本地端 AI 動畫教學：8GB 顯卡能跑到哪一步，官方文件怎麼寫

雲端的影片生成是按秒計費的。我在 Seedance 2.5 那篇算過，720p 一秒 0.231 美元，一支 30 秒的片子重跑三次就是 20 美元。量一大，帳單很快失控。

另一條路是在自己的電腦上跑開源模型。硬體買一次，之後生成多少都不再付費。

八月這篇教學寫的就是這條路。這次重寫之前，我把裡面提到的每一個工具的官方文件重新讀了一遍，發現原本的版本有兩個問題。第一，硬體門檻寫得太高，說 24GB 顯示記憶體是「實務門檻」，官方文件並不是這樣寫。第二，它從頭到尾沒有交代哪些步驟是實際跑過的。

所以先把話說清楚。

這篇做了什麼： 我在自己的機器上查了顯示卡的規格，逐一對照了 ComfyUI、Wan2.2、musubi-tuner、ACE-Step、GPT-SoVITS 的官方 README 跟教學頁，寫了一支批次送件的 Python 腳本並確認它語法正確、參數解析正常。

這篇沒做什麼： 我沒有在這台機器上安裝 ComfyUI，也沒有實際生成過任何一段影片。下面的流程是照官方文件整理的路線圖，不是我的操作紀錄。哪些數字出自哪份文件，我會逐一標明。

如果你要的是有人實際跑過、附上生成時間跟成品的教學，這篇不是。它能幫你的是在動手之前判斷：你的硬體走得到哪一步，以及該去讀哪幾份文件。

ComfyUI 是什麼，為什麼用它？

圖：ComfyUI 的 GitHub 專案頁，2026 年 10 月擷取（來源：github.com）

ComfyUI 是一套開源的圖形介面，用「節點」把生成的每個步驟接起來。載入模型是一個節點，輸入提示詞是一個節點，取樣是一個節點，存檔是一個節點。你用線把它們連成一張圖，按下執行，它就照著圖跑。

專案頁上的自我介紹是：最強大、最模組化的擴散模型圖形介面、API 與後端。授權是 GPL-3.0。專案現在掛在 Comfy-Org 這個組織底下，原本的 comfyanonymous/ComfyUI 網址會導過去。

選它的理由有三個，都可以在 README 裡找到依據。

支援的模型最多。 README 列出的影片模型有 Wan 2.1 與 2.2、LTX-Video 2 與 2.3、HunyuanVideo 1.5、CogVideoX、Mochi 等等。音訊模型有 ACE-Step 1.5、Stable Audio 3。也就是說，畫面跟配樂可以在同一套介面裡處理。

工作流可以存成檔案。 整張節點圖可以存成 JSON，也可以從生成出來的 PNG 還原，連亂數種子都會帶回來。這表示別人的流程你可以直接載入，你自己的流程也可以版本控管。

有本機 API。 這是後面批次處理的基礎。

安裝方式 README 列了四種：桌面版（Windows 跟 macOS，官方建議多數人用這個）、Windows 免安裝版、手動安裝、以及 comfy-cli（pip install comfy-cli 之後 comfy install）。

Python 版本的建議跟八月那篇寫的不一樣。README 現在建議 3.13，說支援得很好；如果某些自訂節點的相依套件有問題，退到 3.12。Windows 免安裝版內建的就是 3.13。八月那篇寫「3.10 以上」已經過時。

第零步：你的顯卡有多少 VRAM？

在裝任何東西之前，先做這件事。顯示記憶體（VRAM）決定了你能載入哪些模型。

如果你用的是 NVIDIA 的顯卡，打開終端機輸入：

nvidia-smi

這是我在寫這篇的機器上跑出來的結果（只留表頭，程序清單省略）：

+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 616.56                 KMD Version: 616.56        CUDA UMD Version: 13.4     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                  Driver-Model | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce RTX 5060 Ti   WDDM  |   00000000:01:00.0  On |                  N/A |
|  0%   43C    P8              5W /  180W |    1042MiB /   8151MiB |      0%      Default |
+-----------------------------------------+------------------------+----------------------+

要看的是 Memory-Usage 那一格：1042MiB / 8151MiB。

右邊的 8151MiB 是總量，這張卡是 8GB。左邊的 1042MiB 是現在已經被用掉的。我當時沒有在跑任何 AI 的東西，只開著瀏覽器、編輯器跟幾個常駐程式，就已經用掉 1GB。

這個數字是我這次才注意到的。規格表寫 8GB，但如果這張卡同時負責螢幕輸出，實際能給模型用的大概只有 7GB。官方文件寫的門檻都是剛好卡在邊緣的數字，這 1GB 可能就是跑得動跟跑不動的差別。跑之前把瀏覽器關掉，是最便宜的升級。

各個工具需要多少 VRAM？

圖：各工具官方文件記載的 VRAM 需求（本文整理，出自各專案的 GitHub README 與 docs.comfy.org，2026 年 10 月查核）

八月那篇的硬體表只有一列：建議 RTX 3090 或 4090，24GB 是實務門檻。這張表把它拆開，因為不同的事情門檻差很多。

最容易讓人搞混的是 Wan2.2。同一個模型，兩份官方文件寫了兩個數字。

Wan2.2 自己的 README 寫，5B 版本「至少需要 24GB VRAM（例如 RTX 4090）」，而且要開啟卸載選項。14B 版本的範例指令寫的是「至少 80GB」。

ComfyUI 的官方教學寫的是另一回事：

圖：ComfyUI 官方 Wan2.2 教學裡關於 8GB 的說明（來源：docs.comfy.org）

「Wan2.2 5B 版本在 ComfyUI 原生的卸載機制下，8GB VRAM 應該可以順利執行。」

兩個數字都沒錯，差別在怎麼跑。Wan2.2 的 README 講的是用它自己的指令直接跑。ComfyUI 有一套自己的記憶體管理，會把暫時用不到的部分移到系統記憶體，要用的時候再搬回來。這叫卸載（offloading）。代價是慢，好處是小顯卡也跑得動。

所以結論是：8GB 的顯卡可以試 Wan2.2 的 5B 版本，前提是透過 ComfyUI。 5B 版本的輸出規格是 720p、每秒 24 格。Wan2.2 的 README 說，它在單張消費級顯卡上生成一段 5 秒的 720p 影片不到 9 分鐘。這個時間是官方在 24GB 顯卡上的說法，8GB 靠卸載會慢多少，我沒有量過。

14B 版本的品質比較好，但 80GB 不是消費級硬體。ComfyUI 的教學提到社群有量化過的 GGUF 版本可以降低需求，那是另一條要自己研究的路。

訓練是另一個門檻。如果你想讓影片模型記住一個固定的角色，要訓練 LoRA。musubi-tuner 的 README 建議：訓練圖像模型 12GB 以上，訓練影片模型 24GB 以上，系統記憶體 64GB 以上（32GB 加上虛擬記憶體「也許可行」）。

也就是說，8GB 的機器可以生成，不能訓練影片模型的角色。這是這條路上最硬的一道牆。

模型檔案要放哪裡？

圖：Wan2.2 5B 版本在 ComfyUI 中需要的檔案與位置（本文整理，出自 docs.comfy.org 的 Wan2.2 教學）

第一次用 ComfyUI 的人最常卡在這裡：模型下載了，介面裡卻選不到。原因幾乎都是放錯資料夾。

Wan2.2 的 5B 版本要三個檔案，分別放在 ComfyUI 資料夾底下的三個地方：

ComfyUI/
└── models/
    ├── diffusion_models/
    │   └── wan2.2_ti2v_5B_fp16.safetensors
    ├── vae/
    │   └── wan2.2_vae.safetensors
    └── text_encoders/
        └── umt5_xxl_fp8_e4m3fn_scaled.safetensors

三個檔案的角色不同。文字編碼器把你的提示詞變成一串數字。模型本體根據這串數字，在一個壓縮過的空間裡一步一步把雜訊變成影片。VAE 最後把壓縮的結果還原成你看得到的畫面。

注意 VAE 的版本。教學特別寫了：5B 用 wan2.2_vae.safetensors，14B 用的是 wan_2.1_vae.safetensors。兩個不能混用。

檔案放好之後，照教學的步驟：

1. 把 ComfyUI 更新到最新版。
2. 打開工作流範本（Workflow Templates），搜尋「Wan2.2 5B」。
3. 載入範本。如果有節點顯示遺失，通常是版本太舊。
4. 在 Wan22ImageToVideoLatent 這個節點調整尺寸跟總格數（length）。

第一次跑，我建議把尺寸跟格數都調小。目的不是要成品，是要確認整條路是通的。

整個流程分成哪幾段？

圖：本地動畫流程的四個階段與對應工具（本文整理，出自各專案 GitHub README，2026 年 10 月查核）

八月那篇把流程分成四個階段：資產建立、動作引導、渲染生成、後製合成。這個分法我覺得還是對的。「輸入一句話就出一支片」做幾秒的素材可以，要做有固定角色、有劇情的東西，一定要拆開。

下面照階段講，重點放在每個工具的官方文件實際寫了什麼。

角色：讓同一張臉出現在每個鏡頭

最容易失敗的環節。同一個角色在不同鏡頭裡長得不一樣，整支片就散了。

做法是訓練一個角色專屬的 LoRA，一種小型的附加權重，讓模型記住特定的長相。

工具要看你訓練的是哪種模型。圖像模型用 kohya-ss 的 sd-scripts。影片模型用同一位作者的 musubi-tuner，README 列出它支援 HunyuanVideo、Wan2.1 與 2.2、FramePack 等架構。

兩件事要知道。musubi-tuner 的 README 開頭就寫，這個專案是「實驗性質、積極開發中」，「不建議用於正式生產」，功能跟介面可能不預告就改。還有前面講過的，影片模型的訓練建議 24GB 以上。

如果你的顯卡不到 24GB，比較務實的替代做法是用 Wan2.2 的圖生影片：先用圖像模型畫好一張角色跟構圖都對的圖，再讓影片模型從這張圖開始動。5B 版本同時支援文字跟圖片當輸入。角色的一致性由那張起始圖來保證，不用訓練影片模型。

動作：不要讓模型自由發揮

八月那篇建議先在 Blender 裡用 3D 人偶把動作跟鏡頭定下來，匯出骨架或深度圖的序列，再用 ControlNet 讓 AI 照著畫。它列了幾個社群節點：AnimateDiff-Evolved、IPAdapter_plus、Advanced-ControlNet、Frame-Interpolation、SUPIR。

這些節點我這次沒有逐一查證現況，也沒有確認它們跟 Wan2.2 的原生工作流合不合。ComfyUI 的自訂節點更新很快，半年前能用的組合現在不一定能用。所以我不照抄那份清單。

我能確認的是 Wan2.2 本身提供的控制方式。官方 README 列的模型裡有一個 Animate-14B，用途是角色動畫與替換。ComfyUI 的教學裡有首尾幀生成（FLF2V）：你給第一格跟最後一格，模型補中間。後者是控制動作最簡單的辦法，不需要 3D 軟體。兩者都是 14B 的模型，8GB 的顯卡要靠量化版本。

聲音：配音跟配樂

配音用 GPT-SoVITS。 MIT 授權。README 寫的能力是：5 秒的人聲樣本就能做零樣本的語音合成，1 分鐘的訓練資料可以微調出更像的聲音。支援中文、英文、日文、韓文、粵語。README 沒有寫 VRAM 需求。

用別人的聲音之前，請確認你有權利這樣做。技術上只要 5 秒，法律跟道德上不是。

配樂用 ACE-Step 1.5。 也是 MIT 授權。README 寫它在本機執行需要不到 4GB VRAM，在 RTX 3090 上生成一首完整的歌不到 10 秒，長度從 10 秒到 10 分鐘，歌詞支援 50 多種語言。XL 版本（40 億參數）品質較好，需要 12GB 以上。

這是整條流程裡硬體門檻最低的一段。8GB 的顯卡跑標準版綽綽有餘。ComfyUI 的 README 也把 ACE-Step 1.5 列在支援的音訊模型裡。

剪輯：這一步不是開源的

八月那篇的描述寫「全程使用開源工具」。這不正確。它建議的剪輯軟體 DaVinci Resolve 免費版是專有軟體，免費，但不開源。

這不影響「不付 API 費用」這個目標，只是要講清楚。如果你堅持全部開源，可以另外找開源的剪輯軟體，那不在這篇的範圍。

怎麼讓它晚上自己跑？

本地跑最大的好處是可以排隊。睡前把二十個鏡頭丟進去，早上起來收成果。

ComfyUI 啟動之後會在本機開一個服務，預設位址是 http://127.0.0.1:8188。官方的範例腳本示範了怎麼對它送工作。這裡的 API 是你自己電腦上的服務，不經過任何雲端，不收費。

步驟是：

1. 在 ComfyUI 介面裡把工作流調到滿意。
2. 用「File → Export (API)」匯出 API 格式的 JSON。這個格式跟一般存檔的格式不同，一定要用這個選項。
3. 打開匯出的 JSON，找出提示詞節點跟取樣器節點的編號。JSON 最外層的鍵就是節點編號。
4. 準備一份 CSV，每一列是一個鏡頭。

我照官方範例改寫了一支批次腳本：

"""Queue one ComfyUI job per row of a CSV shot list.

Usage: python batch_shots.py workflow_api.json shots.csv --prompt-node 6 --seed-node 3
The workflow must be exported with File -> Export (API) in ComfyUI.
"""
import argparse
import copy
import csv
import json
from urllib import request

SERVER = "http://127.0.0.1:8188/prompt"


def queue_prompt(workflow: dict) -> None:
    data = json.dumps({"prompt": workflow}).encode("utf-8")
    request.urlopen(request.Request(SERVER, data=data))


def main() -> None:
    ap = argparse.ArgumentParser()
    ap.add_argument("workflow")
    ap.add_argument("shots")
    ap.add_argument("--prompt-node", required=True, help="node id of the positive prompt")
    ap.add_argument("--seed-node", required=True, help="node id of the sampler")
    args = ap.parse_args()

    with open(args.workflow, encoding="utf-8") as f:
        base = json.load(f)

    with open(args.shots, encoding="utf-8", newline="") as f:
        for row in csv.DictReader(f):  # columns: prompt, seed
            wf = copy.deepcopy(base)
            wf[args.prompt_node]["inputs"]["text"] = row["prompt"]
            wf[args.seed_node]["inputs"]["seed"] = int(row["seed"])
            queue_prompt(wf)
            print("queued:", row["prompt"][:40])


if __name__ == "__main__":
    main()

CSV 長這樣：

prompt,seed
"a girl walks through a rainy street at night, neon signs",101
"close-up of the girl looking up, rain on her face",102

這支腳本只用 Python 內建的函式庫，不用另外裝套件。我在 Python 3.10 上確認過它可以編譯，--help 的參數說明也正常。但我沒有拿它對著一個真的 ComfyUI 服務送過工作，所以第一次用請先放兩列測試。

兩個容易踩到的地方。

節點編號要用引號裡的字串，例如 "6"，不是數字 6。腳本裡是從命令列讀進來的，本來就是字串。

inputs 底下的欄位名稱跟你用的節點有關。官方範例的提示詞節點是 CLIPTextEncode，欄位叫 text，取樣器節點的種子欄位叫 seed。Wan2.2 的工作流如果用的是不同的節點，欄位名稱可能不一樣，打開匯出的 JSON 看一眼就知道。

顯卡要生成多少秒才回本？

圖：顯卡價格相對雲端費用的回本秒數（本文試算，未計電費、重跑與時間成本）

八月那篇的標題是「零 API 費用」。這句話是對的，但容易被讀成零成本。硬體要錢，電要錢，你的時間也要錢。

算法很簡單：顯卡的價格除以雲端每秒的價格。

我用 Seedance 2.5 在 BytePlus 上的 720p 價格當基準，每秒 0.231 美元。表裡的顯卡價格是我為了示範設的三個數字，不是任何一張卡的實際售價。

一張 1,000 美元的顯卡，要生成 4,329 秒的成品才打平。72 分鐘。

72 分鐘聽起來不多，但那是「成品」的秒數。雲端跟本地都要重跑，假設三次留一次，兩邊都乘以三，回本的秒數不變。真正讓這個數字失真的是另外三件事：

• 畫質不一樣。 本地 8GB 能跑的 5B 模型，跟雲端的旗艦模型不是同一個等級。拿它們的每秒價格直接比，對本地是高估。
• 速度不一樣。 官方說 5 秒的影片在 24GB 顯卡上不到 9 分鐘。8GB 靠卸載會更久。72 分鐘的成品，機器要跑好幾十個小時。
• 你的時間。 裝環境、找模型、除錯。第一次大概要花掉一個週末。

所以我的判斷是：如果你只是偶爾做幾支短片，用雲端。按秒付費，不用維護任何東西。

本地值得的情況是這三種之一。你要做的量很大，而且持續。你要反覆嘗試，不想每按一次生成就想到錢。或者你的素材不能上傳到別人的伺服器。

我的建議

如果你讀到這裡決定要試，我會這樣排順序。

1. 先跑 nvidia-smi。 知道自己有多少 VRAM，再往下看哪些走得通。
2. 裝 ComfyUI 桌面版，先跑內建的圖像範本。 確認顯卡驅動、PyTorch、介面都正常。這一步不用下載任何影片模型。
3. 再下載 Wan2.2 5B 的三個檔案，跑官方範本。 尺寸調小，格數調少。目標是看到一段會動的東西。
4. 通了之後才調畫質、加聲音、寫批次。

八月那篇最後建議「先做 5 秒的試作，再談長片」。這個建議我完全同意，而且現在想講得更極端一點：第一次的目標連 5 秒都不用，1 秒就夠。你要驗證的是整條管線，不是作品。

什麼會讓我修改這篇的內容？兩件事。如果有人在 8GB 的顯卡上實際量出 Wan2.2 5B 的生成時間跟峰值記憶體，那比我引用的任何一份官方文件都有用，我會把它加進來。另外，這些專案更新得很快。ComfyUI 的 README 說它大約每兩週出一個穩定版。這篇裡的檔名、節點名稱、版本建議，半年後很可能有一部分不對。動手之前請以官方文件為準，連結都在圖說跟內文裡。

開放權重是什麼、跟開源差在哪，可以看名詞解釋。

這次改寫更正了什麼

• 原文沒有說明哪些步驟實際執行過。這次在開頭明列：查了顯卡規格、對照了官方文件、寫了並檢查了批次腳本；沒有安裝 ComfyUI，也沒有生成影片。
• 原文寫 24GB VRAM 是「實務門檻」。ComfyUI 官方教學寫 Wan2.2 5B 在其原生卸載下 8GB 應可執行；24GB 與 80GB 是 Wan2.2 README 對直接執行官方指令的說法。這次分開列出。
• 原文建議 Python 3.10 以上。ComfyUI 的 README 現在建議 3.13。
• 原文的描述寫「全程使用開源工具」。DaVinci Resolve 免費版是免費的專有軟體，不是開源。
• 原文列出多個社群自訂節點作為必裝。這次沒有逐一查證它們的現況與相容性，改為只介紹官方文件記載的 Wan2.2 控制方式。
• 原文沒有提到 musubi-tuner 自稱實驗性質、不建議用於正式生產。這次補上。
• 原文說硬體是一次性投資、之後「不會再多花一毛錢」。這次補上回本試算，並說明電費、速度與時間成本。