AI 短片制作：每个环节用哪张 GPU？
简短回答： AI 短片的大多数环节都能在 24–32 GB 的卡上完成：分镜图、Wan 2.2 TI2V-5B、配音、口型同步、配乐、超分和插帧。需要 48 GB、80 GB 或更大显存，或者需要大量卸载的，是 14B 及以上的视频模型：Wan 2.2 A14B、MiniMax H3 和 LTX-2.5。因为按分钟计费，每个环节租它需要的卡，环节之间销毁实例即可。商用前请核对每个工具的许可：有些仅限非商业用途，有些附带额外条件。
流程总览
显存数字和许可原文都来自各项目自己的 README 或模型卡，2026-11-04 查阅。"未公布"表示项目没有给出 GB 数字。现在能开哪些卡，见部署页。
| 环节 | 工具 | 显存建议（已公布） | 建议起步的卡 | 许可说明 |
|---|---|---|---|---|
| 分镜图 | FLUX.1、SDXL | 见 FLUX 和 SDXL 需要多少显存（英文） | 24 GB | FLUX.1 dev 需要先接受其许可；FLUX.1 schnell 为 Apache 2.0 |
| 视频 | Wan 2.2 TI2V-5B | ComfyUI：“should fit well on 8GB vram with the ComfyUI native offloading”（借助 ComfyUI 原生卸载，8GB 显存就能轻松放下） | 24–32 GB | Apache 2.0 |
| 视频 | Wan 2.2 T2V/I2V-A14B | README：单卡命令需要 “at least 80GB VRAM”（至少 80GB 显存） | 48–80 GB | Apache 2.0 |
| 视频 + 音频 | MiniMax H3 | diffusers：24–32 GB 上用 int8 + 流式加载；一张 80 GB 的卡配合卸载 | 32 GB 加充足的主机内存，或 80–96 GB | 社区许可，见下文 |
| 视频 + 音频 | LTX-2.5（22B） | 没有 GB 数字；README：显存受限时 “consider --quantization fp8-cast --offload {cpu, disk}”（可考虑 --quantization fp8-cast --offload {cpu, disk}） |
48–96 GB | 对 “annual revenues of at least $10,000,000”（年收入至少 $10,000,000）的实体需要付费许可 |
| 视频 | HunyuanVideo 1.5（8.3B） | “Minimum GPU Memory: 14 GB (with model offloading enabled)”（GPU 显存下限：14 GB，需开启模型卸载） | 24 GB | 社区许可，见下文 |
| 角色一致性 | musubi-tuner LoRA | “12GB or more recommended for image training, 24GB or more for video training”（图像训练建议 12GB 及以上，视频训练建议 24GB 及以上）；“Main Memory: 64GB or more recommended”（内存：建议 64GB 及以上） | 24–48 GB | Apache 2.0（Wan 代码） |
| 角色一致性 | ai-toolkit LoRA | 示例配置 train_lora_wan22_14b_24gb.yaml；“Training on and generating video is very VRAM intensive.”（训练和生成视频都非常吃显存。） |
24–48 GB | MIT |
| 角色一致性 | Wan-Animate-2 | “tuned for 8× A800 GPUs”（针对 8 张 A800 调优）；480P “tested … on 2× A800 GPUs”（在 2 张 A800 上测试过） | 多张 80 GB 的卡 | Apache 2.0 |
| 配音（TTS） | Fun-CosyVoice 3.0（0.5B） | 未公布 | 24 GB | Apache 2.0 |
| 配音（TTS） | IndexTTS-2.5 | 未公布（有一张 RTX 4090 上的 RTF 表） | 24 GB | bilibili Model Use License（自定义许可） |
| 口型同步 | LatentSync | “Minimum VRAM for inference: 8 GB with LatentSync 1.5; 18 GB with LatentSync 1.6”（推理所需显存下限：LatentSync 1.5 为 8 GB，LatentSync 1.6 为 18 GB） | 24 GB | Apache 2.0 |
| 口型同步 | MuseTalk | 在 4 GB 笔记本 GPU 上测试：“generating an 8-second video takes approximately 5 minutes”（生成 8 秒视频约需 5 分钟） | 24 GB | MIT（代码） |
| 口型同步 / 配音替换 | InfiniteTalk | 没有 GB 数字；低显存模式：“set --num_persistent_param_in_dit 0”（设置 --num_persistent_param_in_dit 0） |
24–48 GB | Apache 2.0 |
| 配乐 | ACE-Step 1.5 | “XL … require ≥12GB VRAM (with offload + quantization) or ≥20GB (without offload)”（XL……需要 ≥12GB 显存（卸载 + 量化）或 ≥20GB（不卸载））；每首歌 “under 10s on RTX 3090”（在 RTX 3090 上不到 10 秒） | 24 GB | MIT |
| 配乐 | MiniMax Music 3 | “The full precision fits under 24GB of VRAM”（全精度可放进 24GB 以内的显存） | 24 GB | 社区许可：界面需标注 “MiniMax-Music3”；收入超过 $20M 需获得授权 |
| 配乐 | YuE2 | “24 GB VRAM”（24 GB 显存） | 24 GB | 权重为 CC BY-NC 4.0：仅限非商业用途 |
| 超分 | SeedVR2 | “High VRAM (24GB+): Use FP16 models”（高显存（24GB+）：用 FP16 模型）；“Moderate VRAM (12-16GB): Use FP8 models with BlockSwap or VAE tiling”（中等显存（12-16GB）：用 FP8 模型配合 BlockSwap 或 VAE 分块） | 24–32 GB | Apache 2.0 |
| 超分 | Real-ESRGAN | 未公布 | 24 GB | BSD-3-Clause |
| 插帧 | RIFE（Practical-RIFE） | 未公布；“4.24+ is quite suitable for post-processing of some diffusion model generated videos”（4.24+ 很适合对一些扩散模型生成的视频做后期处理） | 24 GB | MIT |
| 插帧 | GIMM-VFI | “[4K interpolation] … Memory-Usage: 10922MiB”（[4K 插帧]……显存占用：10922MiB），V100 上测得 | 24 GB | S-Lab License 1.0：商用前请先核对 |
还有两个工具你可能仍会看到有人推荐：Chatterbox 已经退役（“As of August 2026, Chatterbox is retired research and is no longer maintained.”，即截至 2026 年 8 月，Chatterbox 已是退役的研究项目，不再维护），Microsoft 也已 “removed the VibeVoice-TTS code from this repository”（从这个仓库中移除了 VibeVoice-TTS 代码）。
商用前要读的许可
- MiniMax H3： MiniMax H3 Community License Agreement，不是开源许可。使用前请先读 LICENSE。
- HunyuanVideo 1.5： Tencent Hunyuan Community License，不是开源许可。使用前请先读 LICENSE。
- YuE2： 权重为 CC BY-NC 4.0，企业商用前必须先联系作者。
- GIMM-VFI： S-Lab License 1.0。在付费项目里使用 GIMM-VFI 前请先读一遍。
- LTX-2.5： 收入低于门槛时免费。“Entities with annual revenues of at least $10,000,000 … are required to obtain a paid license.”（年收入至少 $10,000,000 的实体……需要取得付费许可。）
想让商业项目的许可条款简单一些，就用表里 Apache 2.0 和 MIT 许可的工具：Wan 2.1 和 2.2、SeedVR2、RIFE、ACE-Step 1.5、LatentSync 和 CosyVoice。
每个环节用它需要的卡
做一部短片，不需要让一张大卡从头开到尾。常见的分法：
- 24 GB 的卡（RTX 4090）：分镜帧、Wan 2.2 TI2V-5B 草稿、配音、配乐。
- 48 GB 或 80 GB 的卡（RTX 4090 48G、A100 80G）：用 14B 模型出正式镜头，或训练 LoRA。
- 回到 24–32 GB 的卡：口型同步、超分、插帧。
销毁实例前先把输出拷走（rsync 或 scp），因为实例上的数据会被删除。截至 2026-11-05 07:55 (UTC+8)，RTX 4090 上两小时花费 $0.78，RTX 4090 48G 上一小时的正式镜头花费 $0.69。如果同样的三小时都开着一张 A100 80G，要花 $4.77。按分钟计费、向上取整，1 分钟起，销毁实例即停止计费。当前价格见 /pricing。
如果只需要托管模型生成的成片，CloudGPU 的模型 API 也有视频模型，包括 wan-3.0。用 POST /v1/videos 创建任务即可（API 文档）。
相关阅读：Wan 视频生成该用哪张 GPU · MiniMax H3 需要什么 GPU · 在云 GPU 上运行 Wan 2.2（英文） · AI 影视与视频制作用云 GPU
常见问题
做 AI 短片需要什么 GPU？
大多数环节在 24–32 GB 的卡上就能完成：分镜图、Wan 2.2 TI2V-5B、配音、口型同步、配乐、超分和插帧。14B 及以上的视频模型，比如 Wan 2.2 A14B、MiniMax H3 和 LTX-2.5，需要 48 GB、80 GB 或更大的显存，或者大量卸载到主机内存。
哪些开源视频模型可以商用？
Wan 2.1 和 Wan 2.2 是 Apache 2.0。MiniMax H3 和 HunyuanVideo 1.5 使用各自的社区许可，商用前请先读；LTX-2.5 对年收入至少 $10,000,000 的实体要求付费许可（2026-11-04 查阅）。
怎样让角色在不同镜头里保持一致？
用 musubi-tuner 或 ai-toolkit 针对角色训练一个 LoRA，或者用参考图模型，比如 Wan-Animate-2 或 MiniMax H3 Ref2VA。musubi-tuner 建议视频训练用 24 GB 及以上的显存和 64 GB 及以上的内存（2026-11-04 查阅）。
配音、口型同步和配乐用哪些工具？
配音用 Fun-CosyVoice 3.0 和 IndexTTS-2.5；口型同步用 LatentSync、MuseTalk 和 InfiniteTalk；配乐用 ACE-Step 1.5 和 MiniMax Music 3。YuE2 的权重是 CC BY-NC 4.0，未经许可不能商用（2026-11-04 查阅）。
AI 视频怎么超分、怎么让画面更流畅？
超分用 SeedVR2 或 Real-ESRGAN，插帧用 RIFE。SeedVR2 的 ComfyUI 节点建议 24 GB 及以上用 FP16 模型，12–16 GB 用 FP8 模型配合 BlockSwap 或 VAE 分块（2026-11-04 查阅）。
来源（2026-11-04 查阅，Asia/Shanghai）
- Wan2.2 README：https://github.com/Wan-Video/Wan2.2 ；ComfyUI Wan 2.2 教程：https://docs.comfy.org/tutorials/video/wan/wan2_2
- MiniMax H3 模型卡和 LICENSE：https://huggingface.co/MiniMaxAI/MiniMax-H3 ；diffusers H3 文档：https://huggingface.co/docs/diffusers/main/en/api/pipelines/minimax_h3
- LTX-2 README 和许可：https://github.com/Lightricks/LTX-2
- HunyuanVideo 1.5 模型卡和 LICENSE：https://huggingface.co/tencent/HunyuanVideo-1.5 ；https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5/blob/master/LICENSE
- musubi-tuner：https://github.com/kohya-ss/musubi-tuner ；ai-toolkit：https://github.com/ostris/ai-toolkit
- Wan-Animate-2 模型卡：https://huggingface.co/Wan-AI/Wan2.2-Animate-2-14B
- CosyVoice：https://github.com/FunAudioLLM/CosyVoice ；IndexTTS：https://github.com/index-tts/index-tts ；VibeVoice：https://github.com/microsoft/VibeVoice ；Chatterbox：https://github.com/resemble-ai/chatterbox
- LatentSync：https://github.com/bytedance/LatentSync ；MuseTalk：https://github.com/TMElyralab/MuseTalk ；InfiniteTalk：https://github.com/MeiGen-AI/InfiniteTalk
- ACE-Step 1.5：https://github.com/ace-step/ACE-Step-1.5 ；MiniMax Music 3：https://huggingface.co/MiniMaxAI/MiniMax-Music3 ；YuE：https://github.com/multimodal-art-projection/YuE
- SeedVR2 ComfyUI 节点：https://github.com/numz/ComfyUI-SeedVR2_VideoUpscaler ；Real-ESRGAN：https://github.com/xinntao/Real-ESRGAN ；Practical-RIFE：https://github.com/hzwer/Practical-RIFE ；GIMM-VFI：https://github.com/GSeanCDAT/GIMM-VFI
能开哪些卡见部署页。价格见 https://cloudgpu.app/zh/pricing。
更新日期：2026-11-04（Asia/Shanghai）。