AI動画生成モデル（Sora代替オープンソース等）を動かすのに必要な超絶スペックVPSとは

最初に結論を書きます

これはStable Diffusionとは話が違います。「ちょっと試す」感覚でいくと、最初のコスト感でひっくり返る。

GPU VPSは月数万円かかる。RTX 4090を買うと30万円かかる。どちらを選んでも安くない。それを最初に把握した上で読んでください。

ただ、こうも思っています。30万円の4090を買う前に「自分が本当に使い続けるか」を確認する方法として、GPU VPSを1ヶ月試すのは筋が通っている。 合わなかったらやめればいい。それだけの話だ。

もう一点、先に言っておきます。AI動画生成にGPUが必要なのは事実です。ただ、記事によってはスペック過多なプランを推してくることがある。アフィリエイト報酬が高いプランを勧めているだけの可能性があるので、必要スペックは自分で確認してから判断してください。 この記事では正直に書きます。

OpenAIのSoraが2024年末に一般公開されて以降、オープンソースコミュニティでも同等の動画生成AIが次々と登場しています。CogVideoX、Open-Sora、WanVideo、HunyuanVideoなど、いずれも静止画生成とは桁違いのVRAMと計算リソースを要求します。このガイドでは、主要モデルのスペック要件と、実用に耐えるVPSの選び方を自分の判断で整理します。

主要AI動画生成モデルのスペック要件（2026年版）

正直に言うと、ほぼ全モデルで「最低16GB、実用には24GB以上」が前提です。

WanVideoの軽量版だけは8GBで動きますが、それ以外は16GB未満だと「一応動く」どまり。生成に1時間以上かかるとか、途中でメモリ落ちるとか、実用とは呼べない状態になりやすい。

家庭用GPUでいちばん強いRTX 4090がVRAM 24GBなので、「家で動かせるギリギリのライン」がようやくここです。RTX 4080以下だと多くのモデルで詰まります。

はっきり書いておきます。「8GBでも動く」という情報は間違っていないけど、AI動画生成を本気でやりたいなら8GBで検討するのは時間の無駄になる可能性が高い。 最初から24GBを目標にしてプランを絞るのが正解です。

なぜローカルPCではなくVPSが現実的なのか

RTX 4090は定価約30万円（2026年時点）。24GBのVRAMを確保するにはこの一択です。一方でGPU搭載VPSなら月額固定で使いたい時だけ利用でき、初期費用ゼロで高VRAM環境が手に入ります。

自分の場合の考え方はこうです。

• RTX 4090を30万円で買う → 減価償却5年で計算すると月5,000円。ただし電気代（GPU高負荷時で月1,000〜2,000円程度）・騒音・PCを高負荷で回し続ける精神的負担が加わる。何かあったらその都度自分で対応しなきゃいけない。「手放し」にはならない。
• GPU VPS（月2〜5万円クラス） → 高い。はっきり高い。ただし電気代ゼロ、物理的なトラブルゼロ、使わない月は止められる。

損益分岐点で考えると、こうなります。

月3万円のGPU VPS × 12ヶ月 = 36万円。RTX 4090の30万円を1年で超えます。つまり、1年以上継続して週複数回使うなら4090を買ったほうがトータルで安い。

でも「まず試したい」「月数回しか使わない」「来月やめるかもしれない」なら、初期投資ゼロで始められるVPSのほうが現実的です。「やってみたいと思ったなら一度やってみればいい」というのが自分のスタンスです。30万円を先に払う必要はない。

XServer VPS →

XServer VPSのGPUプランはNVIDIA A100・A40相当のGPUを提供しており、HunyuanVideoを除く主要モデルに対応できます。国内データセンターのため、生成した動画のダウンロードも高速です。

VPS選びのポイント

VRAM容量で絞り込む

結論だけ先に言う。8GBプランは「AI動画生成がしたい」という目的には向いていない。

WanVideoの軽量版を低解像度で1本生成して「動いた」を確認する用途なら意味はある。でもそれ以上の品質を求めるなら、最初から24GBプランを選んだほうが時間を無駄にしない。「安いプランで試してダメだったら上げる」という考え方で時間を使うのは、正直もったいないです。

ストレージとメモリ

動画生成モデルのチェックポイントは10〜30GBになります。モデルを複数保存するには最低100GBのSSDストレージが必要です。また、モデルのロード中にシステムRAMが32GB未満だとスワップが発生し速度が低下します。

自分の場合、ここが盲点でした。

GPUスペックだけ見てVPSを選んで、ストレージ不足でモデルが全部入らない、というのは普通に起こる。CogVideoX-5Bだけで約30GB。複数モデルを試したいなら200GB以上は確保しておきたい。VPS選びのときはGPUのスペックシートだけ見て満足しないこと。ストレージ容量を必ず確認してください。 ここを見落とすと後で地味に詰まります。

さくらのVPS →

CogVideoX-5BのVPS構築手順

1. 環境構築

sudo apt update && sudo apt install -y git python3-pip python3-venv
nvidia-smi  # GPUとVRAMを確認

python3 -m venv ~/cogvideo-env
source ~/cogvideo-env/bin/activate
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install diffusers transformers accelerate

nvidia-smi を最初に実行してVRAMを確認するのは必須です。 ここでVRAMが想定より少なかった場合、プラン選択を間違えているか、他のプロセスがVRAMを食っています。先に確認しておかないと後で詰まる。最初の5秒で確認できることなので、絶対やってください。

2. モデルのダウンロード（約30GB）

pip install huggingface_hub
python3 - <<'EOF'
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id="THUDM/CogVideoX-5b",
    local_dir="/workspace/CogVideoX-5b",
    ignore_patterns=["*.bin"]  # safetensorsのみ取得
)
EOF

ダウンロードに30分〜1時間かかります。 VPSの回線速度によっては2時間超えることも。tmuxでバックグラウンド実行しておいて、他のことしながら待つのが正解。待ち時間にじっとSSHを開きっぱなしにする必要はないです。

3. 動画生成スクリプト

import torch
from diffusers import CogVideoXPipeline
from diffusers.utils import export_to_video

pipe = CogVideoXPipeline.from_pretrained(
    "/workspace/CogVideoX-5b",
    torch_dtype=torch.bfloat16
)
pipe.to("cuda")
pipe.enable_model_cpu_offload()  # VRAM節約
pipe.vae.enable_tiling()

prompt = "A futuristic city at night, neon lights reflecting on wet streets, cinematic"

video = pipe(
    prompt=prompt,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=49,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

export_to_video(video, "output.mp4", fps=8)
print("生成完了: output.mp4")

enable_model_cpu_offload() はVRAM節約のために必ず入れる。 入れないと24GBでもギリギリになるモデルがある。速度が少し落ちるけど安定性が全然違う。「入れなくても動くかもしれないし」という甘い見方は、生成途中でメモリ落ちてから後悔することになります。

4. バックグラウンド実行と結果取得

# tmuxで実行（SSH切断後も継続）
tmux new-session -d -s cogvideo 'source ~/cogvideo-env/bin/activate && python3 generate.py'
tmux attach -t cogvideo

# 生成完了後、ローカルに転送
scp root@YOUR_VPS_IP:/workspace/output.mp4 ~/Downloads/

tmuxは必須。 SSH接続が切れたら生成が止まる、というのを一度やると二度と繰り返したくなくなる。15〜30分かかる処理をやり直すのはしんどい。最初からtmuxを使う習慣をつけてください。これは本当に痛い目を見てから言っています。

Open-Soraの構築手順

git clone https://github.com/hpcaitech/Open-Sora
cd Open-Sora
pip install -v .

# サンプル生成（720p 2秒）
python scripts/inference.py configs/opensora-v1-2/inference/sample.py \
  --num-frames 2s \
  --resolution 720p \
  --aspect-ratio 9:16 \
  --prompt "A panda eating bamboo in a lush forest"

最初は720p・2秒で動作確認するのが正解。 いきなり長尺・高解像度でやるとメモリ不足で落ちる確率が高い。まず動くことを確認してから、設定を上げていく。「最初から最高設定で試す」をやると、失敗したときに何が原因かわからなくなる。段階的に確認するのが結局早い。

VRAM不足時の対処法

# FlashAttention2で省メモリ化
pipe.enable_attention_slicing()
pipe.enable_vae_slicing()

# CPU offloadで16GB GPUでも動かす
pipe.enable_model_cpu_offload()
pipe.enable_sequential_cpu_offload()  # さらに節約（速度は低下）

自分の結論としては、enable_sequential_cpu_offload() を使うと遅い。 16GB VRAMで24GBモデルを動かすための苦肉の策で、生成時間が2〜3倍になることもある。「動く」は動くけど、実用的かどうかはまた別の話です。

これを使うくらいなら、最初からVRAMが足りてるプランを選んだほうがストレスが少ない。節約のために時間を2〜3倍使うのは、トレードオフとして割に合わない場面が多い。月数千円をケチって毎回2倍の時間を使うのは、計算が合っていないと思っています。

よくある質問

まとめ：あなたの使い方で選ぶ

AI動画生成モデルはStable Diffusionとは比較にならないほどのリソースを要求します。VPS選びの核心はVRAM容量と、それを支えるシステムRAM・ストレージの三点セットです。

あなたの使い方ごとの判断はこうなります。

最後に一言。

月数万円のGPU VPSは「まぁまぁ高い」という感覚は正直あります。でもRTX 4090を30万円出して買う前に「本当に自分が使い続けるか」を確認するためのコストだと思えば、試す価値はある。月3万円 × 1ヶ月 = 3万円で、自分がこれを本当に続けるかどうかがわかる。30万円を先払いして「やっぱり使わなかった」よりずっとマシです。

やってみたいと思ったなら一度やってみればいい。正解は使ってみないとわからない。だからまず動かしてみよう。

XServer VPS →

さくらのVPS →

あわせて読みたい

• AIツール（Claude Code / Codex）向けVPS比較ランキング初心…
• 失敗しないGPUサーバー選び：VRAM 24GB以上を格安で確保できるVPSラン…
• GPU搭載VPSを「必要な時だけ」時間単位で借りて画像生成AIをお試しする方法
• あなたに合うVPSを30秒で診断する