in sei inquadrature, su una L40S con l’app 14B: circa 15 minuti per il download, 20 clip di prova a 480p da circa 2,5 minuti l’una, poi 8 render finali a 720p (due rifatti) da circa 6 minuti l’uno. Fanno circa 1 h 55 min di tempo GPU, cioè circa 2,01 €, più 70 GB di traffico alla tariffa della macchina.

Due abitudini tengono basso il conto. Scrivi e rifinisci i prompt a 480p o sul 5B, e genera a 720p solo le clip che intendi tenere. E metti in coda più clip prima di allontanarti, poi ferma il server quando la coda è vuota: la fatturazione si ferma in quel minuto. La pagina dei prezzi riporta la tariffa attuale di ogni scheda, e la guida ai costi fa gli stessi conti per immagini e token degli LLM.