# 06 · 选型与部署建议

## 一、先看这台服务器能干什么

当前环境（实测）：

| 项目 | 规格 | 对 AI 视频意味着什么 |
|---|---|---|
| CPU | Intel Xeon E5-2696 v4 @2.2GHz × 8 线程 | 只能跑 TTS（慢）和 FFmpeg 转码 |
| 内存 | 7.8 GB（无 Swap） | 连 1.3B 的扩散模型都装不下 |
| 磁盘 | 29 GB，已用 2.8 GB，剩 27 GB | 放不下任何一个 14B 模型的权重（单个 fp16 约 28 GB） |
| 显卡 | 无（Cirrus Logic 虚拟 VGA） | **无法做任何扩散推理** |
| 系统 | Ubuntu 22.04 / nginx 1.30.6 / MySQL / PHP 8.3 | 适合托管页面、文档、接口中转 |

**结论**：这台机器跑不动视频生成。它的正确角色是——
1. **托管这个分享页和文档**（现在就在做）；
2. **当调度入口**：跑 ComfyUI 的 API 客户端、任务队列、Webhook，把实际推理打到 GPU 机器上；
3. **当素材中转**：FFmpeg 转码、字幕烧录、文件分发（这些 CPU 活它够用）。

要真的出片，必须有一张 GPU。三条路：

---

## 二、三条 GPU 路线

### 路线 A：本地/自购显卡（长期最省）

| 显卡 | 显存 | 能跑什么 | 参考成本 |
|---|---|---|---|
| RTX 4060 Ti 16G | 16 GB | Wan2.1-1.3B、LTX-2B、CogVideoX-2B、LatentSync、CosyVoice | 低 |
| RTX 4090 24G | 24 GB | **Wan2.2-TI2V-5B 原生、Wan2.2-A14B/LTX-13B/HunyuanVideo-1.5 量化、InfiniteTalk** | 中 |
| RTX 5090 32G | 32 GB | 上面全部 + 14B fp8 更宽裕 | 高 |
| A100/H100 80G | 80 GB | HunyuanVideo-13B 原生、MAGI-1 量化 | 很高 |

**24 GB 是分水岭**：跨过去，Wan2.2-A14B、LTX-13B、InfiniteTalk 全部可用；卡在 16 GB，只能玩轻量档。

### 路线 B：租云 GPU（试水首选）

按小时计费的国内平台（AutoDL、揽睿星舟、共绩算力等），4090 大约几元/小时。适合：
- 验证某个模型到底适不适合自己；
- 批量跑一次性任务（一周出 200 条视频，跑完就退）。

**注意**：租用机器的磁盘是临时的，模型权重要挂载数据盘或用 `huggingface-cli download` + 缓存目录持久化，否则每次重下几十 GB。

### 路线 C：混合——本地轻量 + 云端重量

```
本地 4090（或 4060Ti） → 草稿、预览、LatentSync、TTS
云端按需             → Wan2.2-A14B / HunyuanVideo 终稿渲染
```
成本可控，产出节奏最顺。大多数个人创作者最终会落到这套。

---

## 三、按目标选型（直接抄）

### 想做「AI 短剧 / 漫剧」
```
Toonflow（剧本分镜资产）→ Wan2.2-I2V-5B（出片）→ CosyVoice（配音）
→ LatentSync（有开口镜头才用）→ FunClip/SmartSub（字幕）
```
协议全部可商用（Toonflow MIT、Wan Apache-2.0、CosyVoice Apache-2.0、LatentSync Apache-2.0）。

### 想做「口播数字人」
```
CosyVoice 克隆音色 → InfiniteTalk（单图或原视频驱动，无限时长）→ Real-ESRGAN 放大
```
1 分钟成片在 4090 上约 10–15 分钟。

### 想做「批量营销短视频」
```
MoneyPrinterTurbo（素材拼贴版，成本近零）或 short-video-factory（AGPL，内部用）
→ 关键镜头接 Wan2.2-I2V 提升差异度
```

### 想做「影视级素材 / 广告分镜」
```
Wan2.2-A14B 或 HunyuanVideo-1.5（原生）→ VACE 局部修 → STAR/Real-ESRGAN → 插帧
```
需要 24 GB 以上，单镜头按 10–20 分钟预算。

### 想做「二次创作 / 换脸 / 风格化」
```
facefusion（换脸，非商用授权）→ VACE（风格化）→ CodeFormer（修脸）
```

---

## 四、部署清单（ComfyUI 为主线）

**环境**
```bash
# Python 3.10/3.11，CUDA 12.x
git clone https://github.com/comfyanonymous/ComfyUI
cd ComfyUI && python -m venv venv && source venv/bin/activate
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
pip install -r requirements.txt
```

**显存吃紧时的启动参数（按顺序试）**
```bash
python main.py --lowvram          # 8-12G
python main.py --novram           # 6-8G，最慢
python main.py --use-sage-attention  # 提速，省显存
python main.py --fp8_e4m3fn-unet     # 14B 模型的必需品
```

**必装的几个自定义节点**
- `ComfyUI-Manager`（装节点）
- `ComfyUI-VideoHelperSuite`（视频读写、批处理）
- `kijai/ComfyUI-WanVideoWrapper`（Wan 系高级功能、长视频拼接）
- `ComfyUI-WanVideoWrapper` + `ComfyUI-Frame-Interpolation`（补帧）

**目录规划（重要）**
```
/models/unet        ← 14B 权重，单文件 20-28 GB，务必放数据盘
/models/clip        ← 文本编码器（umt5-xxl 约 11 GB）
/models/vae
/output             ← 成片，定期清理
```

**长期运行的工程要点**
1. 用 `systemd` 或 `supervisor` 托管，崩了自动拉起。
2. 开 API 模式后，前面加一层队列（Redis + 简单 worker），别让前端直接打 ComfyUI。
3. 每跑完一批强制 `torch.cuda.empty_cache()`，显存碎片会让第三批直接 OOM。
4. 出片统一落到对象存储/独立目录，别和临时文件混。
5. 监控显存温度与功耗上限（`nvidia-smi -pl`），长时间满载会降频。

---

## 五、成本与产出参考

| 档位 | 硬件 | 一条 30 秒成片耗时 | 适合 |
|---|---|---|---|
| 轻量 | 4060Ti 16G / 云 4090 短租 | 5–10 分钟 | 口播、图文转视频 |
| 标准 | 4090 24G | 15–30 分钟（含放大、配音、字幕） | 短剧单集、广告分镜 |
| 重型 | A100 80G / 多卡 | 单镜头 10–20 分钟 | 影视级长镜头 |

**成本控制三条**
1. 草稿全用 5B/2B 档出，确定构图后再上 14B 重渲同种子。
2. 配音、字幕、剪辑这些 CPU 活全放这台 VPS 上，不占 GPU 时间。
3. 云 GPU 按分钟计费，脚本化提交（ComfyUI API）避免人肉等待浪费机时。

---

## 六、协议红线（商用前必查）

| 协议 | 代表项目 | 能不能商用 |
|---|---|---|
| Apache-2.0 | Wan2.2、LTX-Video、Mochi、InfiniteTalk、LatentSync、CosyVoice、VACE | ✅ 可以，保留声明即可 |
| MIT | Toonflow、ViMax、FunClip、SmartSub、MoneyPrinterTurbo | ✅ 可以 |
| BSD-3 | Real-ESRGAN | ✅ 可以 |
| GPL-3.0 / AGPL-3.0 | ComfyUI、Pallaidium / short-video-factory | ⚠️ 自用可以；分发或做 SaaS 要开源 |
| 自定义许可 | HunyuanVideo、SkyReels、facefusion、Duix-Avatar、LivePortrait | ❌ 默认非商用，逐条读或买授权 |
| 无 LICENSE | Wav2Lip | ❌ 法律上保留所有权利 |
| CC-BY-NC | fish-speech 权重、IndexTTS | ❌ 非商用 |

**另外两条跟代码无关的线**：真人肖像（换脸、数字人克隆）需要本人书面授权；训练数据来源会有平台侧风险。这两条是法律问题，代码协议管不到。