别人用谷歌 Ultra 搭 AI 视频服务器，我只有 Pro，也能搭成吗？ 前两天，我看到有人用谷歌 Ultra 搭自己的 AI 视频工作站，教程里还提到了… · @swordBluesy · TwKit

@swordBluesy

别人用谷歌 Ultra 搭 AI 视频服务器，我只有 Pro，也能搭成吗？ 前两天，我看到有人用谷歌 Ultra 搭自己的 AI 视频工作站，教程里还提到了 A100 显卡。 这一下把我看动心了。 我平时做视频，要买积分、算次数，生成不满意再来一次，又是一笔消耗。如果能把开源视频模型装到自己的云端服务器上，以后做镜头是不是就多了一种选择？ 但我只有 Google AI Pro，没有 Ultra。电脑也是一台16GB内存的M4 Mac。 于是我问了一个很实际的问题：**我不升级会员、不换电脑，能不能也搭一台能出片的视频工作站？** 刚好，我另一个 Google Cloud 账号里还有300美元新用户赠金。钱有到期日，一直放着也用不上。不如就拿这笔额度试一次。 我让 Codex 接上 Mac，开始实际搭建。真正动手后，第一关连机器都建不起来。 ## A100没拿到，换了显卡也没立刻成功 先卡在GPU配额上。申请A100没有通过，最后改用L4。 拿到配额之后，又碰上缺货。换了多个可用区，还是提示没有资源；有一次看着已经开始创建了，最后又回滚。 折腾到最后，才在孟买拿到一台机器。 所以，你如果照着教程操作，却卡在创建服务器这一步，先别急着怀疑自己命令输错了。**有资格申请、配额获批、当时有机器可用，是三件事。** 机器建好后，才轮到安装 ComfyUI、下载 Wan2.2 视频模型。模型文件加起来约35.6GB，都放在云端。 我的Mac负责打开页面、上传参考图、输入提示词和下载结果。真正吃显存的生成过程，由云端显卡承担。 ## 页面打开了，还得真的生成一条视频 安装过程中也踩了坑：环境缺依赖，浏览器打不开页面，导出MP4的参数报错，重启后机器显示运行了，SSH却还没准备好。 这些都得逐项解决。否则“服务器搭好了”这句话，没有多少用处。 我们先跑了一段低分辨率小样，确认整条流程能走通，再试更完整的片段。 832×480、约5秒的视频，生成用了18分14秒。 接着上原生720P，同样约5秒。这一次，等了**70分19秒**。 最后确实出了片，下载回Mac后也能正常播放。这里的720P是直接生成的，没有拿低分辨率视频放大充数。 但这个等待时间，也把这套方案的限制摆出来了：它可以用来试模型、做短镜头；如果一天要连续生产很多条视频，这个速度就得认真考虑。 ## 那么，只有Pro，到底能不能搭？ **我这次搭成了，也实际出了片。保留Pro会员，16GB Mac照样能操作这套云端工作站。** 不过，最后使用的是L4，没有拿到A100，也没有做出与那位Ultra用户完全相同的配置。 还有一个搭完以后必须说清楚的地方：这次服务器使用的是独立的Google Cloud计费账号，消耗Cloud额度。**不能把这个结果理解成“Pro会员免费送一台视频服务器”，也不能据此认定Ultra会员一定能拿到A100。** 对我来说，最初那个问题已经有了答案：不升级会员、不换电脑，也能借助云端显卡，把这套开源视频工作站跑起来。 ## 能少买积分，但服务器也有自己的账 自己部署模型，省下的是这条工作流按次调用商业生成服务的费用。显卡运行、磁盘存储和下载流量，仍然要算。 按当时控制台估算，这台机器连同160GB磁盘约1.07美元一小时，公网IP和出网流量另计。价格是2026年10月16日的估算，实际账单要单独看。 所以我做了两个收尾：每次启动最多运行3小时，时间到自动停止；视频下载检查完，也主动停机。 **关掉浏览器，不等于关掉云端机器。停机之后，保存模型的磁盘仍然收费。** 这次最值得留下的，是一条实际走通过的路：从会员能不能用的疑问，到配额被拒、换显卡、找库存，再到出片、下载和重启恢复。 下面把配置和命令放全。想自己搭的，可以继续照着做；只想知道结果的，看到这里就已经有答案了。 --- ## 搭建步骤与实测证据 以下依据2026年10月16—17日的安装和验收记录整理。价格、配额、镜像和资源库存会变化，复现时检查自己的控制台。Google AI Pro、Ultra与Cloud新用户赠金是不同权益；本教程采用独立Cloud计费路线。 | 本次测试 | 分辨率 | 帧数 | 采样步数 | 服务器执行时间 | | --- | --- | --- | --- | --- | | 首轮验证 | 512×512 | 33 | 12 | 126.95秒 | | 480P片段 | 832×480 | 81 | 20 | 1094.464秒，约18分14秒 | | 原生720P片段 | 1280×720 | 81 | 20 | 4219.336秒，约70分19秒 | 两条完整样片均为16fps、81帧、5.0625秒，并完成MP4全帧解码检查。各轮模型加载与缓存状态不完全相同，表格不作为通用速度承诺。 ## 1. 先过计费和配额 Cloud免费试用状态不能直接创建GPU虚拟机。需要激活付费计费，符合条件且尚未到期的剩余赠金可以继续使用。我的计费账号当时已激活，控制台显示300美元赠金有效。 Mac上先安装Google Cloud CLI，本次使用Homebrew。我的CLI已有Cloud账号授权。首次使用先运行 `gcloud auth login`，选中实际承担 Cloud 费用的账号，随后核对授权。 ```bash brew install --cask gcloud-cli ``` 我从Cloud控制台顶部的项目选择器新建独立项目，名称为AI Video Workstation，指定项目ID。创建后核对项目计费，确认它关联到有300美元赠金的计费账号，且billingEnabled为true。读者需要先在项目计费页完成同样的关联。 然后启用Compute Engine和Cloud Quotas API。 ```bash export GCP_PROJECT="你自己的项目ID" export CLOUD_ACCOUNT="有Cloud赠金的Google账号邮箱" gcloud auth list gcloud billing projects describe "$GCP_PROJECT" \ --account="$CLOUD_ACCOUNT" --format=json gcloud services enable http://compute.googleapis.com http://cloudquotas.googleapis.com \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" ``` 我第一次查到的全球GPU总配额是0。区域里虽然有1张L4的配额，总配额仍然会拦住创建。 这次申请的是全球总配额1。 ```bash gcloud quotas preferences create \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" \ --service=http://compute.googleapis.com \ --quota-id=GPUS-ALL-REGIONS-per-project \ --preferred-value=1 \ --preference-id=ai-video-one-gpu \ --email="$CLOUD_ACCOUNT" \ --justification="Single-user AI video inference workstation." ``` 这次获批了。80GB A100的另一次配额申请被拒，最后采用L4。 配额获批之后，还碰到了库存问题。 美国、欧洲和亚洲多个可用区先后返回了 `ZONE_RESOURCE_POOL_EXHAUSTED`。欧洲有一次甚至进入了启动阶段，随后又回滚成缺货。最终成功的是孟买 `asia-south1-b`。 所以教程里只写“选择GPU，点击创建”，会漏掉我这次耗时最多的一段。 ## 2. 创建实际能拿到的机器 最终配置如下。 | 项目 | 本次配置 | | --- | --- | | 区域 | asia-south1-b，孟买 | | 机器类型 | g2-standard-12 | | CPU | 12个vCPU | | 云端内存 | 48GiB | | GPU | 1张NVIDIA L4，标称24GB显存 | | 磁盘 | 160GB平衡永久性磁盘 | | 预配方式 | 标准实例 | | 运行上限 | 每次启动运行3小时后自动停止 | 创建命令如下。镜像固定到本次使用的版本。 ```bash export GCP_ZONE="asia-south1-b" gcloud compute instances create ai-video-l4 \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" \ --zone="$GCP_ZONE" --machine-type=g2-standard-12 \ --image=pytorch-2-9-cu129-ubuntu-2404-nvidia-580-v20261001 \ --image-project=deeplearning-platform-release \ --boot-disk-size=160GB --boot-disk-type=pd-balanced \ --maintenance-policy=TERMINATE \ --no-service-account --no-scopes \ --metadata=install-nvidia-driver=True \ --max-run-duration=3h --instance-termination-action=STOP ``` 这里没有购买NVIDIA虚拟桌面许可。要做的是浏览器操作的ComfyUI工作站，采样进程跑在Linux服务器上。 在Mac上进入这台机器的SSH会话。 ```bash gcloud compute ssh ai-video-l4 \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" \ --zone="$GCP_ZONE" ``` 以下驱动检查、安装和模型下载命令，都在云端SSH会话里执行。先确认驱动和PyTorch真的看得见GPU。 ```bash nvidia-smi python3 -c 'import torch; print(torch.__version__, http://torch.cuda.is_available())' ``` 这一步实际读到了NVIDIA L4，驱动版本580.178.04，PyTorch的CUDA检测返回True。 ## 3. 安装环境，深度学习镜像也有缺项 ComfyUI使用官方仓库，本次提交为 `bdc63e72f5ab29fde448c161db3057827148c0ef`，版本0.41.0。 镜像自带PyTorch，但第一次创建虚拟环境就失败了，缺少 `python3-venv`。补装后才继续。 ```bash sudo apt-get update sudo apt-get install -y python3-venv ffmpeg git clone https://github.com/Comfy-Org/ComfyUI.git cd ComfyUI git checkout bdc63e72f5ab29fde448c161db3057827148c0ef python3 -m venv --system-site-packages .venv .venv/bin/pip install -r requirements.txt ``` 镜像自带的是PyTorch 2.9.1的CUDA 12.9版本。ComfyUI启动日志提示，部分优化需要CUDA 13.0对应版本。 这次把三个包一起换到了对应版本，重新验证CUDA可用后，再启动服务。 ```bash .venv/bin/pip install \ 'torch==2.9.1+cu130' \ 'torchvision==0.24.1+cu130' \ 'torchaudio==2.9.1+cu130' \ --index-url https://download.pytorch.org/whl/cu130 ``` 最终环境是Ubuntu 24.04、Python 3.12.3、PyTorch 2.9.1+cu130和ComfyUI 0.41.0。 ## 4. 把约35.6GB模型放在云端 本次使用四个文件。 ```text models/diffusion_models/ wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors models/text_encoders/ umt5_xxl_fp8_e4m3fn_scaled.safetensors models/vae/ wan_2.1_vae.safetensors ``` 两个视频模型各约14.3GB，文本编码器约6.7GB，VAE约254MB，总计约35.6GB。权重留在云端磁盘，Mac没有加载这些模型。 模型来自Comfy-Org的官方适配仓库。本次用curl下载，支持断点续传，四个文件并行获取。 ```bash cd ~/ComfyUI base=https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files pids=() for item in \ diffusion_models/wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors \ diffusion_models/wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors \ text_encoders/umt5_xxl_fp8_e4m3fn_scaled.safetensors \ vae/wan_2.1_vae.safetensors; do mkdir -p "models/$(dirname "$item")" curl --silent --show-error --fail --location --retry 4 -C - \ -o "models/$item" "$base/$item" \ > "$HOME/download-$(basename "$item").log" 2>&1 & pids+=("$!") done for pid in "${pids[@]}"; do wait "$pid"; done ``` 下载到对应目录后，四个文件的实际长度均与Safetensors文件头记录一致。 这套是高噪和低噪两个模型配合的工作流。前10步用高噪模型，后10步用低噪模型。FP8权重和ComfyUI的按需加载、卸载，让它能在这张L4上运行。 480P片段运行期间，云端内存曾观察到约37GiB占用，显存采样最高约21126MiB。这是本次运行的观测值，不能直接当成通用最低配置。 我的Mac仍是16GB，它负责发请求、看结果和下载视频。模型权重、采样和显存分配都发生在云端。 ## 5. 先跑小样，再跑720P 工作流基于ComfyUI官方Wan2.2 14B图生视频示例。参考图也使用官方示例图，方便复现同一个测试。 在云端ComfyUI目录执行下面的命令。 ```bash mkdir -p input curl -fL --retry 4 \ https://comfyanonymous.github.io/ComfyUI_examples/chroma/fennec_girl_flowers.png \ -o input/fennec_girl_flowers.png ``` 最初的完整片段通过ComfyUI API提交，480P的关键参数如下。 ```text 模型 Wan2.2 I2V A14B FP8 scaled 尺寸 832 × 480 帧数 81 采样步数 20 CFG 3.5 采样器 euler 调度器 simple Seed 123456789 Shift 8 输出帧率 16fps ``` 在 ComfyUI 的[官方 Wan2.2 示例页](https://comfyanonymous.github.io/ComfyUI_examples/wan22/)，选择 **14B Model → Image to Video → Workflow in Json format**，下载 JSON 后导入界面，检查模型节点选中了上面四个文件，上传参考图，再设置尺寸、帧数、步数和提示词。不要误选 5B 或文生视频工作流。 先用512×512、33帧、12步验证流程。确认能输出后，再跑832×480、81帧、20步。浏览器连接方法在下一节；第一次可以先完成连接，再回到这一节运行。 服务器记录的完整执行时间是1094.464秒，包含这次工作流的采样、解码和WEBM保存。没有把安装环境、下载权重的时间混进来。 WEBM 可以从 ComfyUI 输出预览菜单保存，也可以把输出文件从服务器复制到 Mac。以你实际生成的文件名替换下面的路径： ```bash # 在 Mac 终端执行；output 下的文件名以实际生成为准 gcloud compute scp \ ai-video-l4:~/ComfyUI/output/你的输出文件.webm ./output.webm \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" --zone="$GCP_ZONE" ffmpeg -i output.webm -c:v libx264 -crf 18 -pix_fmt yuv420p \ -movflags +faststart output.mp4 ffprobe -v error -count_frames -select_streams v:0 \ -show_entries stream=width,height,nb_read_frames,r_frame_rate:format=duration \ -of json output.mp4 ffmpeg -v error -i output.mp4 -f null - ``` Mac 上没有 FFmpeg 时先执行 `brew install ffmpeg`。随后用FFmpeg转为H.264 MP4，再用ffprobe核对宽高、帧率、帧数和时长。下载回Mac的文件是2039441字节，81帧，5.0625秒。 随后把尺寸改为1280×720，保持81帧、20步和16fps，完成了原生720P测试，执行时间为4219.336秒。VAE解码改用VAEDecodeTiled，空间分块512、重叠64，时间分块32、重叠8，降低解码时的显存压力。 浏览器端又单独验收了一次。参考图从Mac上传，下载回来核对SHA256一致；在真实ComfyUI界面点击运行，512×512、33帧、12步的测试成功生成。另一个独立任务验证了CreateVideo接SaveVideo能够直接导出H.264 MP4。第一次提交时，把format写成嵌套对象，节点在执行阶段报缺少format参数。查当前版本的动态输入实现后，改成点分字段提交才成功。对应字段保存在MP4导出修正提交.json，接口接受任务与实际执行成功需要分别检查。复现时优先保留官方示例的输出节点，先完成一次有效生成，再更换导出格式。 日常交付的图形工作流使用SaveWEBM保存，桌面下载脚本负责转成H.264 MP4。这个安排已经实跑，浏览器生成与下载都计入了最终验收。 已验证范围是Wan2.2 I2V A14B FP8 scaled的这几组参数，其他模型和精度需要分别测试。 ## 6. 做访问入口和开关机 ComfyUI只监听服务器本地地址，通过systemd管理，随虚拟机启动。我把下面的服务配置保存为`/etc/systemd/system/comfyui.service`，再启用。下面 `YOUR_LINUX_USER` 要换成云端运行 `whoami` 得到的用户名，并确认 ComfyUI 的安装目录。 ```ini [Unit] Description=ComfyUI AI Video Workstation After=http://network-online.target Wants=http://network-online.target [Service] Type=simple User=YOUR_LINUX_USER WorkingDirectory=/home/YOUR_LINUX_USER/ComfyUI Environment=PYTHONUNBUFFERED=1 ExecStart=/home/YOUR_LINUX_USER/ComfyUI/.venv/bin/python http://main.py --listen 127.0.0.1 --port 8188 --reserve-vram 1 --preview-method none Restart=on-failure RestartSec=10 [Install] WantedBy=http://multi-user.target ``` ```bash sudo systemctl daemon-reload sudo systemctl enable --now comfyui.service systemctl is-active comfyui.service ``` 返回active后，在云端SSH会话里检查接口，确认服务响应与GPU信息。 ```bash curl -fsS http://127.0.0.1:8188/system_stats ``` 最初自动化浏览器打开本地入口时遇到403。检查ComfyUI服务端后，发现跨站导航带来的Sec-Fetch-Site头触发了来源检查。通过正常页面链接进入后，界面可以加载，实际运行按钮也提交成功。最终保留本机SSH入口，临时尝试的邮箱验证HTTPS方案已经停用并归档。 安装结束后退出云端SSH会话，回到Mac终端建立转发。 ```bash gcloud compute ssh ai-video-l4 \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" \ --zone="$GCP_ZONE" \ --ssh-flag=-T --ssh-flag=-f \ --ssh-flag='-o ExitOnForwardFailure=yes' \ --ssh-flag='-o ServerAliveInterval=15' \ --ssh-flag='-o ServerAliveCountMax=3' \ -- -N -L 127.0.0.1:8188:127.0.0.1:8188 open http://127.0.0.1:8188/ ``` 我当时把日常操作整理成三个桌面脚本： | 脚本 | 实际行为 | | --- | --- | | 启动云端工作站.command | 启动虚拟机，建立SSH转发，等待接口就绪，再打开浏览器 | | 下载最新视频.command | 队列空闲时下载最新生成片段，转H.264 MP4并检查，保存到生成视频目录 | | 停止云端工作站.command | 停止虚拟机，结束GPU运行计费，保留磁盘 | 当时交付了“日常生成_Wan22_720P”和“快速预览_Wan22_480P”两套工作流。读者从官方 JSON 导入并修改参数后，也应分别另存，避免每次重配。480P预览在这次测试里仍要约18分钟，只是相对720P省时。 冷启动时还遇到虚拟机已显示RUNNING、SSH服务尚未就绪的情况。原启动脚本会提前退出，补上实例状态等待和SSH重试后，再做关机开机验证才通过。 验收时实际执行了一轮停止、重新启动、重连和下载。模型目录与两个交付工作流在重启后仍然存在，之前生成的720P视频也能重新下载，说明下载脚本不依赖重启即清空的任务历史。 停止和下次启动的基础命令如下，在 Mac 终端执行： ```bash # 用完停止 gcloud compute instances stop ai-video-l4 \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" --zone="$GCP_ZONE" # 核对状态，停止后的状态为 TERMINATED gcloud compute instances describe ai-video-l4 \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" --zone="$GCP_ZONE" \ --format='value(status)' # 下次使用再启动，然后重新建立 SSH 转发 gcloud compute instances start ai-video-l4 \ --project="$GCP_PROJECT" --account="$CLOUD_ACCOUNT" --zone="$GCP_ZONE" ``` 交付时虚拟机已停止。每次开机最多运行3小时，用完仍应运行停止脚本。重新开机可能遇到GPU缺货，这次没有购买资源预留。 ## 7. 费用和停机都要算完整 2026年10月16日，孟买同配置在控制台的预估约1.07美元/小时，包含160GB平衡永久性磁盘，公网IP和出网流量另计。 停机后，磁盘仍约19.20美元/月。300美元是有到期日的赠金，额度或有效期结束后，要重新决定是否继续付费。 实际账单当时尚未完整入账，我没有把控制台估价写成实付。这台机器也设置了3小时自动停止，避免忘记关机。 对我来说，下一步是拿它做短镜头，记录等待时间和真正能留下来的片段比例，再决定要不要换更快的云端GPU。会员升级和本机换电脑，可以等这些数据出来以后再判断。 ## 官方资料 - [Cloud试用与付费激活](https://docs.cloud.google.com/free/docs/free-cloud-features) - [ComfyUI安装](https://docs.comfy.org/installation/manual_install) - [Wan2.2工作流](https://comfyanonymous.github.io/ComfyUI_examples/wan22/) - [模型文件](https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged) - [虚拟机运行时限](https://docs.cloud.google.com/compute/docs/instances/limit-vm-runtime) - [参考图](https://comfyanonymous.github.io/ComfyUI_examples/chroma/fennec_girl_flowers.png)

曝光 375 · 评论 1 · 点赞 1 · 书签 0