En febrero de 2025, Alibaba liberó los pesos de Wan 2.1 bajo licencia Apache 2.0 y publicó un dato que cambió los requisitos mínimos del vídeo generativo: su versión de 1.300 millones de parámetros genera clips con unos 8 GB de VRAM, según los datos de lanzamiento de la propia compañía. Apenas unos meses antes, producir un clip con IA pasaba por pagar créditos en un servicio cloud y esperar la cola de un servidor ajeno. Desde entonces, tres nombres concentran la conversación local: Mochi de Genmo, LTX-Video de Lightricks y Wan de Alibaba. En este artículo veremos qué ofrece cada uno, cuánta VRAM piden en la práctica y cómo usar GGUF para meter pesos de decenas de gigas en GPUs domésticas con ComfyUI.
Tres apuestas con pesos abiertos
Genmo abrió la veda en octubre de 2024 con Mochi 1, un diffusion transformer de 10.000 millones de parámetros publicado bajo Apache 2.0. Genera clips de hasta unos 5 segundos a 480p, según su ficha técnica, y desde el principio destacó en algo poco frecuente entonces en el ecosistema abierto: el seguimiento estricto de las instrucciones y una representación del movimiento notablemente coherente. La barrera estaba en el hardware; los pesos en precisión completa apuntaban a GPUs de decenas de gigas, hasta que la comunidad los acercó a tarjetas de consumo con cuantización y descarga de bloques a RAM.
Lightricks tomó el camino contrario con LTX-Video, publicado en noviembre de 2024. El modelo inicial pesaba solo 2.000 millones de parámetros y la empresa lo presentó como un diffusion transformer capaz de generar vídeo más rápido de lo que tarda en reproducirse, en hardware de alto nivel. La filosofía es clara: aceptar algo menos de peso para ganar muchísima velocidad de iteración. La línea siguió creciendo en 2025 con una variante de 13.000 millones de parámetros orientada a calidad, y LTX-2, la siguiente generación, ya está anunciada.
Wan entró en febrero de 2025 con dos tamaños disponibles desde el primer día: 1.300 millones de parámetros para 480p y 14.000 millones para 720p, ambos con texto a vídeo e imagen a vídeo, a 16 fps. Alibaba destacó la RTX 4090 como destino de la versión pequeña y su buen comportamiento con texto en pantalla en chino e inglés. Más adelante llegó Wan 2.2, con arquitectura de mezcla de expertos y una variante de tamaño menor pensada para equipos domésticos, todo de nuevo bajo Apache 2.0.
Si vienes de los modelos de lenguaje locales, el guion te resultará familiar: pesos públicos, licencia permisiva y una comunidad que en pocas semanas produce cuantizaciones, wrappers y LoRAs destiladas. Es la misma dinámica que llevó a DeepSeek-R1, con sus 671.000 millones de parámetros y licencia MIT, a ejecutarse fuera de los grandes centros de datos. Con el vídeo, la variable limitante cambia: casi todo el ecosistema avanza solo, menos la VRAM.
La elección entre los tres modelos no es de gustos: LTX para iterar rápido en tarjetas modestas, Wan para calidad con el ecosistema de wrappers y LoRAs más activo, y Mochi como alternativa veterana que sigue respondiendo bien a prompts exigentes. Mira cuántos gigas tiene tu tarjeta y la lista de candidatos se recorta sola.
La VRAM decide: qué tarjeta necesitas de verdad
En ejecución local hay tres consumidores de memoria: los pesos del modelo de difusión, el codificador de texto y el VAE junto a los latentes. El primer bloque manda por tamaño. Un modelo de 14.000 millones de parámetros en BF16 ocupa unos 28 GB solo con los pesos, de modo que no cabe en una tarjeta de 24 GB por mucho que optimices el resto del pipeline.
Los otros dos también picaban en la factura. Wan usa umt5-xxl como codificador de texto, mientras que Mochi y LTX-Video trabajan con T5-XXL; en su versión original ocupa varios GB, y por eso lo habitual es cargar versiones en fp8. Los latentes crecen con la resolución y con el número de fotogramas: pasar de 480p a 720p, o de 5 a más segundos por clip, dispara el pico de memoria.
Con referencias por tamaños, el mapa queda así: una RTX 3060 de 12 GB arranca con Wan 1.3B o con LTX-Video a resoluciones bajas. Con 16 GB (una 4080 o una 4060 Ti de 16 GB) entra un Wan 14B cuantizado con algo de ayuda de descarga de bloques a RAM. Las 24 GB de una 3090 o 4090 son el punto cómodo para el 14B en fp8 o GGUF, y los 32 GB de una 5090 eliminan casi cualquier límite del catálogo abierto actual. En la ruta de compra, la 3090 sigue siendo la vía típica para conseguir 24 GB sin pagar precios de gama alta de este año.
En Mac con Apple Silicon, ComfyUI ejecuta estos modelos pero con esperas notables, y en AMD el soporte vía ROCm funciona con más bricolaje. NVIDIA sigue siendo la ruta sin fricción para el vídeo generativo local. Cada bloque que se manda a RAM se paga en tiempo, no en calidad: el objetivo es que los pesos quepan enteros en la GPU.
Antes de descargar nada, apunta cuántos GB tiene tu tarjeta y elige el modelo más grande que le quepa en VRAM. Si ninguno entra en su precisión original, la solución tiene nombre: GGUF.
GGUF: la cuantización de llama.cpp llega al vídeo
GGUF es el formato de fichero que popularizó llama.cpp para ejecutar modelos de lenguaje comprimidos en hardware modesto. La idea es almacenar cada peso con menos bits que los 16 habituales: 8, 6, 5 o menos por parámetro. Menos bits significan menos GB en disco, menos VRAM ocupada y modelos grandes cabiendo en tarjetas pequeñas.
El puente hacia el vídeo lo construyó la comunidad. El desarrollador city96 adaptó el formato a los diffusion transformers, y su custom node ComfyUI-GGUF carga estos ficheros dentro de ComfyUI; antes había hecho lo propio con los GGUF de FLUX. Hoy hay cuantizaciones en GGUF de Mochi, de LTX-Video y de Wan. La nomenclatura llega intacta de llama.cpp: de Q2_K a Q8_0, a menor número, menos precisión y menos memoria.
Las cuentas son elocuentes. Un modelo de 14.000 millones de parámetros en Q4 ronda los 7 GB de pesos, frente a los 28 GB de la versión en BF16; esa diferencia es la que baja un Wan 14B al territorio de las tarjetas de 12 o 16 GB. El contrapunto es la calidad: en Q6 y Q8 la pérdida apenas se percibe a simple vista, en Q4 hay un descenso visible en detalle y coherencia de movimiento, y por debajo de Q3 la degradación suele invalidar el resultado.
El flujo te resultará reconocible si ya generas imágenes en local, tal como describimos en el artículo sobre FLUX.1 dev y ComfyUI para profesionales: descargas el fichero .gguf, lo colocas en su carpeta de modelos y seleccionas el loader especializado en el workflow. Como alternativa a la cuantización, el wrapper de Kijai para Wan mantiene el modelo en fp8 y va moviendo bloques entre GPU y RAM durante la generación, otra forma de estirar la memoria disponible a cambio de tiempo.
Si tu hardware está al límite, empieza por un Q5_K_M del modelo que te interese: suele marcar el equilibrio razonable entre peso y fidelidad. Sube a Q6 si la tarjeta sobra y baja a Q4 solo si lo anterior no entra.
De cero a tu primer clip con ComfyUI
ComfyUI da soporte nativo a los tres modelos y su biblioteca incluye plantillas oficiales para cada uno. Empieza actualizando a la última versión: los lanzamientos de vídeo han ido llegando con soporte propio en cuestión de horas o días.
Después toca descargar pesos. El modelo de difusión, en fp8 o GGUF, va a la carpeta de diffusion models; el codificador de texto (umt5-xxl en el caso de Wan) y el VAE, a sus carpetas correspondientes. Los repositorios de Hugging Face de cada proyecto y las páginas de city96 y de Kijai listan los ficheros exactos y su ubicación, así que no hay que adivinar nada.
Con los ficheros en sitio, abre la plantilla del modelo, comprueba que los loaders apuntan a tus ficheros y lanza la primera generación: 480p, clip de unos 5 segundos (en Wan, 81 fotogramas a 16 fps) y un número de pasos moderado. Esa configuración mínima es el banco de pruebas; confirma que el pipeline funciona de punta a punta, del texto al fichero de vídeo en tu disco.
Cuando el flujo funcione, añade una LoRA destilada tipo LightX2V, que reduce la generación de Wan a unos 4 pasos por clip y multiplica la velocidad de iteración a cambio de algo de detalle. En una tarjeta de 24 GB este ciclo permite probar decenas de variaciones en una tarde; en una de 12 GB los tiempos siguen mandando, y conviene empezar por el 1.3B o por LTX-Video.
Guarda la plantilla que funcione como punto de partida versionado y solo entonces sube resolución o duración. Los saltos de 480p a 720p multiplican memoria y tiempo de golpe: primero un pipeline estable, después tamaños mayores.
Dónde encaja en el trabajo profesional
Para un perfil técnico, los usos que hoy rinden son de previsualización: b-roll para presentaciones, animatics de storyboard, fondos para motion graphics o material de pitch antes de comprometer un rodaje o un render 3D. El vídeo generativo en tu GPU ya comunica ideas con solvencia; todavía no entrega una pieza final sin retoque.
Las limitaciones son concretas: los clips duran segundos, así que las piezas largas se montan por trozos; las manos y el texto legible dentro del plano fallan con frecuencia; aparecen parpadeos temporales que fuerzan regeneraciones; y el tiempo de espera depende directamente de tu tarjeta. Nada de esto es opinión abstracta: define qué tareas puedes delegar hoy al modelo y cuáles siguen requiriendo herramientas clásicas.
Antes de facturar resultados generados con estos modelos, revisa licencias. Mochi 1 y Wan se publican bajo Apache 2.0, lo que simplifica el uso comercial; la licencia de LTX-Video conviene leerla tal cual está en su repositorio de Hugging Face antes de usar salidas en proyectos de clientes. Conviene aplicar la misma disciplina que con cualquier dependencia open source.
Un punto de partida práctico: elige una tarea repetible de tu trabajo, como el b-roll de cada presentación, y pásala por el modelo cada trimestre. Si el resultado supera tu control de calidad sin retoque, esa tarea ha cambiado de dueño; si no, has perdido poco y sabes dónde está el límite.
Un plan concreto para este fin de semana
Con 8-12 GB de VRAM, arranca por Wan 2.1 1.3B o por LTX-Video; con 16-24 GB, monta el Wan 14B en Q4 o Q5 con el loader de GGUF y compáralo con el 1.3B directo. Usa el mismo prompt y la misma semilla en las tres familias: la comparación directa enseña más que cualquier tabla de especificaciones.
La ventaja de correr esto en tu GPU no está en el precio por clip, que queda en electricidad; está en poder iterar sin contar créditos, sin subir borradores a un tercero y con todo el proceso registrado en un workflow que se puede versionar y reutilizar. Corre los tres modelos con tu prompt, guarda el mejor resultado y deja la plantilla lista para el siguiente proyecto. La frontera de lo que cabe en una tarjeta doméstica se mueve ahora mismo de trimestre a trimestre, y la única forma fiable de saber dónde queda la tuya es medirla.