自分でAIを動かそう
動画・音声・音楽・ローカル LLM を動かすための、GPU と料金のガイド
コラム
- MiniMax H3：動画と音声を一緒に作る 33B の重みが公開され、VRAM の数値は書かれていないモデルカードには、33B の動画生成モデルで、ステレオ音声も同時に作れると書かれています。必要な VRAM の数値はありません。
- Wan2.2：必要な VRAM は 5B 級で 24GB 以上、14B 級で 80GB 以上公式 README に、モデルの大きさごとの必要 VRAM と、メモリが足りないときのオプションが書かれています。
- HunyuanVideo 1.5：オフロードを有効にして、最小 14GB の GPU メモリ公式 README が示す必要な GPU メモリは、モデルのオフロードを有効にした場合の最小値です。
- Whisper：文字起こしの必要 VRAM は、tiny の約 1GB から large の約 10GB公式 README に、モデルごとの必要 VRAM と相対速度の表があります。
- LTX-2.3：動画と音声を一度に作るモデルで、VRAM の数値は書かれていないLTX-2.3 のモデルカードには、動画と音声を 1 つのモデルで同時に作ると書かれています。必要な VRAM の数値はありません。
- Style-Bert-VITS2：読み上げは CPU で動き、学習は NVIDIA GPU が必要公式 README は、音声合成だけなら GPU は要らず、学習には NVIDIA の GPU が必要と書いています。
- LTX-Video：VRAM の数値は書かれておらず、軽量版と fp8 版があるREADME には必要な VRAM の数値がなく、モデルの種類ごとに、VRAM の多い少ないの目安だけが書かれています。
- VOICEVOX ENGINE：Docker イメージが CPU 版と NVIDIA GPU 版に分かれている公式 README は、CPU 版と GPU 版の Docker イメージと、起動のしかたを示しています。
- GPT-SoVITS：1 分の学習データで声づくり、5 秒の音声でゼロショット公式 README に、少ないデータで声を作れることと、GPU ごとの推論の速さの目安があります。
- ACE-Step：最大の VRAM を 8GB に減らした音楽生成モデル公式 README に、GPU ごとの 1 分の曲の生成時間と、CPU オフロードのオプションがあります。
- YuE：必要な環境は VRAM 24GB の NVIDIA GPU。作り手は収益化も無料公式 README に、必要な環境と、重みのライセンス（作り手向けの追加許可）が書かれています。
- MusicGen（AudioCraft）：VRAM の数値はなく、重みは非商用のライセンス公式 README は、MusicGen をテキストから音楽を作るモデルとし、重みのライセンスを CC-BY-NC 4.0 としています。
- ローカル LLM のサイズ早見：Ollama 公式のファイルサイズ（gemma3・qwen2.5・llama3.1）Ollama の公式ライブラリに載っている、モデルごとの重みのファイルサイズを一覧にしました。
- 音声生成・文字起こしに必要な環境：GPU が要らない場合と、要る場合を公式の記載で分ける読み上げは CPU でも動き、文字起こしは Whisper large で約 10GB、声の学習は NVIDIA GPU が必須です。公式の README の記載だけで整理しました。
- 動画生成に必要なVRAMは、モデルの大きさで24GBと80GBに分かれる：Wan2.2・HunyuanVideo・LTXの公式の記載動画生成モデルの必要 VRAM を、公式の README の記載だけで整理しました。数値が書かれているものと、書かれていないものを分けています。
- n8nのセルフホストに必要なサーバー：公式が書いていることと、書いていないことn8n の公式ドキュメントは、CPU とメモリの数値を示していません。公式の記載で確認できた前提と、解説記事の「2GB 前後」の扱いを整理しました。
- ローカルLLMに必要なVRAMは、重みとKVキャッシュに分けて見積もる重みの大きさは「パラメータ数×量子化のビット数÷8」で出せます。KVキャッシュと余裕を足す手順を、公式のファイルサイズの実例つきで整理しました。
- LLM APIの料金はトークンで決まる：入力・出力・キャッシュ・Batchを1回の呼び出しで計算するLLM API は、入力と出力のトークン数に、それぞれ別の単価をかけて課金されます。公式の単価で、1 回の呼び出しの費用と月間の費用を計算しました。
- GPUクラウドの止め忘れ課金：停止と削除で何が残るかを公式の記載で整理するGPU の課金が止まっても、ストレージの課金は続くことがあります。RunPod と Vast.ai の公式の記載と、国内事業者で確認できなかった点をまとめました。
- 自前GPUとクラウドGPUの損益分岐は、式と前提を全部書いて計算する損益分岐の時間は「購入価格÷（クラウドの時間単価−自前の電気代）」で出せます。仮置きの数字で、月の利用時間による違いを計算しました。
- 時間単価だけでは比べられない：さくら 高火力の日額・月額の切り替えを計算する時間・日額・月額が並ぶ料金表は、使う長さによって有利な単位が変わります。さくら 高火力の公式の価格で、切り替わる境目を計算しました。
- GitHub Copilotはクレジット制になった：月いくら分まで使えるかを公式の表で読む2026 年 6 月 1 日から、GitHub Copilot はトークンの消費に基づく AI クレジットで課金されます。プランごとの量をドルに換算し、超過したときの選択肢を整理しました。
- Difyを自分のサーバーで動かす最低要件と、起動までの流れ（公式ドキュメントより）Dify のセルフホストは、CPU 2 コア以上・メモリ 4GiB 以上が公式の最低要件です。起動までの手順と、余裕の見方を整理しました。
- ComfyUIとSDXLに必要なVRAMは、公式に数字がない。見つけ方と読み方ComfyUI の公式ドキュメントにも SDXL のモデルカードにも、必要な VRAM の数値は書かれていません。公式の記載と、解説記事の数字の扱いを分けて整理します。
- GPU・VPSを申し込む前に確認する7項目：停止・保存・単位・解約・通貨・場所・審査料金表の月額や時間単価の外にある、契約前に確かめておきたい 7 項目です。各項目に、公式で確認できた例と、書かれていないときの聞き方を付けました。
やりたいことから選ぶ
借りる GPU を決めたいときは、こちらから。公式の料金と条件を見て、用途ごとに 1 つすすめます。
動画生成するなら手軽に試せる（VRAM 24GB から）Wan2.2 や HunyuanVideo。軽いモデルは 24GB、14B 級は 80GBこちらConoHa の GPU の料金を公式サイトで確認する
ローカル LLM するなら中くらいのモデルまで（VRAM 24GB）gemma3 や qwen2.5 など。70B 級は 80GB が要るこちらConoHa の GPU の料金を公式サイトで確認する
音声生成するなら文字起こしは手軽（VRAM 約 10GB）読み上げは GPU なしでも動く。声の学習は NVIDIA GPUこちらConoHa の GPU の料金を公式サイトで確認する
音楽生成するなら手軽に試せる（VRAM 24GB 前後）YuE は 24GB、ACE-Step は最大 8GB に削減。商用利用はライセンスを確認こちらConoHa の GPU の料金を公式サイトで確認する
入口の画像は AI で生成したイメージです。各モデルが実際に作る映像や音ではありません。
自分で動かすには、どのくらいの GPU が要る？
サブスクの LLM は、運営会社のサーバーが重い計算を引き受けています。自分で動かすときの分かれ目は、GPU の専用メモリ VRAM の容量です。モデルが大きいほど、たくさん要ります。借りる GPU を選ぶと、動かせるものが分かります。
借りるなら
図は左右にスクロールできます。
棒の長さは、そのモデルを動かすのに必要なメモリの目安です（動画生成と文字起こしは公式の README、LLM は公式の配布サイズ）。薄く表示されたものは、選んだ GPU には載りません。LLM は会話が長いほど、さらにメモリが要ります。
手軽に試す（VRAM 24GB）：ゲーム用の高性能な GPU（RTX 4090 など）と同じ容量です。動画生成の軽いモデル（Wan2.2 の 5B、HunyuanVideo）、音声の文字起こし（Whisper large）、LLM の gemma3 27B や qwen2.5 32B が収まります。借りるなら、ConoHa の L4（60.5 円/時から、税込）。
大きく動かす（VRAM 80GB）：データセンター向けの GPU（A100・H100）の容量で、ふつうは借りて使います。上に加えて、LLM の llama3.1 70B と qwen2.5 72B、動画生成の Wan2.2 14B が収まります。借りるなら、さくらの高火力の H100（990 円/時、税込）。
毎日取得 最終確認 2026年10月18日
公式で確認できた 34 項目
公式に記載なし 30 項目
GPU クラウドの比較とVPS の比較では、確認できなかった項目を斜線の空欄で示しています。