Tạo video AI không giới hạn: tự chạy Wan 2.2 trên GPU thuê

Muốn tạo video AI không giới hạn lượt thì cách thực tế nhất là tự chạy một model mở như Wan 2.2 (giấy phép Apache-2.0) trên GPU của riêng bạn hoặc GPU thuê. Khi đó không còn credit hay watermark, giới hạn duy nhất là thời gian máy: trên RTX 3090, mỗi clip 5 giây ở chế độ nhanh mất 110 đến 124 giây, tức khoảng 30 clip cho mỗi giờ máy.

Vài con số trước khi đọc tiếp:

• Con số 30 clip/giờ tính từ lần chạy 5 ảnh liền nhau của mình: 569 giây cho 5 clip, trung bình 114 giây/clip, 3.600 ÷ 114 ≈ 31,6, làm tròn xuống 30.

• Thuê máy RTX 3090 · Standard giá 15.000đ/giờ, mỗi clip nhanh tốn khoảng 475đ tiền máy.

• Đổi lại bạn phải tự cài, tự học ComfyUI, và model vẫn có lúc làm sai vật lý hoặc làm mất chữ.

• Mọi số trong bài đo ngày 17/10/2026 trên máy RTX 3090 24GB của AIDev Cloud.

Tạo video AI không giới hạn bằng model mở là thế nào?#

Các app tạo video online tính theo credit vì mỗi clip tốn GPU của họ. Khi model nằm trên máy của bạn, chẳng ai đếm lượt nữa, bạn chỉ trả tiền GPU theo giờ. Wan 2.2 là model mở của nhóm Wan-Video, repo Wan-Video/Wan2.2 có 5 model: tạo video từ chữ, từ ảnh, bản nhỏ 5B, bản nói theo giọng và bản diễn hoạt nhân vật.

Bản gốc của model ảnh thành video 14B cần ít nhất 80GB VRAM theo README, quá sức một card 24GB. Mình chạy nó qua ComfyUI với bản nén fp8 do Comfy-Org đóng gói lại, cộng LoRA 4 bước của lightx2v để rút từ 20 bước xuống 4 bước. Đó là "chế độ nhanh" trong cả bài này.

Tự chạy Wan 2.2 khác dùng app tạo video thế nào?#

Mặt kém của tự chạy là có thật. Model không hiểu vật lý tốt như người. Với ảnh cà phê phin, giọt cà phê nhỏ xuống tách rất đạt, nhưng đến khung cuối cái phin tự nhấc lên và cà phê chảy thành dòng màu cam:

Mình thử cùng ảnh với prompt tiếng Việt và tiếng Anh, cùng seed 7: hai clip gần như trùng khung, phin vẫn bị nhấc. Vậy lỗi nằm ở model, đổi ngôn ngữ prompt cũng không hết. Với bìa sách "Machine Learning thực chiến", chữ giữ nét ở hai phần ba đầu clip, rồi máy quay zoom quá tay vào hình cái cây và chữ biến mất, dù prompt đã dặn "subtle push in".

Một clip tốn bao nhiêu tiền máy?#

Tiền máy = số giây chạy × 15.000đ ÷ 3.600. Số giây lấy từ log của xưởng video trên máy Standard; dòng 1280×960 đo trên máy Pro cùng card RTX 3090:

Chế độ đẹp cho chuyển động máy quay rõ hơn nhưng chậm gấp 8 lần. Mình để chế độ nhanh làm mặc định, chỉ chuyển sang đẹp cho clip đã chọn để đăng. Lên 1280×960, số điểm ảnh gấp khoảng 3,1 lần bản 736×544 nhưng thời gian gấp khoảng 5,9 lần.

Ví dụ một tháng bạn cần 100 clip nhanh: 100 × 114 giây ≈ 3,2 giờ máy, khoảng 47.500đ (máy tính tròn giờ, chạy liền một phiên thì trả 4 giờ là 60.000đ), chưa tính lúc ngồi soạn prompt mà máy vẫn chạy. Nếu muốn thử ngay với số tiền nhỏ, thuê RTX 3090 theo giờ trên AIDev Cloud, dùng xong thì trả máy. So sánh các gói GPU khác có ở bài giá thuê GPU.

Bắt đầu tự chạy trong 3 bước#

Bước 1: thuê máy RTX 3090#

Vào trang Cloud, chọn RTX 3090 · Standard (24GB VRAM, 25 vCPU, 55GB RAM, ổ 300GB) với image Ubuntu 24.04 AI. Máy của mình chạy được sau khoảng 75 giây. RAM 53GB mà máy báo là đủ: sau lần chạy thử model 14B, máy dùng 38GB.

Bước 2: chạy script cài một lệnh#

Tải setup-wan22.sh ở mục Tệp đính kèm của bài cài Wan 2.2 ComfyUI từ máy trắng (cần đăng nhập tài khoản AIDev), chép lên máy rồi chạy bằng root:

bash setup-wan22.sh                 # mặc định: ảnh thành video 14B + bản 5B, khoảng 50GB model
GOI=5b bash setup-wan22.sh          # chỉ bản 5B, nhẹ nhất

Script cài ComfyUI 0.41.0, tải 8 file model, dựng dịch vụ tự chạy lại khi khởi động máy, rồi tạo thử một clip. Từ máy trắng đến clip đầu tiên mất 849 giây (14,2 phút), khoảng 3.540đ nếu tính theo giây. Máy tính tròn giờ, nên cài xong thì chạy luôn lô clip trong giờ đó cho đáng tiền:

Dòng "~548đ" trong ảnh là script tính theo giá 17.000đ/giờ lúc mình chạy thử; bản hiện tại đọc biến GIA_GIO, mặc định 15.000đ. Muốn mở giao diện ComfyUI từ máy của bạn, dùng SSH tunnel (thay CỔNG bằng cổng SSH của máy):

ssh -N -L 8188:127.0.0.1:8188 -p CỔNG root@hn1.forai.cloud    # rồi mở http://127.0.0.1:8188

Chi tiết từng bước cài tay có ở bài cài Wan 2.2 với ComfyUI.

Bước 3: tạo hàng loạt bằng xưởng video#

Script đã chép sẵn xưởng video tao_video.py. Bỏ ảnh vào thư mục vao/, viết mỗi dòng một ảnh và một prompt trong kich-ban.csv:

anh,prompt
banh-mi.jpg,"Camera slowly orbits the banh mi, warm morning light"

cd ~/xuong-video && ~/ComfyUI/venv/bin/python tao_video.py
~/ComfyUI/venv/bin/python tao_video.py --che-do dep     # 20 bước, chậm hơn nhiều

Xưởng tự tính kích thước theo tỉ lệ ảnh nên ảnh ngang không bị cắt mất hai đầu như workflow mẫu ép vuông 640×640. Đây là kết quả lần mình chạy 5 ảnh:

5 clip, chế độ nhanh
  ra-5anh/ca-phe-phin-nhanh-42_00001_.mp4  544x736  124 giây  ~586đ tiền máy
  ra-5anh/banh-mi-nhanh-42_00001_.mp4  736x544  114 giây  ~540đ tiền máy
  ra-5anh/linh-vat-python-nhanh-42_00001_.mp4  544x720  110 giây  ~520đ tiền máy
  ra-5anh/bia-sach-ml-nhanh-42_00001_.mp4  544x720  110 giây  ~520đ tiền máy
Xong 5/5 clip trong 9.5 phút, ~2,686đ tiền máy

Lô có 5 ảnh, mình bỏ dòng ảnh đèn lồng Hội An khỏi log vì ảnh có người thật và mình không dùng clip đó. Tiền trong log tính theo giá 17.000đ/giờ; theo giá Standard thì 5 clip hết khoảng 2.370đ.

Cách viết prompt cho ảnh sản phẩm và các lựa chọn khác của xưởng có ở bài Wan 2.2 I2V tạo video từ ảnh.

Nhớ trả máy khi không dùng: máy thuê tính tiền theo giờ cho tới khi bạn trả, kể cả lúc không tạo clip nào.

Lỗi mình đã gặp khi tự chạy#

1. Bản gốc A14B tràn bộ nhớ trên card 24GB#

Mình thử bản gốc từ repo Wan2.2 với đủ các cờ tiết kiệm VRAM (--offload_model True --convert_model_dtype --t5_cpu và PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True), sau 347 giây thì dừng:

torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 50.00 MiB.
GPU 0 has a total capacity of 23.56 GiB of which 6.31 MiB is free.
Of the allocated memory 23.24 GiB is allocated by PyTorch

README đã ghi bản này cần ít nhất 80GB VRAM. Trên card 24GB, dùng ComfyUI với bản fp8 như script ở trên. Số đo VRAM từng cách chạy có ở bài Wan 2.2 cần bao nhiêu VRAM.

2. Mở template thì báo thiếu ảnh#

Mở mẫu Wan 2.2 14B Image to Video từ hộp thoại Templates, ComfyUI hiện thông báo đỏ:

Media input missing
Load Image is missing a required media file.

Ảnh ví dụ của template không có sẵn trong thư mục ComfyUI/input. Bấm vào node Load Image, tải ảnh của bạn lên là chạy được.

3. Chạy lại cùng workflow chỉ mất 1,2 đến 3 giây#

Máy không nhanh lên. Workflow không đổi gì nên ComfyUI trả lại kết quả đã lưu trong cache (1,2 giây với I2V 14B, 3 giây với 5B). Muốn ra clip khác, đổi seed hoặc prompt.

Dùng video làm quảng cáo có vướng giấy phép không?#

Repo Wan2.2 dùng giấy phép Apache-2.0, cho phép dùng thương mại. Nhưng giấy phép của model không gánh trách nhiệm thay bạn về nội dung clip. Ba điều mình tự đặt ra khi dùng:

• Ảnh đầu vào phải là ảnh bạn có quyền dùng: ảnh tự chụp, ảnh sản phẩm của mình, ảnh có giấy phép rõ ràng.

• Không làm video từ ảnh người thật khi chưa được người đó đồng ý.

• Đọc lại điều khoản trong repo trước khi dùng cho khách hàng, vì giấy phép có thể đổi ở bản sau.

Khi nào không nên tự chạy?#

Tự chạy chỉ đáng công khi bạn tạo nhiều clip đều đặn. Nếu một tháng bạn chỉ cần vài clip, thời gian cài và học ComfyUI sẽ tốn hơn tiền credit. Nếu bạn cần video người nói tiếng Việt khớp khẩu hình, bài này không giải quyết được: mình mới đo phần ảnh thành video, chưa đo bản nói theo giọng S2V (README ghi cần 80GB VRAM). Và nếu bạn không muốn đụng dòng lệnh, SSH hay file CSV, app online vẫn hợp hơn.

Câu hỏi thường gặp#

Tạo video AI không giới hạn có miễn phí không?#

Model Wan 2.2 miễn phí, phần mềm ComfyUI cũng miễn phí. Thứ bạn trả là GPU: card của bạn và tiền điện, hoặc tiền thuê máy theo giờ. Ở chế độ nhanh, mỗi clip khoảng 475đ tiền máy.

Máy nhà có card 12GB hoặc 16GB chạy được không?#

Mình chưa đo trên card 12GB hay 16GB nên chưa dám nói. Tài liệu ComfyUI ghi bản 5B vừa với card 8GB nhờ cơ chế offload của ComfyUI. Bảng VRAM đầy đủ ở bài Wan 2.2 trên các mức VRAM.

Viết prompt tiếng Việt được không?#

Được. Mình chạy cùng ảnh cà phê, cùng seed 7, một lần prompt tiếng Việt và một lần tiếng Anh, cả hai mất 114 giây và cho khung hình gần như trùng nhau.

Clip dài hơn 5 giây được không?#

Bài này chỉ đo clip 5 giây (81 khung ở 16 khung/giây). Mình chưa thử clip dài hơn nên chưa có số thời gian hay VRAM.

Đọc tiếp#

• Wan 2.2 là gì: 5 model, bản nào tải được, chạy ở đâu.

• Cài Wan 2.2 với ComfyUI từ máy trắng: script một lệnh và cài tay từng bước.

• Tạo video quảng cáo từ ảnh sản phẩm: xưởng video, prompt mẫu, giá vốn mỗi clip.

• Wan 2.2 cần bao nhiêu VRAM: bảng đo theo model, độ phân giải và số bước.

• AI Local: chạy LLM và AI tạo ảnh trên máy bạn: chọn card, thuê hay mua GPU để chạy AI trên máy riêng.

Sẵn ảnh sản phẩm và muốn ra vài chục clip trong một buổi, bạn có thể thuê máy RTX 3090 trên AIDev Cloud, chạy script ở bước 2 rồi trả máy khi xong việc.

Đo ngày 17/10/2026 trên máy RTX 3090 24GB của AIDev Cloud (gói Standard và Pro), ComfyUI 0.41.0, torch 2.14.1+cu130; bản gốc Wan2.2 commit 1ea34ff, torch 2.8.0+cu128.