AI 테스트 RTX 5060 Ti 16GB

[RTX 5060 Ti 16GB] 16GB 그래픽카드로 소리 나는 AI 영상 만들 수 있을까? HyperFlow H3 Flash는 5.2초에 7분 36초였다

59회 1일 전
[RTX 5060 Ti 16GB] 16GB 그래픽카드로 소리 나는 AI 영상 만들 수 있을까? HyperFlow H3 Flash는 5.2초에 7분 36초였다

소리까지 함께 만드는 AI 영상 모델 HyperFlow H3 Flash를 16GB 그래픽카드에서 돌려 봤습니다. 제작사는 24GB와 32GB 그래픽카드에서만 시간을 쟀고, 16GB는 "아직 재지 않았다"고 적어 두었습니다. RTX 5060 Ti 16GB에서 재 보니 1344×768, 5.2초 영상 한 편에 456초(7분 36초)가 걸렸습니다. 영상과 함께 32kHz 스테레오 소리도 나왔습니다.

  • 16GB에서도 제작사 기본 설정 그대로 됩니다. GGUF Q4_K_M 파일(9.05GB)과 ComfyUI로 돌렸고, RTX 4090(제작사 측정 157초)보다 약 2.9배 오래 걸렸습니다.
  • 길이에는 한계가 있습니다. 1344×768에서는 7.5초까지 됐고, 10초는 VRAM 부족 오류, 15초는 ComfyUI가 꺼졌습니다. 960×544로 낮추면 15초 영상이 850초에 나왔습니다.
  • 스텝 하나에 60.5초입니다. 4스텝으로 줄이면 334초, 8스텝으로 늘리면 536초였습니다.
  • 시스템 램이 더 빠듯했습니다. VRAM은 15GB 안팎에서 버텼지만, 시스템 램은 32GB 중 31.9GB까지 찼습니다.
  • 말소리는 프롬프트로 정해야 합니다. 언어를 정하지 않으면 알아들을 수 없는 웅얼거림이 들어갔고, 15초 영상에서는 중국어처럼 들렸습니다. "no speech"를 넣으면 말소리가 사라졌습니다.

이 글의 숫자는 모두 이 블로그가 직접 잰 값입니다(2026년 11월 14일, ComfyUI 0.44.2, HyperFlow-Flash 노드 1.1.1). 이 글의 예시 영상은 모두 AI로 만든 것입니다. 실존 인물이 아닌 지어낸 장면이고, MiniMax H3 라이선스에 따라 MiniMax의 사용 허락을 받고 만들었습니다(아래 '라이선스' 절).

이 글의 내용을 20초로 요약한 영상입니다(소리 없음, 가운데 장면은 AI 생성 영상).

요약 여섯 칸. 5.2초 영상 한 편 456초(1344×768, 6스텝, 소리 포함, 모델을 올린 뒤 기준, 첫 편은 510초). 스텝 하나 60.5초(4·6·8스텝 모두 같음, 4스텝이면 334초). 1344×768 최대 길이 7.5초(861초, 10초는 VRAM 부족, 15초는 ComfyUI가 꺼짐). 960×544로 낮추면 15초(873초, 5.2초는 201초). 시스템 램 최대 31.9GB(32GB 중). RTX 4090과 견주면 2.9배(제작사 측정 157초, 5090은 99초)

RTX 5060 Ti 16GB, 시스템 램 32GB에서 직접 잰 값입니다.

HyperFlow H3 Flash는 어떤 모델인가요?

HyperFlow H3 Flash는 Video Rebirth가 MiniMax-H3를 줄여서 내놓은 영상 모델입니다. 글(프롬프트)을 넣으면 영상과 소리를 한 번에 만듭니다. 원래 MiniMax-H3는 그림을 만드는 부분만 약 31B인데, HyperFlow H3 Flash는 13.7B로 절반 아래이고 스텝도 4~8번으로 줄였습니다.

항목값
만든 곳Video Rebirth (원본 모델은 MiniMax)
크기13.7B (글→영상용 fl2va)
만드는 것영상 24fps + 32kHz 스테레오 소리, 5.2~15초
기본 설정1344×768, 6스텝(4·6·8 중), CFG 없음
파일GGUF Q3_K_M 7.2GB ~ Q8_0 14.9GB, INT8(24GB 이상 권장)
라이선스MiniMax H3 Community License (한국은 제외 지역, 허락 필요)

이 표가 뜻하는 것: 줄인 모델이지만 파일은 여전히 큽니다. 16GB 그래픽카드에는 GGUF 파일을 씁니다. 이 글은 제작사가 권하는 Q4_K_M(9.05GB)을 썼습니다.

16GB에서 돌리려면 무엇이 필요한가요?

ComfyUI에 확장 노드 두 개를 깔고, 파일 네 개를 받습니다. 글을 읽는 모델과 VAE는 MiniMax-H3 것을 그대로 씁니다.

준비할 것크기넣는 곳
ComfyUI-HyperFlow-Flash 노드(GPL-3.0)코드custom_nodes
ComfyUI-GGUF 노드코드custom_nodes
minimax_h3_fl2va_hyperflow_flash_14b-Q4_K_M.gguf9.05GBdiffusion_models
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors(글을 읽는 모델)15.7GBtext_encoders
minimax_h3_video_vae_fp16.safetensors5.21GBvae
minimax_h3_audio_vae_fp32.safetensors0.61GBvae

이 표가 뜻하는 것: 받을 파일만 합해 약 30.6GB입니다. 디스크 여유를 먼저 확인하세요. 노드를 깔고 나면 ComfyUI를 다시 시작해야 새 노드가 보입니다.

ComfyUI 화면의 HyperFlow H3 Flash 작업 흐름. HyperFlow Loader(GGUF Q4_K_M, weights_in auto), HyperFlow Sigmas(6스텝), CLIP 로드(qwen3vl_32b, 종류 minimax), VAE 로드 두 개(영상, 소리), MiniMax H3 이미지→비디오(프롬프트, 1344×768, 길이 124), KSampler 선택(euler), 무작위 노이즈(시드 42), 기본 가이드, 고급 사용자 정의 샘플러, VAE 디코드, 오디오 VAE 디코드, 비디오 생성(24fps), 비디오 저장(mp4). 노드 14개

노드 확장에 들어 있는 글→영상 예시 작업 흐름과 같은 구성입니다.

테스트 PC는 RTX 5060 Ti 16GB, 시스템 램 32GB, ComfyUI 0.44.2(PyTorch 2.10.0, CUDA 13.0)입니다. 측정 때는 다른 AI 프로그램을 모두 내려 VRAM을 비우고 시작했습니다. 제작사는 램이 32GB 이하인 PC에 --fast-disk 옵션을 권하는데, 이 글은 이 옵션 없이 기본 설정으로 쟀습니다.

16GB에서 영상 한 편에 몇 분 걸리나요?

그래픽카드별 시간 막대그래프. 1344×768, 5.2초, 6스텝, GGUF Q4_K_M. RTX 5090 32GB 99초, RTX 4090 24GB 157초, RTX 3090 24GB 320초(이 셋은 제작사 측정), RTX 5060 Ti 16GB 456초(직접 잼)

5090·4090·3090은 제작사 모델 카드의 값, 5060 Ti는 이 블로그가 같은 파일로 잰 값입니다.

모델을 올린 뒤 기준으로 456초(두 편 평균)였습니다. 모델을 처음 올리는 첫 편은 510초였습니다. RTX 4090의 약 2.9배, RTX 3090의 약 1.4배입니다. 제작사 측정은 램이 64GB 이상인 PC 기준이라 조건이 완전히 같지는 않습니다.

스텝 수와 시간 표. 4스텝 334초(그리기 242초, 나머지 92초), 6스텝 456초(그리기 363초, 나머지 93초), 8스텝 536초(그리기 484초, 같은 프롬프트라 글 읽기 생략, 나머지 52초). 스텝 하나 60.5초

1344×768, 5.2초 기준입니다.

시간 대부분은 그리기에 듭니다. 스텝 하나가 60.5초로 일정해서, 스텝을 둘 줄일 때마다 약 2분이 줄었습니다. 나머지는 글을 읽는 모델이 프롬프트를 읽는 시간(약 34초)과 마지막에 VAE가 영상과 소리를 풀어내는 시간(약 59초)입니다. 프롬프트를 바꾸지 않고 시드만 바꾸면 글 읽기 시간이 빠집니다.

VRAM과 시스템 램은 얼마나 쓰나요?

첫 영상 510초 동안의 VRAM과 시스템 램 그래프. 0~85초 글 읽기와 모델 올리기 동안 VRAM이 15GB 가까이 올랐다가 떨어지고, 85~450초 그리기 동안 VRAM 약 12.3GB, 시스템 램 약 26GB로 일정. 마지막 VAE 단계에서 시스템 램이 31GB까지 오름. VRAM 한도 16GB, 램 한도 32GB 선 표시

1초마다 잰 값입니다.

VRAM은 그리는 동안 약 12.3GB로 일정했고, 가장 높을 때 14.8GB였습니다. 16GB 안에 들어갑니다. 대신 시스템 램이 빠듯했습니다. 글을 읽는 모델(15.7GB)과 그림 모델(9.05GB)을 램에 두고 번갈아 올리기 때문에, 측정 대부분에서 32GB 중 30GB를 넘었고 가장 높을 때 31.9GB였습니다. 같은 PC에서 다른 프로그램을 많이 띄워 두면 모자랄 수 있습니다.

전력은 그리는 동안 160W 안팎(최대 181W), 그래픽카드 온도는 최대 75도였습니다.

몇 초짜리 영상까지 만들 수 있나요?

길이 한계 표. 1344×768 5.2초 됨 456초 스텝당 60.5초. 1344×768 7.5초 됨(모델 일부를 램에서) 861초 스텝당 124초. 1344×768 10초 VRAM 부족 오류. 1344×768 15초 ComfyUI가 꺼짐. 960×544 5.2초 됨 201초 스텝당 21.6초. 960×544 15초 됨(모델 일부를 램에서) 873초 스텝당 116초

6스텝, 같은 야시장 장면입니다.

영상이 길어지면 그릴 데이터가 VRAM을 차지해서 모델(9GB)을 다 올릴 자리가 모자랍니다. 그러면 ComfyUI가 모델 일부를 시스템 램에 두고 그때그때 끌어 쓰는데, 이때 스텝 하나가 두 배 넘게 느려졌습니다. 1344×768에서 10초는 'out of memory' 오류로 멈췄고, 15초는 그리기 첫 스텝에서 ComfyUI가 통째로 꺼졌습니다.

16GB에서 긴 영상이 필요하면 해상도를 낮추는 것이 답이었습니다. 960×544는 5.2초 영상이 201초로 1344×768보다 두 배 넘게 빨랐고, 15초 영상도 850~873초에 만들었습니다.

영상은 어떻게 나왔나요?

아래 영상은 모두 RTX 5060 Ti 16GB에서 제작사 기본 설정(6스텝)으로 만든 것입니다. 소리가 들어 있으니 재생한 뒤 소리를 켜 보세요. 프롬프트에는 모두 말소리를 넣지 않도록 적었습니다.

서울 야시장 숯불 꼬치(1344×768, 5.2초, 483초). AI 생성 영상, HyperFlow H3 Flash.

비 오는 한옥 마당(1344×768, 5.2초, 457초). AI 생성 영상, HyperFlow H3 Flash.

카페 라테 아트(1344×768, 5.2초, 455초). AI 생성 영상, HyperFlow H3 Flash.

세 영상의 장면을 0.3초, 2.6초, 4.9초에서 뽑은 그림 아홉 장. 야시장: 장갑 낀 손이 숯불 위 꼬치를 뒤집고 뒤로 노점과 사람들. 한옥: 기와지붕과 젖은 마당이 거의 같은 구도로 이어짐. 카페: 바리스타가 스팀 피처로 우유를 붓고 잔을 듦

시간에 따라 장면이 어떻게 이어지는지 보려고 뽑았습니다.

야시장 장면은 손과 꼬치, 뒤로 오가는 사람들이 5초 동안 자연스럽게 이어졌습니다. 숯불 소리와 거리 소음도 장면과 맞았습니다. 한옥 장면은 마당과 지붕이 젖은 모습은 잘 나왔지만, 멈춘 장면으로 보면 빗줄기는 잘 보이지 않았고 카메라도 거의 움직이지 않았습니다. 카페 장면은 우유를 붓는 손동작이 이어졌습니다. 간판의 한글은 읽을 수 없는 글자로 나왔습니다.

960×544로 만든 15초 영상(850초). AI 생성 영상, HyperFlow H3 Flash.

15초 영상은 해상도가 낮아 1344×768보다 흐릿하지만, 장면이 끝까지 무너지지 않고 이어졌습니다.

소리는 어떻게 나왔나요?

이 모델은 영상과 소리를 함께 만듭니다. 소리에 말소리가 들어갔는지, 들어갔다면 어떤 말인지 받아쓰기 모델(faster-whisper large-v3-turbo)로 확인했습니다.

소리 표. 서울 야시장 장면, 같은 시드. people chatting(언어 안 정함): 말소리 4.3초/5.2초, 언어가 매번 바뀜(포르투갈어·한국어 판정). 같은 장면 15초 영상: 말소리 12.8초/15.1초, 중국어로 판정(81%). no dialogue, no speech, no voices: 말소리 0초, 주변 소리만. people chatting in Korean: 말소리 5.2초, 한국어로 판정(58%), 뜻은 대부분 안 통함

말소리 판정은 받아쓰기 모델로 한 것입니다.

처음에는 프롬프트에 "사람들이 이야기하며 지나간다(people chatting)"만 넣었습니다. 그러자 말처럼 들리는 웅얼거림이 들어갔고, 받아쓰기 모델은 돌릴 때마다 포르투갈어, 한국어처럼 다른 언어로 판단했습니다. 같은 장면을 15초로 만들자 말소리가 12.8초로 길어졌고, 받아쓰기 모델은 81% 확률로 중국어라고 봤습니다.

그래서 같은 장면, 같은 시드로 프롬프트만 바꿔 두 번 더 만들었습니다. "no dialogue, no speech, no voices"를 넣으니 말소리가 완전히 사라지고 숯불 소리와 주변 소음만 남았습니다. "people chatting in Korean"을 넣으니 한국어로 판정된 말소리가 나왔습니다. 다만 "다 먹으려나?"처럼 알아들을 수 있는 짧은 말이 섞인 정도이고, 대부분은 뜻이 통하지 않았습니다. 정해진 대사를 정확히 말하게 하는 용도로 쓰기는 어렵습니다.

한국에서 써도 되나요? (라이선스)

HyperFlow H3 Flash는 MiniMax-H3의 파생 모델이라 MiniMax H3 Community License를 그대로 따릅니다. 이 라이선스는 한국, 미국, EU, 영국을 제외 지역으로 정해 두었고, 이 지역에서는 받거나 쓰기 전에 MiniMax의 사전 허락을 받아야 합니다.

이 블로그는 2026년 10월 30일 MiniMax에서 MiniMax H3와 그 파생물을 써도 된다는 허락을 메일로 받았습니다. 허락은 개인 블로그 테스트에 대한 것이고, 조건으로 결과물을 AI 생성물이라고 밝히고, 실존 인물을 넣지 않고, 예시 영상은 블로그 글 안에서만 쓰기로 했습니다. 이 글의 영상에 'AI 생성 영상' 표시를 넣은 것도 그 때문입니다. 허락을 받는 방법은 MiniMax-H3-Image 글에 정리되어 있습니다.

그 밖에도 연 매출 2천만 달러가 넘는 제품에 쓰려면 별도 허락이 필요하고, 만든 결과물로 다른 AI 모델을 학습시키면 안 됩니다. ComfyUI 노드는 GPL-3.0, 실행 코드는 Apache 2.0으로 따로 공개되어 있습니다.

16GB 그래픽카드라면 어떻게 쓸까요?

이럴 때설정이 시험의 결과
짧은 장면을 좋은 화질로1344×768, 5.2초, 6스텝약 7분 36초
여러 개를 빠르게 뽑아 고를 때960×544, 5.2초, 4~6스텝6스텝 약 3분 20초
긴 장면이 필요할 때960×544, 15초약 14분. 1344×768은 7.5초까지
말소리가 없어야 할 때프롬프트에 no dialogue, no speech말소리 0초

이 표가 뜻하는 것: 16GB에서는 960×544로 장면을 먼저 골라 보고, 마음에 드는 것만 1344×768로 다시 만드는 방식이 시간을 아낄 수 있습니다. 시스템 램은 32GB 이상을 권합니다.

같은 MiniMax H3 계열을 32GB 그래픽카드에서 쓴 MiniMax-H3-Image 글, 다른 영상 모델을 32GB에서 잰 LTX-2.5 한국어 영상 글도 함께 보면 좋습니다. ComfyUI를 처음 쓴다면 ComfyUI 소개 글을, 같은 16GB에서 그림 모델 다섯 개를 견준 결과는 16GB 이미지 모델 비교 글을 보세요. 내 그래픽카드로 어떤 AI가 도는지는 GPU 체험에서 볼 수 있습니다.

이 글의 한계

  • 그래픽카드 한 대(RTX 5060 Ti 16GB)와 시스템 램 32GB에서 2026년 11월 14일에 잰 값입니다. 램이 16GB인 PC나 다른 16GB 그래픽카드에서는 재지 않았습니다.
  • GGUF Q4_K_M 하나만 썼습니다. 더 작은 Q3_K_M(7.2GB)이나 INT8 파일은 시험하지 않았습니다.
  • 제작사가 램 32GB 이하 PC에 권하는 --fast-disk 옵션은 쓰지 않았습니다. 이 옵션을 쓰면 시간과 램 사용량이 달라질 수 있습니다.
  • 글→영상만 시험했습니다. 그림을 넣어 영상으로 만드는 것(i2v), 처음·끝 그림을 정하는 것(flf2v), 참조 영상(ref2v)은 시험하지 않았습니다.
  • 시간은 같은 설정을 한두 번 잰 값입니다. 다른 그래픽카드의 시간은 제작사가 잰 값을 옮긴 것이고, 조건(램 크기 등)이 다릅니다.
  • 영상 품질과 소리는 사람이 보고 들은 판단, 말소리는 받아쓰기 모델의 판단입니다. 받아쓰기 모델은 잡음을 말로 잘못 옮기기도 합니다.
  • 시간을 잰 영상 중 일부(야시장 첫 영상, 4·8스텝, 960×544 5.2초, 7.5초)는 말소리가 들어간 프롬프트로 만들어 글에 넣지 않았습니다. 시간 측정에는 영향이 없었습니다(같은 장면에서 프롬프트만 바꾼 영상도 457~483초).

자주 묻는 질문

16GB 그래픽카드로 HyperFlow H3 Flash를 돌릴 수 있나요?

네. RTX 5060 Ti 16GB에서 GGUF Q4_K_M 파일로 1344×768, 5.2초 영상을 456초에 만들었습니다. 다만 시스템 램이 32GB 중 31.9GB까지 찼으니, 램은 32GB 이상이 필요해 보입니다.

16GB에서 15초 영상도 되나요?

1344×768에서는 안 됐습니다. 10초는 VRAM 부족 오류가 났고 15초는 ComfyUI가 꺼졌습니다. 960×544로 낮추면 15초 영상이 약 14분에 나왔습니다. 1344×768에서는 7.5초까지 됐습니다.

소리에 이상한 말소리가 들어가요.

프롬프트에 사람이 나오는 장면이 있으면 말처럼 들리는 웅얼거림이 들어갈 수 있습니다. 이 글의 시험에서는 프롬프트에 "no dialogue, no speech, no voices"를 넣으니 말소리가 없어졌습니다.

한국에서 써도 되나요?

MiniMax H3 라이선스는 한국을 제외 지역으로 정해 두었습니다. 받거나 쓰기 전에 MiniMax의 허락을 받아야 합니다. 이 블로그는 허락을 받은 뒤 시험했습니다. 이 답은 법률 조언이 아니니 라이선스 원문을 직접 확인하세요.

4스텝으로 줄여도 되나요?

제작사는 4스텝을 속도용, 6스텝을 기본, 8스텝을 품질용으로 안내합니다. 16GB에서 4스텝은 334초로 6스텝보다 약 2분 빨랐습니다.

프롬프트 원문

  • 야시장(5.2초·15초): A busy night market street in Seoul, a street food vendor grills skewers over glowing charcoal, smoke rising, sizzling sounds and ambient street noise only, no dialogue, no speech, no voices, people walking past colorful stalls, warm lights, handheld camera, realistic
  • 한옥: Heavy rain falling on a quiet Korean hanok courtyard at dusk, raindrops splashing on stone tiles and the tiled roof, water dripping from the eaves, soft thunder in the distance, slow camera push in, cinematic
  • 카페: A barista in a small cozy cafe pours steamed milk into a cup making latte art, the espresso machine hisses, soft jazz music in the background, morning light through the window, close-up, realistic
  • 설정: 시드 42, euler, 6스텝(HyperFlow Sigmas), CFG 없음(기본 가이드), 24fps

출처

관련 게시글

댓글 0개