Przejdź do treści
Sklep

Artykuły

ComfyUI do wideo na 24 GB: Wan 2.2 kontra LTX-Video na tych samych poleceniach, Kandinsky 6 i InfiniteTalk

Te same cztery polecenia w dwóch schematach wideo: LTX-Video liczy klip 4 s w 44-64 s, Wan 2.2 w 2,5-3 minuty, ale lepiej trzyma się opisu. Klipy obok siebie i schematy.

Tekst: 7 min czytania
ComfyUI do wideo na 24 GB: Wan 2.2 kontra LTX-Video na tych samych poleceniach, Kandinsky 6 i InfiniteTalk
Spis treści 7
  1. Cztery modele wideo na 24 GB: czasy i pamięć
  2. To samo polecenie w dwóch schematach: Wan 2.2 kontra LTX-Video
  3. Ustawienia, które decydują o długości klipu
  4. Wideo z dźwiękiem, ruch ust i powiększanie
  5. Dwa schematy wideo do pobrania
  6. Najczęstsze pytania
  7. Źródła i data sprawdzenia

👁 120 przeczytań

ComfyUI robi wideo na domowej karcie, ale czas na klip różni się kilkunastokrotnie zależnie od schematu. Na moim RTX 4090 te same cztery polecenia dałem dwóm schematom: Wan 2.2 5B liczył klip 4 s w 2,5-3 minuty, LTX-Video 13B w 44-64 s. Do tego Kandinsky 6, który robi wideo od razu z dźwiękiem, i InfiniteTalk do ruchu ust. Poniżej czasy, pamięć, klipy obok siebie, ustawienia, które decydują o długości filmu, i dwa sprawdzone schematy do pobrania.

44-64 sklip 4 s w LTX-Video 13B (768x512)
2,5-3 minklip 4 s w Wan 2.2 5B (1280x704)
23,6 GBnajwyższy szczyt VRAM (Wan 2.2)
4modele wideo, które działają u mnie na 24 GB

Skąd te wyniki. Wszystko liczyłem na mojej instalacji: RTX 4090 24 GB, 64 GB RAM, Windows 11, modele na dysku SSD po USB. Porównanie Wan i LTX na czterech poleceniach zrobiłem 10 listopada 2026 w ComfyUI 0.41.0, wcześniejsze pomiary pochodzą z 26 września, 3 i 17 października. 14 listopada nie generowałem nowych klipów: ComfyUI było wyłączone, a klipy wideo obciążają kartę na kilka minut. Przegląd programu jest w przewodniku ComfyUI, a porównanie licencji modeli wideo w tekście lokalny generator wideo AI.

Cztery modele wideo na 24 GB: czasy i pamięć

Model i schematKlipCzas na RTX 4090Szczyt VRAMDźwięk
LTX-Video 13B 0.9.8 distilled fp8, węzły wbudowane5 s, 768×51218-20 s (pierwszy z wczytaniem 63 s)15,3-15,6 GBnie
to samo5 s, 1216×70436-37 s16,4 GBnie
Wan 2.2 TI2V 5B fp16, węzły wbudowane4 s, 1280×704148-176 s-nie
to samo5 s, 1280×7044:03-4:13 min (kolejny klip)17,3-23,6 GBnie
Kandinsky 6 Lite, dodatek kandinsky65 s, 864×4801:51-2:28 min19-20 GBtak
Kandinsky 6 Pro int8, dodatek kandinsky65 s, 864×4806:18-6:52 min21 GB + 29 GB RAMtak
Wan 2.1 I2V 14B + InfiniteTalk, dodatek WanVideoWrapper20 s, 832×480, ruch ust do piosenki1284 s-z twojego nagrania

Kreska oznacza, że w tym przebiegu pamięci nie mierzyłem. Czas liczyłem od wysłania zadania do zapisanego MP4. Wan 2.2 przy pierwszych próbach 26 września liczył klip 5 s nawet 574-592 s, bo przy otwartych innych programach model przelewał się z karty do RAM. Po starcie ComfyUI z opcją --disable-smart-memory problem zniknął. Ten i inne błędy opisuję w tekście ComfyUI nie działa: typowe błędy.

To samo polecenie w dwóch schematach: Wan 2.2 kontra LTX-Video

10 listopada dałem obu schematom te same cztery polecenia po angielsku, to samo polecenie negatywne (bez napisów, logo i znaków wodnych) i to samo ziarno 1011. Długość: 4 sekundy. Wan dostał swoje ustawienia z oficjalnego szablonu (1280×704, 20 kroków, CFG 5), LTX swoje (768×512, 8 kroków wersji destylowanej). Klipy bez poprawek i bez wybierania lepszego losowania.

PolecenieWan 2.2 5BLTX-Video 13B
Barista i latte art176,1 s64,1 s*
Lis w śniegu172,3 s48,1 s
Rzeka z drona jesienią172,4 s44,1 s
Fale o skały o zachodzie148,2 s44,1 s

* Pierwszy klip LTX w serii, z wczytaniem modelu. Czas mierzył skrypt, który co 4 s pytał serwer o stan zadania, więc wyniki mają dokładność kilku sekund. LTX liczył tu wolniej niż 17 października (18-20 s na klip 5 s w tej samej rozdzielczości). Przyczyny tej różnicy nie ustaliłem, więc podaję oba wyniki.

Barista i latte art

Wan 2.2 5B, 1280×704, 4 s, 176 s liczenia.
LTX-Video 13B, 768×512, 4 s, 64 s liczenia (z wczytaniem modelu).

Polecenie: barista wlewa mleko do kawy i rysuje wzór. W klatce z 2. sekundy Wan pokazuje dzbanek nad filiżanką z mleczną pianką i wzorem, w ciepłym świetle zza szyby. LTX wlewa do pustej białej filiżanki ciemny napój i wzoru nie ma. Bliżej polecenia jest Wan.

Lis w śniegu

Wan 2.2 5B, 172 s.
LTX-Video 13B, 48 s.

U Wana lis wychyla się z głębokiego śniegu między sosnami, kadr ma fioletowawy odcień. U LTX lis jest mały, idzie wydeptaną ścieżką na tle sosen i zachodu słońca. Oba trzymają się opisu, Wan daje bliższy, bardziej „przyrodniczy” kadr.

Rzeka z drona i fale

Wan 2.2 5B: rzeka, 172 s.
LTX-Video 13B: rzeka, 44 s.
Wan 2.2 5B: fale, 148 s.
LTX-Video 13B: fale, 44 s.

Rzeka: oba dały jesienny las z rzeką z lotu ptaka, ale mgłę nad wodą, o którą prosiło polecenie, ma tylko Wan. Fale: Wan pokazuje pianę rozbijającą się o ciemne skały, LTX jedną falę przed klifem, mocniej rozmytą. Wszystkie opisy dotyczą klatek z 2. sekundy, płynność ruchu oceniasz sam w klipach.

Mój wniosek: do szukania pomysłu i szybkich prób biorę LTX-Video (3-4 razy szybciej, mniej pamięci). Do klipu, który ma trzymać się polecenia, biorę Wan 2.2 i czekam 3 minuty. Starszy test na scenie z Krakowa, gdzie LTX zamienił dorożkę w samochód, jest w tekście lokalny generator wideo AI.

Ustawienia, które decydują o długości klipu

W ComfyUI długości nie podaje się w sekundach, tylko w klatkach. Każdy model ma swoją regułę, a schemat musi ją spełnić:

  • Wan 2.2: liczba klatek w postaci 4n+1 (np. 97, 121), 24 klatki na sekundę. Klip 5 s to 121 klatek. W węźle Wan22ImageToVideoLatent pole length ma krok co 4.
  • LTX-Video: liczba klatek w postaci 8n+1 (np. 97, 121), krok co 8 w węźle EmptyLTXVLatentVideo. Liczbę klatek na sekundę podajesz osobno w węźle LTXVConditioning.
  • Oba: szerokość i wysokość muszą być wielokrotnością 32.

W moich schematach zrobiłem to automatycznie. Wpisujesz sekundy w jednym węźle PrimitiveFloat, a węzeł ComfyMathExpression liczy długość według wzoru ceil((max(1, round(a * 24)) - 1) / 4) * 4 + 1 dla Wana. Na końcu ImageFromBatch przycina film do pełnych sekund, a CreateVideo i SaveVideo zapisują MP4 (h264). Do dekodowania używam VAEDecodeTiled, które dekoduje film po kawałkach (domyślnie po 64 klatki), więc szczyt pamięci przy dekodowaniu jest niższy.

Obraz na wideo

Wan 2.2 TI2V 5B to jeden model do tekstu i obrazu na wideo. Węzeł Wan22ImageToVideoLatent ma opcjonalne wejście start_image: podłączasz do niego wczytany obraz (Load Image) i klip zaczyna się od tej klatki. Mój schemat do pobrania jest w wersji tekst na wideo, z tym wejściem pustym. Wariantu z obrazem w tym teście nie liczyłem.

Wideo z dźwiękiem, ruch ust i powiększanie

  • Kandinsky 6 jako jedyny z tych modeli robi od razu dźwięk: mowę, szum, muzykę. Potrzebuje oficjalnego dodatku kandinsky6. Wersja Pro w moim teście powiedziała polskie zdanie w 7 słowach na 9. Licencja MIT, ale dekoder wideo pochodzi z HunyuanVideo, którego licencja wyłącza UE, i autorzy tego nie wyjaśniają. Więcej: Kandinsky 6 lokalnie.
  • InfiniteTalk (Wan 2.1 I2V 14B w dodatku WanVideoWrapper) dopasowuje ruch ust do nagrania. Klip 20 s liczył się 21 minut. Opis błędów i ustawień: InfiniteTalk w ComfyUI.
  • SeedVR2 (dodatek) podbija gotowy klip z 480p do 1080p na tej samej karcie: SeedVR2 w ComfyUI.

Modeli wideo, których licencja wyklucza Unię Europejską (HunyuanVideo, FramePack, MiniMax H3), nie opisuję jako opcji do pracy w Polsce, nawet jeśli dodatki do ComfyUI je obsługują.

Dwa schematy wideo do pobrania

Oba to grafy wyciągnięte z metadanych klipów, które zapisały się na mojej instalacji, i oba używają tylko węzłów wbudowanych w ComfyUI 0.41.0. Są w tej samej paczce co schematy obrazów:

  • wan-2-2-ti2v-5b.json - tekst na wideo 1280×704, 24 kl./s, 20 kroków, CFG 5, długość w sekundach. Sprawdzony 10.11.2026. Pliki: wan2.2_ti2v_5B_fp16, umt5_xxl_fp8_e4m3fn_scaled, wan2.2_vae (repozytorium Comfy-Org/Wan_2.2_ComfyUI_Repackaged).
  • ltx-video-13b-distilled.json - tekst na wideo 1216×704, 5 s, 8 kroków. Sprawdzony 17.10.2026. Pliki: ltxv-13b-0.9.8-distilled-fp8 (Lightricks/LTX-Video), t5xxl_fp8_e4m3fn_scaled (comfyanonymous/flux_text_encoders).
  • Pobierz: comfyui-schematy-promptowy.zip (10 KB), uruchomienie: python uruchom-schemat.py wan-2-2-ti2v-5b.json --prompt "twoje polecenie" --seed 1011.

Licencje: Wan 2.2 Apache 2.0, LTX-Video komercyjnie dla firm z przychodem poniżej 10 mln USD rocznie. Pierwszy klip Wan 2.2 krok po kroku, z instalacją plików, opisałem w tekście Wan 2.2 w ComfyUI.

Najczęstsze pytania

Czy ComfyUI zrobi wideo na karcie 12 GB?

Tego nie testowałem. Na RTX 4090 LTX-Video 13B fp8 zajmował 15-16 GB całej karty, a Wan 2.2 5B do 23,6 GB. Na mniejszych kartach ComfyUI przenosi część modelu do RAM i liczy wolniej, więc szukaj wersji fp8 albo GGUF.

Ile trwa wygenerowanie klipu wideo w ComfyUI?

Na RTX 4090 od 18-20 s (LTX-Video, 5 s w 768×512) do ok. 4 minut (Wan 2.2, 5 s w 1280×704). Kandinsky 6 z dźwiękiem: 2-7 minut. Pierwszy klip po starcie trwa dłużej, bo wczytuje model.

Jak ustawić długość filmu w ComfyUI?

Przez liczbę klatek w węźle pustego wideo. Wan wymaga liczby 4n+1, LTX 8n+1, przy 24 klatkach na sekundę klip 5 s to 121 klatek. W moich schematach wpisujesz po prostu sekundy.

Który model wideo w ComfyUI jest najlepszy?

W moim teście Wan 2.2 5B lepiej trzymał się poleceń, a LTX-Video był 3-4 razy szybszy. Do wideo z dźwiękiem zostaje Kandinsky 6, z zastrzeżeniem licencji dekodera.

Czy do wideo potrzebne są dodatki?

Do Wan 2.2 i LTX-Video nie, oba mają szablony i węzły wbudowane. Dodatków potrzebowałem do Kandinsky 6, InfiniteTalk i SeedVR2.

Źródła i data sprawdzenia

Piotr Olszewski

Autor

Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.

O mnie →Wszystkie teksty →

Czytaj dalej

Narzędzia do tego tematu

darmowe, bez kontaWszystkie 29 →
z sieci - nowe teksty w moich serwisach

Wszystkie moje projekty →

Najczęściej czytane

7 dni
  1. 1GPT-6.2 Astra vs Claude Fable 5.2 vs Gemini 4 Carbon: benchmarki i mój test na 7 modelach (z Opus 5.5)
  2. 2Plakat festiwalu z polskim napisem: prompt i test 6 generatorów obrazu (Prompt dnia 14.11)
  3. 330 promptów do ChatGPT Images i 10 do przerabiania zdjęć
🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →