Model
Trends
.ai
Model
Trends
.ai
de beste open source AI-modellen

Hoeveel VRAM heb je nodig voor AI-video? Wan 2.2, HunyuanVideo 1.5 en LTX-2 per GPU-grootte (2026)

Onderwerp: Videomodellen
Door P.I. Panda
Gepubliceerd op 2026-10-06
VRAM die nodig is om Wan 2.2, HunyuanVideo 1.5 en LTX-2 lokaal te draaien, per GPU-grootte, resolutie en cliplengte: wat 8, 12-16, 24, 32 en 48+ GB kaarten aankunnen, waarom video honderd keer meer kost dan een afbeelding, de offloading-trucs die 14B modellen op 24 GB passen, realistische generatie-tijden en wanneer huren beter is dan kopen.

Overzicht

Kort antwoord: 8 GB is genoeg voor korte, lage-resolutie clips met
Wan 2.1
1.3B of een gekwantiseerde
Wan 2.2
5B. 24 GB is het echte startpunt voor 720p video met de beste open modellen van nu. 32 GB draait Wan 2.2 14B en
LTX-2
op 720p zonder omwegen. De full-precision versies van de grootste modellen hebben nog steeds 48 tot 80 GB nodig, wat betekent dat je datacenterkaarten of de cloud nodig hebt.
Video heeft veel meer geheugen nodig dan afbeeldingen omdat een enkele 1024x1024 afbeelding ongeveer een miljoen pixels heeft, terwijl een clip van 5 seconden bij 24 frames per seconde 120 frames is: het model werkt tegelijk met meer dan honderd keer zoveel en moet elk frame consistent houden met de buren, dus het kan ze niet één voor één maken. Drie dingen bepalen het geheugen en ze vermenigvuldigen elkaar: modelgrootte en precisie (full, FP8 of GGUF), resolutie (720p heeft ongeveer 2,25 keer zoveel pixels als 480p) en cliplengte (ongeveer evenredig). Een model dat past bij 480p voor 3 seconden kan zonder geheugen komen te zitten bij 720p voor 5 seconden op dezelfde kaart.
Deze gids behandelt de open-weight videomodellen die je kunt downloaden en zelf draaien. De cijfers zijn praktische bereiken van officiële modelkaarten en communitytests, gecontroleerd op 6 oktober 2026; resultaten verschillen met de ComfyUI-versie, de workflow en hoeveel systeem-RAM beschikbaar is voor offloading. Voor beeldmodellen, zie de bijbehorende gids over VRAM-vereisten per model; beide worden maandelijks bijgewerkt.

Naslag

Naam
Type
Wat het is
Wan 2.1 T2V 1.3B
8 GB: 480p, ~5 s clips | 12 GB+: comfortable
De 8 GB optie. Ongeveer 8,19 GB in gebruik, 480p output, ongeveer 4 minuten per 5-seconden clip op een RTX 4090. Kwaliteit duidelijk lager dan de grotere modellen. Apache 2.0.
Wan 2.2 TI2V 5B
8 GB: GGUF Q8 with offloading, slow | 12-16 GB: quantised at 720p | 24 GB: full precision (official minimum)
Tekst of afbeelding naar 720p bij 24 fps. Alibaba noemt 24 GB (een RTX 4090) als minimum bij full precision en onder 9 minuten voor een 5-seconden 720p clip. De Q8 GGUF is ongeveer 5,4 GB;
ComfyUI
laadt de rest in systeem-RAM. Apache 2.0.
Wan 2.2 A14B (T2V en I2V)
12-16 GB: GGUF Q4-Q5 with offloading, short clips | 24 GB: FP8 at 480p, 720p with the text encoder offloaded | 32 GB: FP8 at 720p | 80 GB: full precision
De beste open kwaliteit. Mixture of experts: 27B parameters totaal, 14B actief, één expert voor de ruwe vroege stappen en één voor detail; er is maar één expert tegelijk in
VRAM
. FP8 is ongeveer 14,3 GB per expert, GGUF Q4-Q5 ongeveer 10-11 GB. Officiële vereiste 80 GB is voor full precision zonder offloading. Apache 2.0.
HunyuanVideo 1.5
12-16 GB: ~14 GB minimum with offloading | 24 GB: quantised at 720p | 32 GB: comfortable | 28-48 GB: full precision 720p
Tencent, november 2025, 8,3B parameters, 480p of 720p met ingebouwde
upscaler
naar 1080p; 80 GB aanbevolen voor beste kwaliteit. Niet de originele
HunyuanVideo
(13B), die 60-80 GB full precision nodig heeft; veel oudere gidsen verwarren de twee.
LTX-2 (19B) / LTX-2.3 (22B)
16 GB: draft previews in FP8 (distilled pipeline) | 24 GB: FP4, clips up to ~97 frames | 32 GB: FP8 (official minimum) | 48 GB+: BF16 (~43 GB file)
Lightricks, gewichten januari en maart 2026. Video met gesynchroniseerde audio, tot 4K, en snel: ongeveer 90 seconden voor een 5-seconden clip op een RTX 4090. De afweging is geheugen; Lightricks raadt ook 100 GB+ vrije schijfruimte aan.
System RAM
32 GB workable minimum | 64 GB comfortable for 14B models on 12-24 GB cards
Offloading verplaatst een deel van het model naar gewone RAM, dus systeemgeheugen is belangrijker voor video dan voor afbeeldingen.
Disk
fast NVMe SSD
Videomodellen zijn tientallen GB per stuk; laden vanaf een trage schijf voegt minuten toe aan elke modelwissel.
Wan 2.5-3.0, Kling, Veo, Runway, Seedance
API only
Geen downloadbare gewichten, dus geen VRAM-cijfer; je betaalt per seconde video. Wan 2.2 is de nieuwste
Wan
met gewichten (vanaf oktober 2026).
AD
Video zonder 24 GB kaart
BitVector Prism draait de Wan en LTX videomodellen uit deze gids op eigen GPU’s: kies het model, upload een frame of typ een prompt, krijg de clip in de browser. Niets te installeren, geen offloading.

Stap voor stap

  1. Check je VRAM: Windows Taakbeheer > Prestaties > GPU > Dedicated GPU-geheugen; nvidia-smi op Linux. Check ook je systeem-RAM; 32 GB is het minimum voor offloading.
  2. Kies de modelrij voor je kaart uit de tabel: 8 GB betekent Wan 2.1 1.3B of Wan 2.2 5B GGUF; 12-16 GB voegt Wan 2.2 14B GGUF en HunyuanVideo 1.5 met offloading toe; 24 GB is de gangbare videokaart (5B full, 14B FP8, LTX-2 FP4); 32 GB draait alles op 720p in FP8.
  3. Download de precisie die de modelpagina op deze site voor jouw tier vermeldt (FP8 voor 24-32 GB, GGUF Q4-Q5 voor 12-16 GB) in plaats van de BF16 originele.
  4. Begin bij 480p en korte clips (49-81 frames). Zorg dat beweging en compositie kloppen, dan opschalen of opnieuw renderen op 720p. Van 480p naar 720p verdubbelt ongeveer het framegeheugen, dus een workflow van 14 GB bij 480p kan 24 GB of meer nodig hebben bij 720p.
  5. Voor Wan 2.2 14B op 24 GB, verplaats de T5/UMT5 tekstencoder naar systeem-RAM (CPU-apparaat op de loader, of ComfyUI’s automatische offload). Zonder dit kan een 720p clip halverwege over de 24 GB gaan.
  6. Voor alles langer dan 5-6 seconden, genereer in segmenten en koppel ze aan elkaar: het laatste frame van de ene clip wordt de startafbeelding van de volgende. De meeste open modellen zijn afgestemd op ongeveer 5 seconden en verliezen kwaliteit daarna.
  7. Als een clip nog steeds niet past, verlaag dan eerst het aantal frames voor de resolutie, gebruik tiled VAE decode en houd browser en games van de GPU af.
  8. Als je Wan 2.2 14B of LTX-2 op 720p regelmatig nodig hebt en minder dan 24 GB hebt, draai die dan in de cloud:
    PirateDiffusion
    draait Wan,
    LTX
    en H3 modellen op server-GPU’s via Telegram;
    BitVector
    via een webapp.

Voorbeelden

Wan 2.2 14B image-to-video op 24 GB (ComfyUI)

UNETLoader x2: wan2.2_i2v_high_noise_14B_fp8_scaled, wan2.2_i2v_low_noise_14B_fp8_scaled | CLIPLoader: umt5_xxl_fp8_e4m3fn_scaled, device: cpu | Load VAE: wan_2.1_vae
WanImageToVideo: 832x480, 81 frames | KSamplerAdvanced high (steps 0-10, cfg 3.5) -> KSamplerAdvanced low (steps 10-20, cfg 3.5) | shift 5 | VAE Decode (Tiled)

Wan 2.2 5B op een 8-12 GB kaart

UnetLoaderGGUF: wan2.2_ti2v_5B_Q8_0.gguf | CLIPLoader: umt5_xxl_fp8 (cpu) | 1280x704 is the native 720p shape; start at 832x480, 49 frames, 20 steps
python main.py --lowvram

Dezelfde clip in de cloud

/workflow /run:wan22-i2v slow dolly in, she looks up and smiles, soft wind in her hair /length:81 (reply to your image on PirateDiffusion)

Tips

  • Gerapporteerde tijden voor een enkele 5-seconden clip: Wan 2.1 1.3B 480p ongeveer 4 minuten op een RTX 4090; Wan 2.2 5B 720p onder 9 minuten (officieel); Wan image-to-video ongeveer 12,7 minuten op een 4090 tegenover ongeveer 7 op een 5090 (ongeveer 45 procent sneller in een gepubliceerde test); LTX-2 ongeveer 90 seconden op een 4090. Offloading kan elk van deze meerdere keren trager maken.
  • De 80 GB die Alibaba noemt voor Wan 2.2 A14B is voor full precision zonder offloading; FP8 en GGUF plus de tekstencoder in systeem-RAM is hoe iedereen het eigenlijk draait.
  • Twee 14B experts betekent twee bestanden: check de modelpagina voor welke expert een
    LoRA
    getraind is (hoog-ruis of laag-ruis); laden op de verkeerde expert doet niets.
  • LTX-2 ruilt geheugen in voor snelheid en audio; als je FP8 op 32 GB kunt draaien is het de snelste open weg naar een afgewerkte clip met geluid.
  • Een 5090 werd gelanceerd voor 1.999 dollar maar verkocht in oktober 2026 voor ongeveer 4.500-6.000 en kan nog steeds de full-precision modellen niet houden. Voor incidentele video is huren van een 48 of 80 GB GPU per uur, of een vast cloud-abonnement, goedkoper en veel sneller dan offloading op een kleinere kaart.
  • De Wan, Hunyuan en LTX familiepagina’s op deze site vermelden elke downloadbare variant met bestandsgrootte; een variant heeft zijn bestandsgrootte plus 3-4 GB vrije VRAM nodig om snel te draaien.

Probleemoplossing

CUDA out of memory halverwege een 720p clip op 24 GB

Waarom het gebeurt
De tekstencoder staat nog in VRAM naast de actieve 14B expert.

Zo los je het op
Laad de UMT5 encoder op de CPU, of ga naar 480p; zie de
CUDA out of memory
gids voor de volledige checklist.

Past in geheugen maar duurt 40 minuten

Waarom het gebeurt
Zware offloading naar systeem-RAM, of een GGUF Q4 op een kaart die FP8 zou draaien.

Zo los je het op
Maak de clip korter, verlaag resolutie, of gebruik de grootste precisie die resident blijft; check dat "Shared GPU memory" in Taakbeheer dicht bij nul blijft.

HunyuanVideo gids zegt 60-80 GB

Waarom het gebeurt
Het gaat over de originele 13B HunyuanVideo, niet HunyuanVideo 1.5 (8.3B).

Zo los je het op
Gebruik 1.5: ongeveer 14 GB met offloading, 24 GB comfortabel.

LTX-2 laadt niet op 16 GB

Waarom het gebeurt
Alleen de gedistilleerde FP8 preview pipeline past; het volledige model heeft 24 GB (FP4) of 32 GB (FP8) nodig.

Zo los je het op
Gebruik de gedistilleerde preview voor concepten en render finals op een grotere kaart of in de cloud.

Lange clip valt uit elkaar na 6 seconden

Waarom het gebeurt
Open modellen zijn afgestemd op ongeveer 5 seconden; geheugen en kwaliteit verslechteren daarna.

Zo los je het op
Koppel 5-seconden segmenten aan elkaar vanaf het laatste frame; schaal daarna op en interpoleer.

Kan Wan 2.5 of 3.0 gewichten niet vinden

Waarom het gebeurt
Het zijn alleen API-releases.

Zo los je het op
Wan 2.2 is de nieuwste Wan die je lokaal kunt draaien; de Wan familiepagina houdt veranderingen bij.

AD
PirateDiffusion
Wan 2.2 14B, LTX-2 en H3 via Telegram
PirateDiffusion host de grote videomodellen full precision en stuurt de afgewerkte clip naar je chat. Onbeperkt genereren voor een vaste maandprijs, minder dan een maand straatprijs van een 5090 per jaar.

Vragen

Kan ik AI-video maken met 8 GB VRAM?

Ja, maar alleen korte, lage-resolutie clips. Wan 2.1 1.3B maakt 480p clips in ongeveer 8 GB, en Wan 2.2 5B draait als een GGUF-bestand met offloading. Wan 2.2 14B, HunyuanVideo en LTX-2 hebben meer nodig.

Is 24 GB genoeg voor AI-video?

Voor de meeste mensen wel. Een 24 GB kaart draait Wan 2.2 5B full precision, Wan 2.2 14B in FP8 (720p met de tekstencoder offloaded), HunyuanVideo 1.5 en LTX-2 in FP4. Het is de meest gebruikte kaart voor lokale video.

Waarom zegt Wan 2.2 dat het 80 GB nodig heeft?

Dat is het cijfer voor het 14B model full precision zonder offloading. Met FP8 of GGUF-bestanden en de tekstencoder in systeem-RAM draait het op 24 GB, en op 12-16 GB langzamer.

Is een RTX 5090 het waard voor AI-video?

Als je vaak video maakt, is de extra 8 GB boven een 4090 (32 tegen 24) wat je comfortabel 720p geeft met Wan 2.2 14B en FP8 LTX-2, en het is ongeveer 45 procent sneller. Bij twee tot drie keer de launchprijs van 1.999 dollar is huren goedkoper voor wie niet elke dag video maakt.

Heeft HunyuanVideo meer VRAM nodig dan Wan?

HunyuanVideo 1.5 (8.3B) heeft minder nodig dan Wan 2.2 14B: ongeveer 14 GB met offloading. De originele HunyuanVideo (13B) heeft veel meer nodig, dus check welke versie een gids bedoelt.

Hoeveel systeem-RAM?

32 GB is het werkbare minimum voor Wan 2.2 en HunyuanVideo met offloading; 64 GB is comfortabel voor 14B modellen op een 12-24 GB kaart.

Links en bronnen

Modellen in deze gids

Geschreven door
P.I. Panda

Verwante gidsen

Fouten en oplossingen
VRAM-vereisten voor elke populaire AI-beeld- en videomodel (2026): volledige precisie, FP8 en GGUF
Hoeveel VRAM je nodig hebt voor SD 1.5, SDXL, SD 3.5, Z-Image Turbo, FLUX.1, FLUX.2 Klein en Dev, Qwen-Image, Wan 2.2, HunyuanVideo 1.5 en LTX-2, bij volledige precisie, FP8 en 4-bit GGUF, met de comfortabele kaart en licentie voor elk, wat elke GPU-grootte van 8 tot 48 GB kan draaien, en de volgorde van oplossingen als een model niet past.
Door P.I. Panda
2026-10-06
Videomodellen
Wan 2.2 video: tekst-naar-video en afbeelding-naar-video setup, instellingen en LoRA's
Eerste resultaten met Wan 2.2: welke modelgrootte kies je (5B of 14B), het high-noise / low-noise expertpaar, resolutie en aantal frames die werken, de lightning LoRA's die renders terugbrengen tot vier stappen, promptstructuur voor beweging, en hoe je het gehost draait als je kaart te klein is.
Door Captain
2026-05-24
Fouten en oplossingen
CUDA geheugen vol: hoeveel VRAM elk AI-model nodig heeft en hoe het past
Een VRAM-tabel voor SD 1.5, SDXL, Flux, FLUX.2, Qwen-Image, Z-Image, Wan 2.2 en HunyuanVideo, en de technieken die een model passend maken: fp8 en GGUF-quantisatie, CPU-offload, getegelde VAE, resolutie- en framebeperkingen, en wanneer je moet stoppen met vechten en het gehost moet draaien.
Door Captain
2026-05-18
Fouten en oplossingen
GPU- en VRAM-gids voor AI-beeld en video: wat elk model nodig heeft en wat je moet kopen (of niet)
Hoeveel grafisch geheugen elke modelfamilie echt nodig heeft bij bruikbare snelheid (SD 1.5, SDXL, Flux, FLUX.2, Qwen Image, Z-Image, Wan 2.2, LTX-2, H3), wat fp8 en GGUF-quantisatie je opleveren, waarom systeem-RAM en schijf ook belangrijk zijn, een ranglijst van kaarten van 8 tot 32 GB, Mac- en AMD-notities, en het punt waarop huren goedkoper is dan kopen.
Door Quartermaster
2026-01-07
Modellen
LTX 2.3 Crisp Enhance: scherpere, meer filmische videodetails
vrgamedevgirl's Crisp Enhance LoRA voor LTX 2.3 verhoogt scherpte, microdetails en contrast in gegenereerde video. Leer hoe je het in balans brengt met de Soft Enhance variant, gewichten en promptideeën.
Door Captain
2026-10-03
Clouddiensten
PirateDiffusion: voer elk model uit via Telegram, geen GPU nodig
De belangrijkste commando's in de PirateDiffusion Telegram-bot: /render met model triggerwoorden, (( )) en [[ ]] voor gewicht, #recipes, /adetailer, /highdef en /facelift opschaling, /remix, /inpaint, ComfyUI workflows met /wf /run:, en de nieuwe // skills die het model voor je kiezen.
Door Captain
2026-10-03

Meer gidsen

Modellen
FLUX.1 Dev: hoe je het aanstuurt, beste instellingen en creatieve ideeën
Een praktische gids voor FLUX.1 Dev van Black Forest Labs: natuurlijk-taal prompts, begeleiding en stapinstellingen, LoRA stapeling, tekstweergave en promptideeën die goed werken met dit model.
Door Captain
2026-09-30
Modellen
Stable Diffusion XL 1.0: prompts, instellingen en waar het nog steeds het beste in is
Hoe je het meeste haalt uit het officiële SDXL 1.0 basismodel: native resoluties, CFG- en sampler-instellingen, de refiner, negatieve prompts en ideeën voor stijlen waarin SDXL nog steeds uitblinkt.
Door Captain
2026-10-01
Modellen
Stable Diffusion 1.5: het klassieke model, goed aangestuurd
Stable Diffusion 1.5 is nog steeds de moeite waard om te kennen: de juiste resolutie, CFG en sampler, hoe je de enorme bibliotheek met LoRAs en embeddings gebruikt, en creatieve promptideeën die passen bij een 512-pixel model.
Door Captain
2026-10-02
Modellen
FLUX.2 Dev: prompten met het nieuwste model van Black Forest Labs
FLUX.2 Dev brengt langere prompts, betere tekst, sterkere realisme en multi-reference bewerking. Deze gids behandelt de turbo workflow, guidance en resolutie-instellingen, promptstructuur en ideeën die gebruikmaken van de nieuwe mogelijkheden.
Door Captain
2026-10-03
Modellen
Qwen-Image: lange prompts, perfecte tekst en tweetalige posters
Qwen-Image is het model dat je moet gebruiken als de woorden in de afbeelding belangrijk zijn. Leer hoe je lange, beschrijvende prompts schrijft, Engelse en Chinese tekst nauwkeurig weergeeft, CFG en stappen instelt, en creatieve ideeën met veel lay-out onderzoekt.
Door Captain
2026-09-29
Modellen
SDXL-Lightning: vierstaps generatie op elk SDXL-checkpoint
ByteDance's SDXL-Lightning LoRA verandert een 30-stappen SDXL-render in een van 4 stappen. Leer het aantal stappen, de CFG die je moet gebruiken, de sampler, en hoe je het combineert met je favoriete checkpoints en stijl-LoRA's.
Door Captain
2026-09-30