8G 显存也能跑本地 AI 视频生成？T1000 实测 Wan 2.2 全记录

8G 显存也能跑本地 AI 视频生成？T1000 实测 Wan 2.2 全记录

先说结论：能跑，能出片，但别期待在线平台那种"点一下等两分钟"的体验。这张被不少人嫌弃的 T1000 8G，配合 64G 内存，把 Wan 2.2 TI2V-5B 这个 5B 参数的文生视频/图生视频模型老老实实地跑起来了。这篇文章是我从零开始的部署实录，不吹不黑，把踩过的坑和真实耗时都摊开讲。

为什么放着在线平台不用，非要本地跑？

不是在线平台不好，是本地跑的优势确实实在：

1. 成本可控：在线 AI 视频平台大多按生成次数收费，一个 5 秒 720P 的视频动辄几块钱到十几块钱，试错几次钱包就空了。本地部署一次投入，之后无限生成，适合我这种做短视频内容、需要反复试镜头的人。

2. 排队焦虑消失：晚高峰时段在线平台排队 20-40 分钟是常事，本地模型随时可用，深夜赶稿也不求人。

3. 数据不出机：做视频素材经常涉及未发布的文案和画面，放本地跑至少不用担心内容留痕问题。

4. 画质参数可控：在线平台封装好了参数，本地部署可以自由调整采样步数、CFG、分辨率策略，甚至换不同的量化版本对比效果。

当然，代价也很明显：需要一定的动手能力，硬件门槛摆在那，生成速度远不如云端集群。

我的硬件配置（仅供参考）

• CPU：双路 Hygon C86 3350（国产 x86，共 16 核 32 线程）

• 内存：64GB

• 显卡：NVIDIA T1000 8GB（CUDA Compute 7.5）

• 系统：Windows 10

这套配置其实很"奇葩"——CPU 和内存都不错，唯独显卡是个亮机卡级别的专业卡。T1000 是 NVIDIA 面向入门级工作站的产品，8G 显存、没有 RTX 光追单元，跑游戏不行，但恰恰是"显存 8G"这个特性让它能勉强塞下 5B 参数级别的视频生成模型。

部署踩坑记录

坑一：模型权重下载才是最大障碍

Wan 2.2 TI2V-5B 的权重文件总共十几个 GB。我这边 huggingface.co 主站直接超时，GitHub 直连也不稳定。解决办法：用 hf-mirror.com 镜像站下载，速度稳定，校验 SHA256 没问题。这一步卡了我大半天，建议直接走镜像。

坑二：360 安全软件会隔离大体积推理 DLL

这是最隐蔽的坑。运行到一半报错，排查半天发现是 360 把 PyTorch 的大型推理 DLL 当作风险文件隔离/锁定了。解决办法：把工作目录和 Python 环境目录加入 360 白名单，重新解压或重装依赖。如果你也装了 360，这一步一定提前做，不然会浪费大量时间在莫名其妙的报错上。

坑三：显存不够，靠内存硬凑

8G 显存跑 5B 模型很勉强，纯加载权重就占了 4-5G，生成时显存直接爆掉。解决办法是开启显存交换/分块策略，让模型权重按需换入换出，代价是速度变慢。实测下来，只要内存够大（建议 32G 以上），这条路线完全可行。

实测效果与真实耗时

项目 实测结果 文生视频（5 秒 480P） 约 8-12 分钟/条 图生视频（首帧驱动，5 秒 480P） 约 6-10 分钟/条 分辨率上限 720P 勉强，480P 最稳 长视频 分段生成后拼接，一次生成不建议超 5 秒

生成质量上，Wan 2.2 的 5B 模型对文字提示词的理解比我预期好不少，尤其是人物动作和镜头运动。图生视频模式最适合做"首帧+提示词"的短视频，我目前做抖音竖屏推文视频就是走这条路线，先用 AI 出封面图，再喂给模型生成动态视频，效率比全提示词生成高很多。

给想入坑的人的建议

1. 显存 8G 是起步线：低于 8G 建议直接放弃，或者等更小的蒸馏模型；12G 以上体验会好很多。

2. 内存要大：64G 不是必须，但 32G 起步才稳，显存不够全靠内存兜底。

3. 先跑通再优化：第一次不要追求画质，先跑通流程，再慢慢调参数和换量化版本。

4. 在线和本地不是二选一：我的用法是——快速试想法用在线平台，批量出素材用本地模型，两者互补。

最后提醒一句：本地跑 AI 视频生成本质是"用时间换金钱和自由度"，动手能力一般、又怕折腾的，老老实实用在线平台更省心。但如果你享受折腾、又需要高频产出素材，这套方案值得一试。

（本文为个人真实部署体验分享，无任何商业合作，文中提到的工具与模型均为公开项目。）

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～