Générer images et vidéos en local : ce que permet vraiment votre carte graphique

Générer des images, puis des vidéos, avec une intelligence artificielle sans envoyer une seule requête à un serveur étranger : c’est possible avec un PC de bureau récent et un logiciel gratuit comme ComfyUI. Mais la mémoire vidéo (VRAM) fait la différence entre une image en 30 secondes et un message d’erreur. Voici les ordres de grandeur pour l’image et la vidéo, les modèles utilisables, et les pièges de l’installation sous Windows.

Pourquoi générer en local ?

Générer en local, c’est exécuter le modèle sur son propre ordinateur plutôt que passer par un site. Vos images, vos instructions (les « prompts ») et vos fichiers restent chez vous. Vous n’avez ni abonnement, ni quota de générations, ni filtre imposé par une plateforme : c’est vous qui choisissez le modèle, ses réglages et ses extensions. En contrepartie, tout dépend de votre matériel.

Si vous découvrez le sujet, notre tutoriel Installer Stable Diffusion sur Windows pose les bases, et notre guide sur l’IA de texte en local avec 12 ou 16 Go de VRAM explique la logique de la mémoire vidéo, qui s’applique ici aussi.

ComfyUI, l’interface qui s’est imposée

ComfyUI est un logiciel gratuit qui se pilote par « nœuds » reliés entre eux, un peu comme un schéma électrique : un nœud charge le modèle, un autre lit votre texte, un autre décode l’image. C’est plus austère qu’une interface à boutons, mais c’est aussi ce qui permet de construire des chaînes complexes et de réutiliser les recettes partagées par la communauté.

Selon le guide de QuelLLM.fr (mis à jour le 20 septembre 2026), il existe trois façons de l’installer sous Windows : l’installateur ComfyUI Desktop depuis comfy.org, le plus simple pour un débutant ; la version portable, à décompresser puis à lancer avec le fichier run_nvidia_gpu.bat ; ou l’installation manuelle avec Git, Python et PyTorch, réservée aux plus à l’aise. Le même guide recommande une carte NVIDIA pour une mise en route sans accroc : les cartes AMD fonctionnent bien sous Linux, mais demandent une configuration supplémentaire sous Windows.

Combien de VRAM pour quelle génération ?

La VRAM dépend de la famille de modèle et de sa précision (le « FP8 » compresse le modèle pour qu’il tienne dans moins de mémoire, avec une légère perte de qualité). D’après QuelLLM.fr et le guide de Hardwarepedia (9 mars 2026, mis à jour le 12 mars), on peut retenir les repères suivants.

Ces chiffres montrent que 8 Go suffisent pour débuter avec des modèles légers, que 12 à 16 Go permettent d’utiliser FLUX en version compressée, et que 24 Go ouvrent la voie à la pleine précision. Hardwarepedia précise même qu’une version quantifiée de FLUX Dev peut démarrer dès 6 à 8 Go, au prix d’un peu de qualité et de temps.

Combien de temps pour une image ?

Hardwarepedia a mesuré la génération d’une image de 1024 par 1024 pixels avec Stable Diffusion 3.5 Large : environ 18 secondes sur une RTX 5090, 34 secondes sur une RTX 4090 et 50 secondes sur une RTX 3090. Ce sont des mesures ponctuelles d’une source unique, qui varient selon les réglages, mais elles donnent un ordre de grandeur : quelques dizaines de secondes par image sur du haut de gamme, davantage sur une carte plus modeste.

La vidéo : un cran au-dessus

Générer de la vidéo est nettement plus gourmand. Wan 2.2, publié en juillet 2025 sous licence Apache 2.0 (une licence permissive) par l’équipe d’Alibaba, existe en plusieurs tailles. D’après Thunder Compute, la version « 5B » (5 milliards de paramètres) tourne à partir de 8 Go de VRAM en 480p et 12 Go en 720p, tandis que la version « 14B » demande environ 25 Go en 480p et plus de 40 Go en 720p.

Modèle vidéo	Résolution	VRAM minimale indiquée
Wan 2.2 « 5B »	480p	8 Go
Wan 2.2 « 5B »	720p	12 Go
Wan 2.2 « 14B »	480p	25 Go
Wan 2.2 « 14B »	720p	40 Go et plus

Source : Thunder Compute, « Wan 2.2 ComfyUI » (septembre 2026). Les guides ne s’accordent pas tous : Hardwarepedia indique 24 Go minimum pour Wan 2.2 en général, et QuelLLM.fr 16 à 24 Go et plus pour la vidéo. L’écart vient surtout de la variante et de la compression choisies : vérifiez toujours la version précise que vous téléchargez.

Côté durée, Thunder Compute mesure 3 à 5 minutes pour une vidéo de 81 images en 480p, et 8 à 15 minutes en 720p, sur une carte professionnelle RTX A6000 de 48 Go. Une vidéo de quelques secondes se compte donc en minutes, pas en secondes. Le même site cite la location d’une telle carte dans le cloud autour de 0,35 dollar l’heure, une alternative si votre PC ne suffit pas, au prix de l’envoi de vos données chez un tiers.

Quels modèles, et d’où viennent-ils ?

Le paysage est international. Sur l’image, on trouve Stable Diffusion 3.5 Large (8 milliards de paramètres, sous licence communautaire de Stability AI, qui autorise l’usage commercial avec quelques restrictions selon Hardwarepedia), SDXL et FLUX, ce dernier venant de la société allemande Black Forest Labs. Sur la vidéo, Hardwarepedia cite Wan 2.2, HunyuanVideo 1.5 (8,3 milliards de paramètres) et LTX-2 (19 milliards). Wan est développé par le groupe chinois Alibaba et HunyuanVideo par Tencent, autre géant chinois : la génération vidéo ouverte est, elle aussi, très marquée par la Chine, comme nous l’avions vu pour les modèles de texte ouverts.

Mise à jour de novembre 2026 : ce que disent les comparatifs récents

Les comparatifs publiés ces derniers mois confirment l’essentiel du tableau décrit plus haut. Pour la vidéo en local, Wan 2.2 (Alibaba, licence Apache 2.0) reste présenté comme le choix par défaut le plus sûr : la variante TI2V-5B tourne dès 8 Go de VRAM sous ComfyUI, en 720p à 24 images par seconde, et la variante A14B, plus fidèle sur les mouvements complexes, descend autour de 12 Go une fois quantifiée au format GGUF. Les pipelines officiels de l’A14B, eux, réclament jusqu’à 80 Go sur un seul GPU, ce qui explique les écarts entre les guides que nous signalions.

Deux autres pistes ressortent. FramePack permet de produire plusieurs minutes de vidéo avec environ 6 Go, mais surtout à partir d’une image et avec une génération lente. À l’inverse, la famille LTX-2 (les versions 2.3 et 2.5 sont citées selon les sources) est la seule à générer image et son en une seule passe, au prix d’une carte autour de 32 Go une fois quantifiée. Wan, de son côté, ne produit pas d’audio et ses clips natifs durent environ cinq secondes.

Côté image, le piège est la montée en gamme : un modèle de la génération FLUX.2 a été signalé comme nécessitant au moins 96 Go de VRAM dans sa configuration d’origine, soit une carte de station de travail. Pour une carte grand public de 12 à 16 Go, mieux vaut viser les modèles allégés ou quantifiés, et vérifier la fiche de chaque modèle avant de télécharger plusieurs dizaines de Go. Ces chiffres viennent de comparatifs de blogs spécialisés, à recouper avec les pages officielles des modèles.

Les pièges de l’installation

Prévoyez de la place : d’après QuelLLM.fr, chaque modèle pèse de 2 à 25 Go, et l’on en accumule vite plusieurs. Les fichiers se rangent dans des dossiers précis (par exemple models/checkpoints, models/diffusion_models, models/text_encoders, models/vae, models/loras) : un fichier au mauvais endroit et le nœud ne le voit pas.

Le même guide liste les problèmes fréquents : une erreur de mémoire se traite en réduisant la résolution ou en prenant une version quantifiée, avec l’option --lowvram ; une image noire ou bruitée signale souvent une incompatibilité entre le décodeur d’image (VAE) et l’encodeur de texte ; une génération qui ne se termine jamais indique en général que la carte n’a pas été détectée ; et des nœuds rouges signifient qu’il manque des extensions, à installer via ComfyUI-Manager.

Un mot sur les droits et la responsabilité

Générer en local ne dispense pas de réfléchir aux droits. Chaque modèle a sa licence : certaines autorisent un usage commercial, d’autres le limitent. Les images produites ne doivent ni imiter une personne réelle à son insu, ni reproduire un personnage ou une œuvre protégés. Pour nos articles, nous réservons l’IA générative aux illustrations conceptuelles et privilégions des photographies libres de droits pour les personnes et les produits réels.

Conclusion : l’image d’abord, la vidéo ensuite

Avec 8 Go on débute, avec 12 à 16 Go on utilise FLUX compressé, et avec 24 Go on travaille sans compromis sur l’image ; la vidéo demande le plus souvent 12 Go pour de petits formats et bien davantage pour la qualité. Prochaine étape : comparer, sur une même consigne, un modèle allemand, un modèle chinois et un modèle américain, pour juger sur pièces plutôt que sur les classements.

Sources

• QuelLLM.fr, « ComfyUI : installation et premiers pas en local (2026) » (mis à jour le 20 septembre 2026).
• Hardwarepedia, « Local AI Image and Video Generation in 2026 » (9 mars 2026, mis à jour le 12 mars 2026).
• Thunder Compute, « Wan 2.2 ComfyUI: How to Generate AI Videos » (septembre 2026).
• Photos et illustration : Wikimedia Commons (Benlisquare, CC BY-SA 4.0 ; David J, domaine public).
• Thunder Compute, « Best Open-Source AI Video Generation Models (2026) ».
• builderai.tools, « The Best Open-Source Video Generation Stack in 2026 ».
• LTX, « Best Open Source AI Video Generation Models In 2026 ».
• ValyrianTech, ComfyUI with Flux (note de mise à jour sur FLUX.2), GitHub.

Les besoins en mémoire et les temps de génération proviennent de guides tiers et varient selon les versions, la compression et les réglages ; les guides ne concordent pas toujours entre eux.