Ce que coûte vraiment la génération d'images et de vidéo : mes factures, mesurées

Pendant notre dernier lot de vidéos, le dernier clip est sorti du GPU, et le pod a continué de tourner. Pendant environ deux heures, une carte H100 louée 3,99 $ US de l'heure a attendu un travail qui ne viendrait plus. Elle avait un chien de garde censé l'éteindre après une période sans travail. Il ne l'a pas fait, parce que pour détruire le pod il devait appeler l'API de RunPod, et le pod n'avait pas de clé pour ça. C'est une boucle de surveillance lancée sur mon Mac qui l'a finalement arrêté.

Ces deux heures ont coûté entre 7 et 8 $, sur une facture GPU de 23,23 $. Ça pique, et c'est un bon point de départ pour parler de ce que coûte vraiment la génération d'images et de vidéo.

Tous les chiffres viennent des enregistrements d'Orazaka, mon moteur d'IA, publiés sur la page Exécutions mesurées. Quand un chiffre vient de mes notes, je le dis.

Trois façons de faire cuire le même plat

J'ai trois options. Cuisiner chez soi : mon MacBook Pro M1 Max, 64 Go, que je possède déjà. Commander au restaurant : une API hébergée, ici l'inférence serverless de DigitalOcean, payée à la sortie. Ou louer une cuisine professionnelle à l'heure : un GPU chez DigitalOcean ou RunPod, payé au temps, fourneaux allumés ou non.

Chaque option a son prix caché : la mémoire et la patience chez soi, le menu imposé au restaurant, le temps mort en cuisine louée.

Les temps qui suivent vont de la commande au fichier : file d'attente, transfert et stockage compris.

Les images

« Rien de facturé » ne veut pas dire gratuit. Je n'ai pas mesuré l'électricité du Mac ni son usure, donc je n'avance aucun chiffre.

Le même prompt, trois modèles :

Le 6 sur 18 de FLUX.2 m'a d'abord fait peur. En lisant les enregistrements, presque tous les échecs venaient de moi. Le client d'images abandonnait après deux minutes, alors que le moteur avait besoin de 60 à 75 secondes plus le transfert de l'image dans un tunnel. Pire : en abandonnant, il renvoyait une image transparente de 1×1 pixel, et le traitement se déclarait réussi. Deux images terminées ont aussi été écrasées par des reprises du même nom. Depuis, chaque téléchargement vérifie la taille du fichier, et je compte ces échecs quand même.

Les vidéos

Sur le GPU loué, le prix d'un clip est son temps de calcul multiplié par le tarif horaire, sans le démarrage ni l'attente. La vraie facture est donc plus haute, j'y reviens plus bas.

Comment c'est fait

Modèle

Wan 2.2 T2V A14B · Apache-2.0

Moteur

hosted: DigitalOcean serverless inference (steps and guidance not exposed)

Machine

hébergé par le fournisseur (pas notre machine)

Via

orazaka video --model wan2-2-t2v-a14b, routed by Orazaka

Prompt

Extreme close-up, slow motion: a stream of amber mint tea pours from a silver teapot held high into a small engraved glass, steam curling through a shaft of golden-hour light inside a Berber tent, dust motes floating, shallow depth of field, anamorphic lens flare, 35mm film grain, cinematic color grade.

Graine (seed)

20261011

Taille

832×480 · 16 images/s, 5.06 s

Durée

134 s, telles qu'enregistrées par le run

Coût

0.60 US$ (le prix du fournisseur)

Run Orazaka

25948442-7c68-4e66-94d6-39cd8b96438d

Son

music bed made by Orazaka (Studio video-sound, ACE-Step 1.5, MIT), -14 LUFS, AAC

La version hébergée est la plus simple : 0,60 $ et deux minutes, à chaque fois. Mais elle impose son menu. J'ai demandé du 720×1280, du 480×832, du 1280×720, avec et sans paramètre de format. Chaque réponse est revenue en 832×480. Impossible d'obtenir du vertical. Orazaka refuse donc ce modèle pour le 9:16, par son nom, plutôt que de recadrer une image horizontale en cachette.

C'est pour le vertical et le 720p que j'ai loué un H100. Le modèle A14B y tourne avec nos réglages, mais ne tient pas entier sur la carte de 80 Go : ses deux experts pèsent 57 Go et sont échangés avec la mémoire de l'hôte. Environ 26 secondes par étape, 18 minutes par clip. Plus cher que l'hébergé, mais en 720p et dans le format que je veux.

Ce que j'ai vraiment payé

Sur les 23,23 $ de GPU loué, le calcul des clips eux-mêmes représente 11,72 $. L'autre moitié est partie dans le démarrage, le téléchargement des poids, les essais ratés et les temps morts. Une heure de GPU se paie de la création de la machine à sa destruction, pas seulement pendant qu'elle travaille.

Les essais ratés ont leur histoire. Après le premier clip réussi, dix clips de suite ont échoué en 17 secondes : le worker vérifiait la mémoire libre avant chaque tâche, et comptait le modèle déjà chargé (environ 22 Go) comme de la mémoire prise (orazaka-worker-media#22). Trois clips ont été perdus en plein calcul, jusqu'à 9 minutes de GPU chacun, parce qu'un déploiement du site de dev redémarrait le relais et coupait le tunnel (#24). Et une autre fois, mon portable qui pilotait le lot s'est mis en veille : le droplet est resté 1,2 heure sans travail avant que son chien de garde le détruise.

Quand louer un GPU devient rentable

C'est le calcul qui m'intéresse le plus. Le prix d'un clip sur un GPU loué, c'est le tarif horaire divisé par le nombre de clips produits en une heure, divisé encore par la part du temps où la machine travaille vraiment. Un taxi qui attend garé coûte autant que le même taxi qui roule. Le curseur ci-dessous utilise les chiffres mesurés du H100 : 3,99 $ de l'heure, 175 secondes par clip image vers vidéo. Déplacez-le pour voir où il croise les 0,60 $ de l'hébergé.

Deux précautions. Les deux clips comparés ne sont pas les mêmes : l'hébergé fait du texte vers vidéo en 832×480, le H100 de l'image vers vidéo en 1280×704 avec un modèle plus petit. Et le calcul suppose que le démarrage est gratuit, ce qui est faux. Ce qu'il montre, c'est la forme de la réponse : à pleine charge, le GPU loué coûte environ le tiers de l'hébergé. Dès qu'il attend, l'avantage fond, puis s'inverse.

Depuis, la règle est simple. Une boucle de garde tourne pendant tout le lot, et on arrête le pod dès que la file est vide.

Le côté crédits

Orazaka facture ses utilisateurs en crédits. Une exécution pose d'abord une réserve, comme un hôtel qui bloque un montant sur votre carte à l'arrivée. Elle déroule ses étapes, puis règle une seule fois à la fin. Une génération qui ne produit rien libère sa réserve au lieu d'être facturée à l'estime.

En septembre, j'ai changé l'unité : un crédit est passé de 1 cent à 0,1 cent. Avant, les petites étapes de texte étaient arrondies à un minimum, et la génération d'image était facturée à zéro. J'ai rejoué cinq vrais traitements avant et après, sur la vraie base de données :

Les étapes de texte sont devenues 53 à 70 % moins chères. Rien n'a été remisé : on a juste arrêté de facturer un minimum. trade-showcase a quadruplé parce qu'une image en 512×512 vaut maintenant 10 cents au lieu de zéro. Les modèles étant réels, deux exécutions ne consomment pas tout à fait les mêmes jetons, mais ce bruit reste de quelques pour cent.

Ce que j'ai décidé

Les images restent sur le Mac par défaut, et l'hébergé prend le relais quand huit secondes comptent plus que huit cents. La vidéo part sur un GPU quand on le choisit : l'hébergé pour un clip horizontal rapide, un H100 loué pour le 720p et le vertical, jamais le Mac. Un GPU loué ne vit que le temps d'un lot. Et les licences sont des données : MMAudio, qui ajoute des bruitages synchronisés à une vidéo, est sous licence non commerciale, donc il reste disponible sans jamais être le choix par défaut.

Ce que je n'ai pas mesuré

L'électricité et l'usure du Mac. La qualité, que je vous laisse juger sur les images. Une comparaison du même clip, à la même taille, entre l'hébergé et le GPU loué. Et une marge : mes enregistrements contiennent le coût de chaque exécution, pas le revenu, donc je ne publie pas de marge.

Si vous retenez une chose : sur un GPU loué, une minute d'attente coûte exactement autant qu'une minute de calcul. Mesurez le temps où votre machine travaille vraiment avant de comparer son prix à celui d'une API.

Chaque chiffre vaut pour ce montage, les 15 et 16 octobre 2026. Je remesure quand le montage change. Pour voir ce que ces modèles font d'un prompt, lisez l'anatomie d'un prompt.