ローカル動画生成のハード要件ガイド｜VRAM・システムRAM・GPUの見方

1本の記事では比べられないもの——VRAMピークの読み方、システムRAMの増え方、機材を変えたときの差——をここに置いています。モデルごとの手順や条件を変えた測定は個別の記事にあります。画像生成は要件の決まり方が違うため ローカル画像生成のハード要件ガイド に分けました。

16GBで動画モデルを回すと、設定を軽くしてもVRAMピークが天井近くに張り付く

MiniMax H3を、VRAM 16GBの2枚で条件を変えながら測りました（ComfyUI 0.37.1・CUDA 13.0。参照つき生成用の拡散モデル ref2va を使った条件だけはComfyUI 0.43.0）。変えたのは解像度（608×352・864×480・1344×768）、フレーム数（56・124・192）、ステップ数（4・8・20）、量子化（FP8・INT8）、LoRAの有無、1本ごとにプロセスを立て直すかどうか、拡散モデルの種類です。

ピクセル数で約4.8倍違う608×352と1344×768（どちらも56フレーム）でも、ピークは5060 Tiでどちらも14.6GiB、5080で14.9GiBでした。設定の重さが変わってもピークがほとんど動かないのは、ComfyUIが空きVRAMがあればモデルを追加でVRAMへ載せ、必要に応じて一部をCPU側へオフロードする作りだから、と考えると説明が付きます。重い設定では生成の作業領域が増えるぶん載せる重みが減り、軽い設定では空いたぶんだけ重みを多く載せる、という形です。ただし各条件で何GiBの重みが載っていたかは測っていません。

つまり「ピークが15GiBだったから16GB必要」とは読めません。実際、VRAM 12GBのRTX 4070 SUPERでも、同じComfyUI 0.37.1でMiniMax H3（864×480、136〜264フレーム、4ステップと8ステップ、FP8）を5条件測り、どれも最後まで回りました。ピークはどの条件も10.7GiB（容量の約89%）で、16GBの2枚より4GiBほど低いところで止まっています。12GBのRTX 4070 SUPERでも、容量の9割近くまで使って回る形は同じでした。ただしMiniMax H3を12GBで測ったのは864×480のFP8だけで、1344×768などの重い解像度やINT8、LoRAありの条件は測っていません。MiniMax H3を8ステップに縮めたFastH3 Omni（ComfyUI 0.43.0・INT8）は、4070 SUPERでも1376×768の124フレームと243フレームが最後まで回り、ピークは10.7GiBと11.5GiBでした（H3と違い、12GBではフレーム数を延ばすとピークが0.9GiBほど上がっています）。表のH3には入れていない別のモデルで、16GBのRTX 5080では15条件のピークが15.0〜15.4GiB（上端は362フレームの条件）でした。16GBの2枚ではH3を最長192フレームまでしか測っていないので、H3より上まで使うのがモデルの差なのか長さの差なのかは分けられていません。動画モデル4つをVRAM 12GBのRTX 4070 SUPERでも動かした結果は 動画生成AI用PCのおすすめスペック にまとめました。同じGPUで使えるVRAMだけを絞った実測は ComfyUIで使えるVRAMを絞ると画像・動画生成は遅くなるか にあります。

実測データベースの主表に載せている動画の測定全体でも同じ傾向で、16GB機のピークは中央値93%・幅14.5〜15.7GiB（測定106件）に収まります。いっぽう画像生成は同じ16GB機でも中央値78%・幅4.8〜15.1GiBと散らばります（この幅の一部は測定計画によるものです——画像側にはVRAMを下げる目的で精度フラグを変えた条件が入っていて、下限の4.8GiBはSDXLのテキストエンコーダをfp8にした条件の値）。動画側のようにどの条件でも容量の9割前後へ張り付くわけではなく、モデルによって分かれます。重いモデルは画像でも動画に近い水準まで行き、Flux.1 devは最大14.8GiB、MiniMax P-H3 Imageは14.6〜15.1GiBでした。分かれ目は「動画だから」ではなく、モデル一式が容量に対してどれだけ大きいかのほうです。あふれた先で何が起きるかは VRAM 12GBの壁はどこにあるか にまとめました。

システムRAMが何で増えるかは、生成とアップスケールで違う

VRAMで見分けがつかない分、機材選びで詰まるのはシステムRAM側です。同じワークフローの中で生成からアップスケールまで通す場合、生成側のメモリ負担に、アップスケール側のフレーム保持が重なることがあります。

生成中のRAMは、フレーム数より固定的な負担のほうが大きかった

LTX 2.5のQ3量子化ビルド（1216×672）をRTX 5080で回したときのRAMピークです。

今回の1216×672の測定では、97フレームと241フレームでRAMピークの差が付かず、7倍以上に延ばした721フレームでも約3GiB高いだけでした。少なくともこの条件では、フレーム数そのものより固定的なメモリ負担のほうが大きく出ています。

LTX 2.5は22Bで、公式のbf16一式（HuggingFaceのファイル一覧で本体42GB＋Gemma 4 12Bのテキストエンコーダ26.3GB、ほかにVAE）は70GB近くあります。ここで回しているのはQ3量子化ビルドで、使ったファイル一式は合計28.06GiB。それでも16GBのVRAMには全構成要素を同時に載せられないので、段ごとの載せ替えや一部ウェイトのCPU側オフロードを使いながら動きます。

97→721フレームで増えたRAMは約3.0GiB、1フレームあたり約4.9MiBでした。47〜51GiB規模のRAMピーク全体に対する増加は小さく、増分の内訳は切り分けていません。尺を延ばして増えるのは主に時間のほうです。所要の実測値と、この挙動の詳細は LTX 2.5を16GB VRAMで回す｜モデル一式28GiBが収まらない状態の所要・RAM・2段構成を実測 で扱っています。

アップスケールのRAMは、出力解像度 × フレーム数にほぼ比例した

生成済みの動画をESRGANで4倍に上げる工程は、逆にフレーム数がそのまま乗ります。1344×768を4x-UltraSharpで上げたときのRAMピークです。

1フレームあたり約0.37GiBで、ほぼ直線に乗ります。これは出力解像度のfloat32 RGBフレーム2枚分を計算した約0.37GiBと数値上ほぼ一致します（1344×768の4倍＝5376×3072なら1枚0.18GiB）。ただし実際のRAM内訳までは切り分けていません。

裏を返せば、搭載RAMから一度に上げられるフレーム数の目安を先に概算できます（OSやComfyUI自身の固定消費があるので、RAM容量÷0.37GiBを上限とはできません）。全フレームを抱えずに固定長のキューで1枚ずつ処理する実装をComfyUIの外で走らせたときは、RAMが1.4GBまで下がりました。容量を積む前にワークフロー側を見直す手もあります（ComfyUIのアップスケールはRAMを67GB食う｜ComfyUI外でESRGANを動かしRAM1.4GB・2倍速にする方法）。ワークフロー別のRAMピークをひと通り並べたものは 画像・動画生成でシステムRAMは何GB要るか にあります。

同じ16GBでも、カードが違うと1.7〜2.7倍変わる

RTX 5080とRTX 5060 Ti（どちらもVRAM 16GB）を同じ条件で比べられた組が31あります（実測データベースの主表に載せている回。MiniMax H3はComfyUI 0.37.1・CUDA 13.0、ref2vaを使ったH3とFastH3 OmniはComfyUI 0.43.0、LTX-2.5はComfyUI 0.34.5で測りました）。5060 Ti側の所要は5080の1.66〜2.67倍、中央値2.01倍でした（ComfyUIの版もモデルも混ざった31組の幅です）。

ComfyUI 0.37.1で測ったMiniMax H3は、解像度（3種）、ステップ数（4・8・20）、量子化（FP8・INT8）、LoRAの有無、1本ごとにプロセスを立て直すかどうかを変えた17条件で、1.78〜2.22倍に収まりました。LTX-2.5の5条件は2.01〜2.67倍で、範囲は重なるものの中央値はH3の1.91倍に対して2.43倍と、高いほうに寄っています。今回のLTX-2.5一式は16GBに収まらない構成なので、後で書く接続帯域の差が上乗せされている可能性と整合しますが、測ったComfyUIの版もH3と違うので、版の差とも切り分けられていません。

ComfyUI 0.43.0で測った2つは、版と拡散モデルが違うので、上の17条件の幅（1.78〜2.22倍）には混ぜず別に示します。ref2vaを使ったH3（124フレーム）の4条件は1.96〜2.43倍、FastH3 Omniの5条件は1.66〜2.23倍でした。ref2vaのH3は1344×768の20ステップで2.43倍とLTX-2.5の中央値と同じところまで開いていて、高い倍率はLTX-2.5だけに出るものではありません。ref2vaのH3の2.43倍に接続の差がどれだけ入っているかも、LTX-2.5と同じく切り分けていません。いっぽうFastH3 Omniは、拡散モデルをNVFP4にした条件が1.66倍といちばん小さく、同じ解像度のINT8（2.06倍）より差が縮みました。0.43.0の2つは各条件2本（1本目はモデルの読み込みを含む）の中央値で、2本目の値を載せている FastH3 OmniをVRAM 16GBで動かす の表とは秒数が少し違います。

また「処理が重いほど開く」とも一律には言えません。H3は解像度だけを上げると2.06→2.22倍と開きましたが、LTX-2.5では重い241フレーム（5080で288.5秒）が2.32倍、軽い121フレーム（同110.5秒）が2.67倍と逆でした（この2行は解像度とフレーム数が同時に違います）。

実際に判断を分けるのは倍率よりも、使うモデル一式が16GBに収まるかどうかです。

なお動画は1本が長いので「2枚で分担して速くならないか」と考えたくなります。ComfyUI本体には1回の生成を2枚へ分割するMultiGPU CFG Splitがあり、公式は最大1.95倍としていますが、同じGPUを2枚かつcfgが1を超えるワークフローが条件です。ここで扱っている蒸留モデルはcfg=1で回すため高速化せず、当サイトは異種構成なので対象外でした（ComfyUI マルチGPU運用ガイド）。v0.34以降のWindowsで既定が変わった件は ComfyUIで使うGPUを指定する にあります。

モデル別の詳細

機材を決める前に見ておくところ

動画生成を前提にPCを組むなら、順番は「使うモデル一式のサイズ → それがVRAMに収まるか → システムRAM → GPU」になります。VRAMピークの数字から必要量は読めませんが、それは容量が関係しないという意味ではありません。一式が収まらない条件では所要が大きく落ちるので、見るべきは「ピークの値」ではなく「収まるかどうか」のほうです。

システムRAMは、今回のLTX 2.5構成ではピーク47〜51GiBに達しました。アップスケールで69.2GiBに達したのはComfyUI内で回した場合の値なので、そこを理由にRAMを積む前に、ComfyUIの外で処理する選択肢を先に検討してください。

関連ガイド