本地 8G 显卡实测：Wan2.2 与 MiniMax-H3 的 I2V / T2V 能力边界对比
作者：本地 AI 视频流水线实测（RTX4060 8G 真机跑通）
适用读者：想在消费级显卡 上落地的 AI 视频玩家、短剧/动态漫创作者、想搞清楚"8G 到底能干什么"的工程师
数据来源：本机 ComfyUI + 多引擎管线 2026 全年实测台账（非厂商宣传，含踩坑）
0. 一句话结论
| 你想干的事 | 首选引擎 | 一句话理由 |
|---|---|---|
| 给一张图，出带原生同步音的视频（I2V+音） | MiniMax-H3（8G 版） | 一次出画面 + 同步立体声，省掉后期配乐 |
| 纯文字驱动生成视频（T2V） | Wan2.2-TI2V-5B 或 H3 T2V | 5B 轻量、抽卡快；H3 T2V 也已实测可用 |
| 动态漫 / 口播对白镜（立绘+字幕） | Wan2.2-TI2V-5B | 轻、稳、适合批量短镜 |
| 跨镜角色一致性 | H3 的 Ref2VA（双参考图） | 本机无角色 LoRA，这是唯一能打的武器 |
| >15 秒长镜头 | FramePack（补充路径） | H3/Wan 单镜都难扛长时 |
核心差异一句话 ：H3 的杀手锏是**"画面+原生同步音频一次出"和 参考图一致性**；Wan2.2 的优势是轻量、T2V/I2V 双用、适合动态漫批量抽卡 ，但出片静音、须后期配乐 。
1. 测试环境（硬约束，决定一切边界）
显卡：RTX4060 8G（Ada，支持 fp8） 主卡 cuda:0
+ Quadro RTX3000 12G（Turing，无 bf16/fp8）副卡 cuda:1
内存：约 31.8 GB
系统：Windows + ComfyUI（W4A8 量化底座）
端口：H3 跑 8350，Wan 旧管线跑 8300⚠️ 所有边界都建立在这块 8G 卡上。换 24G 云卡，下面很多"死穴"会直接消失。本文只讲 8G 的真实体感。
2. 模型总览对比表
| 维度 | MiniMax-H3（H3-Lite-Set-A，W4A8 量化） | Wan2.2-TI2V-5B（Turbo LoRA rank64 fp16） |
|---|---|---|
| 来源 | MiniMax 官方，W4A8 量化塞进 8G | 阿里通义 Wan2.2 开源，5B TI2V 版 |
| 体量 | 扩散权重 ~11.9GB（量化后） | 5B，轻量 |
| I2V（图生视频） | ✅ 主力，30+ 镜实测 | ✅ 支持（TI2V = 文/图双条件） |
| T2V（文生视频） | ⚠️ 已实测可用，但默认工作流未封装（删首帧节点即可） | ✅ 原生支持，轻量抽卡快 |
| Ref2VA（参考图生视频） | ✅ 跨镜一致性关键武器（需另下权重） | ❌ 无 |
| 原生音频 | ✅ 一次出画面 + AAC 32k 同步立体声 | ❌ 静音，须后期配乐 |
| 单镜耗时（5s 级） | 12--17 min（视分辨率/帧数） | 快，动态漫批量友好 |
| 跨镜一致性 | Ref2VA 双参考图 > I2V 单首帧 | 无原生方案，靠动态漫兜底 |
| 长镜头（>15s） | ❌ 不擅长 | ❌ 不擅长 |
| 本机状态 | ✅ 当前主引擎（替代了已删除的 Wan 14B） | ✅ 存量管线（动态漫/短镜） |
注：本机曾用 Wan 14B 作正片主力 （20 步原生 + cfg6.0 优于 4 步 LoRA，49 帧硬上限、唯一 832×480、约 24min/镜），后因 H3 的"I2V+原生音"综合能力更强而从磁盘删除、不可复跑。所以当前 Wan 线只剩 5B 这一支。
3. I2V / T2V 能力详解
3.1 MiniMax-H3：I2V 是主场，T2V 也能打，音频是王炸
H3 官方有五条路线：T2VA / I2VA / FL2VA / L2VA / Ref2VA。本机实测落地的有三条：
- I2VA（图生视频） ------ ✅ 主力入口（
h3_i2v.py --image）。给一张首帧图 + 提示词，出片。 - T2VA（文生视频） ------ ⚠️ 已实测验证：608×352×124 帧 / 4 步 = 8.5 分钟 ，原生 AAC 32k 立体声，画质与同参 I2V 几乎无差 。只是本机默认工作流没把它封装进 CLI，想用就拿 I2V 工作流删掉 LoadImage 节点和 first_frame 连线即可。
- Ref2VA（参考图生视频） ------ ✅ 跨镜一致性关键武器（
h3_i2v.py --mode r2v --refs a.png b.png）。最多 9 张参考图 / 3 段参考视频。但必须另下 Ref2VA 权重（FL2VA 权重不含这条路径，用错会 400/崩）。
H3 最被低估的能力 = 原生同步音频 。一次出片同时给你：视频流 + 32kHz 立体声原生音效。这意味着你不用再单独做"音画对位"，BGM/音效天然对齐。这是它相对 Wan 系列最大的代差优势。
3.2 Wan2.2-TI2V-5B：轻量双用，动态漫利器
- TI2V = Text + Image to Video ，原生同时吃文字和图，所以 T2V 和 I2V 它都行，而且是"出厂就支持"，不像 H3 的 T2V 还得手动改工作流。
- 5B 体量小，在 8G 上抽卡快、稳 ，特别适合动态漫（立绘满帧 + zoompan + 字幕 + 旁白）这种批量短镜。
- 致命短板：出片静音。它只给画面，音频要后补------BGM 靠 ACE-Step 本地生成，旁白靠 edge-tts，再用 ffmpeg 做音画同步混流。链路比 H3 长一截。
4. 关键边界（8G 真机踩出来的"做不到"）
4.1 显存墙（最硬的一条）
H3 的显存公式：token = (W/32 × H/32) × 帧数，8G 卡的墙 = 88704，超了就 swap 卡死或 OOM。
| 配置 | token | 结果 |
|---|---|---|
| 480×832×124（竖屏 5s） | 48,360 | ✅ 可用，约 13 min |
| 608×352×73（横屏 5s） | --- | ✅ 可用，约 12:48 |
| 768×448×73 | --- | ✅ 可用，约 15:04 |
| 1344×768×73 | 88,704 | ⚠️ 临界 96%，别再加码 |
| 480×832×243 | 94,770 | ❌ 超墙 swap，卡死 96 min |
| 1920×1088×73（原生 1080p） | 179,520 | ❌ 必 OOM，判死 |
💡 1080p 怎么来的？ 走"低分辨率渲染 + 超分"：要么 1344×768×73 渲染后 lanczos 放大裁切，要么 768×448 渲染后 ×2.5 超分。原生 1080p 在 8G 上直接死。
💡 成本规律 ：看单帧空间 token，不看总 token。768→1344 单帧 token 涨约 3×，显存打满后 swap 急剧恶化；608→768 只涨约 1.1×。
4.2 帧数与时长
- H3 的
length必须落 17k+5 栅格 ：可用值5 / 22 / 39 / 56 / 73 / 124 / 243 / 362。传 57 直接拒。 - 低于训练区间（~124 帧）画质不稳：实测 73 帧出"幻觉多余物件"。正式片建议 ≥124，长片用 243。
- 单镜 >15s 长镜头 ：H3 / Wan 都不擅长，本机唯一可行路径是 FramePack（约 3min/镜）。
4.3 分辨率
- 必须 32 的倍数，且不显式传分辨率会掉到节点默认 1344×768 → 必 OOM。
- 推荐：横屏
608×352，竖屏480×832，冒烟测试640×352。
4.4 一致性 & 人物
- H3 固有推近 ：人物正面朝镜头时，主体持续被推向镜头，约 2.4--2.6s 后下半身出框；写"LOCKED OFF / 锁定机位"压不住（实测两次无效）。对策：剪辑截取可用段，或首帧改侧身/背身。
- H3 首帧 plain stretch：首帧按 width/height 直接拉伸（不裁）。异比例首图必须先自己裁到目标宽高比，否则变形。
- 跨镜角色一致性 ：本机无法训练角色 LoRA （GGUF 不可训 / 无 bf16 全量 / 训练 53GB > 磁盘余量）。短期兜底：
- H3 用 Ref2VA 双参考图（优于 I2V 单首帧）；
- Wan 线用 静态图 + Ken Burns + 旁白的动态漫方案。
4.5 音频维度对比（这是分水岭）
| H3 | Wan2.2-5B | |
|---|---|---|
| 出片是否带声音 | ✅ 原生 AAC 32k 立体声，一次到位 | ❌ 静音 |
| 后期配乐 | 可选（已自带音效） | 必做：ACE-Step BGM + edge-tts 旁白 + ffmpeg 音画同步 |
| 音画同步风险 | 低（原生对齐） | 中（全靠后期对齐，易错位） |
5. 实测耗时 / 显存基准（H3，4-step turbo LoRA，RTX4060 8G）
| 配置 | 显存占用 | 实测耗时 | 结果 |
|---|---|---|---|
| 448×768×243（竖屏 10s） | 墙内 | ~35 min | ✅ |
| 480×832×124（竖屏 5s） | 墙内 | 13 min | ✅ |
| 608×352×73（横屏 5s） | --- | 12:48（98.6s/步） | ✅ |
| 608×352×243（横屏 10s） | --- | 17:18（134s/步） | ✅ |
| 768×448×73 | --- | 15:04 | ✅ |
| 1344×768×73 | 7,869/8,188 MiB（96%） | 25:27 | ⚠️ 临界 |
| 480×832×243 | 超墙 swap | 卡死 96 min | ❌ |
| T2V 608×352×124 / 4步 | --- | 8.5 min | ✅ 已验证 |
对照：FramePack 长镜外推约 3min/镜；ACE-Step BGM 生成 10s 音频约 10s（全 CPU int8，极快）。
6. 选型决策树（照着抄）
你要出视频
├─ 有首帧图 + 想要声音 → H3 I2VA（一次出画+音）
├─ 有首帧图 + 多镜要同一角色 → H3 Ref2VA（双参考图）
├─ 纯文字驱动 → Wan2.2-5B（轻快） 或 H3 T2V（删首帧节点，8.5min/5s）
├─ 动态漫 / 口播对白（立绘+字幕） → Wan2.2-5B（批量抽卡友好）
├─ 竖屏短视频想省后期 → H3（原生音效直接能用）
├─ 单镜 >15s 长镜 → FramePack（H3/Wan 都让位）
└─ 想要 1080p 原生 → 放弃 8G，上 24G 云卡7. 新手高频坑速查
| 现象 | 根因 | 解决 |
|---|---|---|
H3 提交 Value not in list |
extra_model_paths.yaml 只写 base_path 无效 |
逐项映射 diffusion_models/vae/loras 等 5 类 |
| 新 LoRA 不生效 | ComfyUI 未重扫 | 下完 LoRA 重启 ComfyUI |
length 必须落栅格 |
传了非 17k+5 值 | 用 5/22/39/56/73/124/243/362 |
| 73 帧出现多余物件 | 低于训练区间画质不稳 | length ≥ 124，正式片用 243 |
| 不传分辨率就 OOM | 节点默认 1344×768 | 横屏传 608×352、竖屏 480×832 |
| 人物正面被推近出框 | H3 固有推近，提示词压不住 | 剪辑截取 / 首帧改侧身背身 |
| 同会话第二镜假性 OOM | 上次 OOM 污染会话 | 重启 ComfyUI 再测 |
| 完全相同的输入 0.37s 返回 | 缓存陷阱 | 批量渲染必须让输入有差异 |
| Wan 同会话第 2 次 prompt 崩 | WanVideoWrapper 单会话单次 | Wan 管线每会话只发 1 次 |
| Ref2VA 报 400/崩 | 用错 FL2VA 权重 | 必须另下 Ref2VA 权重（同加载器） |
| ACE-Step 落 GPU 即 OOM | DiT 3.5B bf16 单模型 7GB | 全卸 CPU + int8：offload_to_cpu=True, offload_dit_to_cpu=True, quantization=int8_weight_only |
8. 给 CSDN 读者的三点干货提醒
- 8G 不是不能玩 AI 视频，是要"绕"：所有高清/长镜都靠"低分辨率渲染 + 超分"和"拆短镜拼接"绕开显存墙。原生 1080p 单镜在 8G 上直接死。
- 选 H3 还是 Wan，本质是"要省后期还是要轻量"：H3 用原生音频换后期省心；Wan 用轻量双用换灵活抽卡，但音频全靠补。
- 一致性是消费级显卡的集体软肋：角色 LoRA 训不动，跨镜一致性短期只能靠参考图（H3 Ref2VA）或动态漫（静态图+运镜+旁白）兜底。别指望 8G 出"连续剧级"人物一致性。
本文所有数据来自本机 RTX4060 8G 真机跑通台账，含成功与翻车记录。环境/模型版本迭代后数值可能漂移，请以你自己的踩坑为准。