Lokalny generator wideo AI: Wan 2.2, LTX i Kandinsky 6 na RTX 4090

👁 119 przeczytań

Darmowy generator wideo AI, który zadziała na domowej karcie i który w Polsce wolno legalnie używać, to dziś Wan 2.2 5B, LTX-Video albo Kandinsky 6. Na RTX 4090 Wan 2.2 robił klip 5 s w 720p w ok. 4 minuty, a LTX-Video liczył samo wideo w 20 sekund, za to zamienił dorożkę w biały samochód. Kandinsky 6 jako jedyny z tej trójki robi od razu dźwięk, ale klip 5 s liczy się 2-7 minut. HunyuanVideo, FramePack i MiniMax H3 odpadają z innego powodu: ich licencje wyłączają Unię Europejską. Całość tematu modeli na własnym komputerze jest w przewodniku lokalne AI.

Które generatory wideo działają w domu

Na jednej karcie z 24 GB i z licencją, która obejmuje Polskę, zostaje krótka lista. Rozmiar to suma plików (model, koder tekstu, VAE) według szablonów ComfyUI 0.41 albo mojego dysku.

Uwaga do licencji Kandinsky 6.0: repozytorium modelu ma licencję MIT, ale według karty modelu (sprawdzone 17.10.2026) dekoder wideo to VAE z HunyuanVideo (AutoencoderKLHunyuanVideo), a licencja HunyuanVideo od Tencentu wyłącza Unię Europejską. Autorzy nie wyjaśniają, na jakich zasadach udostępniają ten element, więc przy użyciu zarobkowym w Polsce traktuję to jako niewyjaśnione.

Rankingi i porównanie tych rodzin na papierze (z MAGI-2, który potrzebuje 8 kart serwerowych) zebrałem w tekście MAGI-2 vs Wan i LTX. Tutaj są moje pomiary.

Mój test: Wan 2.2 5B kontra LTX-Video 13B

• RTX 4090 24 GB, i9-14900KF, 64 GB RAM, Windows 11, modele na dysku SSD na USB. ComfyUI 0.37.0 bez dodatków, 3 października 2026.
• Wan 2.2 TI2V 5B (fp16): 1280×704, 121 klatek (5 s przy 24 kl./s), 20 kroków, CFG 5, sampler uni_pc, jak w oficjalnym szablonie.
• LTX-Video 13B 0.9.8 distilled (fp8): 1216×704, 121 klatek, 8 kroków według harmonogramu wersji destylowanej, CFG 1.
• Ta sama scena, polecenie po angielsku, ziarno 42, bez wybierania lepszego losowania. Wan liczyłem trzy razy (przy różnych limitach pamięci), LTX raz.
• Czas od wysłania zadania do zapisanego MP4. Pamięć karty odczytywałem co 0,5 s z nvidia-smi: to szczyt całej karty, razem z ok. 2,3 GB zajętymi przez system.

Polecenie, Rynek Główny w Krakowie w deszczu:

Rainy evening on the Main Market Square in Krakow, Poland. Wet cobblestones reflect warm street lamps, the Gothic red-brick towers of St. Mary's Basilica stand in the background. A horse-drawn carriage with a white horse passes slowly from left to right, people with umbrellas walk by. Static tripod shot, realistic, cinematic.

Z tego wynikają dwie rzeczy:

• LTX-Video jest kilka razy szybszy w samym generowaniu. 8 kroków po 2,6 s to 20 s, Wan potrzebuje 20 kroków po ok. 6,9 s. Ale u mnie LTX przez ponad 5 minut wczytywał model z dysku USB, więc pierwszy klip trwał prawie tyle samo co w Wan.
• Wan bierze całą pamięć, jaką dostanie. Szczyt zależał od limitu ustawionego w ComfyUI, a czas kolejnego klipu był prawie ten sam (4:03 i 4:13 min).

Klipy: Kraków w deszczu

Wan zrobił bardzo ładny mokry bruk z odbiciami latarni i stabilny, nieruchomy kadr, dokładnie jak w poleceniu. Tyle że to nie jest Kraków: zamiast Bazyliki Mariackiej stoi bajkowy ratusz z zielonymi hełmami. Dorożka jest malutka, ma świecące żółte koła i w połowie klipu rozpływa się w powietrzu.

LTX dał kościół z dwiema ceglanymi wieżami, więc bliżej Mariackiego, i ładne odbicia na płycie rynku. Za to biały koń w ciągu dwóch sekund zamienia się w biały samochód dostawczy z parasolem, a w lewym dolnym rogu pojawia się bełkotliwy napis podobny do znaku wodnego, mimo że polecenie negatywne wyklucza napisy.

Wcześniejsze cztery klipy z Wan 2.2 (kawa, tramwaj, lama, animacja 2D) i ich ocena są w teście Wan 2.2 lokalnie.

Kandinsky 6: wideo z dźwiękiem, ale wolniej

Kandinsky 6.0 Video testowałem 17 października w ComfyUI 0.41, na czterech scenach w 864×480 (szczegóły w tekście Kandinsky 6 lokalnie). W odróżnieniu od Wan i LTX-Video robi od razu dźwięk: mowę, szum, muzykę.

• Lite: 1:51-2:28 min na klip 5 s z dźwiękiem, 19-20 GB pamięci karty.
• Pro w int8: 6:18-6:52 min na klip, 21 GB pamięci karty i ok. 29 GB wag w RAM, bo model nie mieści się w 24 GB. Bez 64 GB RAM się nie obejdzie.
• Pro wypowiedział polskie zdanie w 7 słowach na 9, angielskie bezbłędnie.

Najprościej: Hangar

Jeśli nie chcesz składać ComfyUI ręcznie, użyj Hangara. To moje narzędzie: darmowy menedżer lokalnych modeli obrazu, wideo i muzyki na Windows 10/11, bez konta i abonamentu (wersja 0.1.0).

1. Pobierz instalator (14 MB) ze strony Hangar. Nie jest jeszcze podpisany cyfrowo, więc Windows SmartScreen pokaże ostrzeżenie: kliknij „Więcej informacji”, potem „Uruchom mimo to”.
2. Hangar wykrywa kartę i pokazuje, czy model się zmieści. Potrzebna jest karta Nvidii z CUDA od 8 GB VRAM, najlepiej 12 GB i więcej. Sam instaluje ComfyUI albo podpina ten, który już masz.
3. Wybierz model z katalogu. Hangar pobiera pliki z Hugging Face i sprawdza sumy sha256. Przy każdym modelu widać licencję i to, czy wolno go używać w UE.
4. Wpisz opis i generuj.

W moim teście 17 października Wan 2.2 5B zrobił w Hangarze klip 2 s w 1280×704 w 105 s, a LTX-Video 13B klip 2 s w 768×512 w 58 s, w obu przypadkach razem z ładowaniem modelu. Kandinsky 6 jest w katalogu, ale generowanie nim przez Hangar jeszcze nie działa, więc na razie zostaje ComfyUI.

Ścieżka ręczna: zainstaluj ComfyUI według poradnika ComfyUI od zera, otwórz szablon Wan 2.2 5B albo LTXV Text to Video i pobierz pliki, o które poprosi. Wan krok po kroku na zrzutach opisałem w tekście Wan 2.2 w ComfyUI.

Wan 2.2, LTX-Video czy Kandinsky 6

• Wan 2.2 5B, jeśli chcesz najprostszego startu i czystej licencji. Oficjalny szablon w ComfyUI, 18 GB plików, Apache 2.0 bez progów. Najlepiej wychodzą statyczne ujęcia z nastrojem.
• LTX-Video 13B, jeśli robisz dużo prób i liczy się czas. Samo generowanie trwa sekundy, ale model częściej gubi obiekty (koń w samochód). Uwaga na próg 10 mln USD i obowiązek oznaczania treści.
• Kandinsky 6 Lite, jeśli potrzebujesz dźwięku w klipie. Ok. 2 minuty na 5 s w 864×480, licencja MIT.
• Kandinsky 6 Pro, jeśli chcesz najbardziej filmowy obraz i kwestie mówione. 6-7 minut na klip i 64 GB RAM.

LTX-2.5 i LTX Desktop

Nowe modele LTX robią obraz i dźwięk w jednym przebiegu, także kilka ujęć w jednym klipie. LTX-2.5 używa kodera tekstu Gemma 4 12B, a pobranie wymaga zalogowania na Hugging Face i akceptacji licencji. Szablon „LTX-2.5: Text to Video” w ComfyUI 0.41 pobiera 53,2 GB plików, LTX-2.3 47,2 GB. Nie mierzyłem ich.

Lightricks wydaje też LTX Desktop: darmowy program (Apache 2.0) z edytorem montażowym, który generuje wideo lokalnie (domyślnie LTX 2.5 Fast) albo przez płatne API (wersje Pro). Według README potrzebuje karty Nvidii z co najmniej 15 GiB pamięci, 16 GB RAM (zalecane 32 GB) i ok. 72 GB miejsca. Mam go zainstalowanego w starej wersji 1.0.5 (najnowsza to 1.3.0 z 9 października 2026), ale w tym teście go nie używałem.

Licencja LTX-2.x Community pozwala na użytek komercyjny firmom z przychodem poniżej 10 mln USD rocznie i zabrania usuwania znaków wodnych oraz oznaczeń treści AI. Starsze LTX-Video (w tym 13B 0.9.8 z mojego testu) mają licencję LTXV Open Weights z tym samym progiem i z punktem, który łatwo przeoczyć: publikowane treści trzeba wyraźnie oznaczyć jako wygenerowane maszynowo.

HunyuanVideo, FramePack i MiniMax H3: dlaczego nie w Polsce

• HunyuanVideo i HunyuanVideo 1.5 (Tencent): licencja Tencent Hunyuan Community już w pierwszym zdaniu mówi, że nie obowiązuje w UE, Wielkiej Brytanii i Korei Płd. W Polsce nie daje żadnego prawa do tych wag, także prywatnie.
• FramePack (lllyasviel): kod ma licencję Apache 2.0, ale model to przerobiony transformer HunyuanVideo, a program wczytuje koder tekstu i VAE z repozytorium HunyuanVideo. Dotyczy go to samo ograniczenie.
• MiniMax H3: licencja wyłącza UE, Wielką Brytanię, Koreę Płd. i USA. Z Polski możesz używać H3 przez API MiniMax albo złożyć wniosek o osobną licencję.

Lokalnie czy w chmurze

Lokalny generator ma sens do materiałów roboczych, tła, animowanych ilustracji i nauki pisania poleceń: klip kosztuje grosze prądu, a polecenia nie wychodzą z komputera. Do reklamy klienta wolę płatny model, bo ruch i szczegóły są wyraźnie lepsze. Przegląd płatnych jest w tekście generator wideo AI, a Wan w chmurze kontra lokalny w porównaniu Wan 3.0 vs Wan 2.2. Sprzęt pod wideo rozpisałem w tekście komputer do wideo AI, a pozostałe nowości z października w zestawieniu nowe lokalne modele AI.

Najczęstsze pytania

Jaki jest najlepszy darmowy generator wideo AI na własny komputer?

Na jednej karcie z 24 GB, z licencją ważną w Polsce: Wan 2.2 5B do niemych ujęć (najczystsza licencja, oficjalny szablon) i Kandinsky 6 do klipów z dźwiękiem. LTX-Video jest najszybszy w samym generowaniu, ale w moim teście najbardziej gubił obiekty. Dla jakości bliskiej płatnym generatorom żaden z nich jeszcze nie wystarcza.

Czy da się generować wideo AI za darmo, bez chmury?

Tak. ComfyUI, Wan 2.2, LTX-Video i Kandinsky 6 są darmowe. Potrzebujesz karty Nvidii (w praktyce od 12 GB pamięci, wygodnie 24 GB), 32-64 GB RAM i 20-50 GB miejsca na pliki. Płacisz tylko za prąd.

Co to jest Hunyuan i czy mogę go używać w Polsce?

Hunyuan to rodzina modeli Tencentu, w tym HunyuanVideo i HunyuanVideo 1.5 do wideo. Ich licencja nie obowiązuje w UE, więc w Polsce nie masz prawa uruchamiać tych wag, ani prywatnie, ani w firmie. Zamiast niego weź Wan 2.2 albo Kandinsky 6.

LTX 2 czy LTX Video: czym się różnią?

LTX-Video (wersje 0.9.x, do 13 mld parametrów) robi nieme klipy i mieści się w 24 GB. LTX-2.3 i LTX-2.5 mają po 22 mld parametrów, generują obraz z dźwiękiem i ważą z koderem tekstu ok. 47-53 GB, więc na RTX 4090 część wag musi siedzieć w RAM. Oba mają ten sam próg licencji: 10 mln USD przychodu rocznie.

Ile VRAM potrzeba do generowania wideo AI?

Według moich pomiarów Wan 2.2 5B zajął 17,3-23,4 GB całej karty, LTX-Video 13B 17,8 GB, Kandinsky 6 Lite 19-20 GB, a Pro 21 GB plus 29 GB w RAM. ComfyUI przenosi część modelu do RAM, więc mniejsze karty też dają radę, ale wolniej. Rozsądne minimum to 16 GB, szczegóły w tekście komputer do wideo AI.

Czy lokalny generator rozumie polecenia po polsku?

Słabo, bo opisy filmów z treningu były głównie po angielsku (i chińsku w Wan). Pisz po angielsku, a polskie realia opisuj wyglądem, nie nazwą: w moim teście „Bazylika Mariacka” nie dała Mariackiego ani w Wan, ani w LTX. Wyjątek to mowa w Kandinsky 6 Pro, który polskie zdanie wymawia całkiem nieźle.