ComfyUI en Google Colab: Generar Imágenes y Vídeos con IA

ComfyUI en Google Colab es hoy el camino más barato y práctico para generar imágenes y vídeos con IA en calidad profesional sin necesidad de una tarjeta gráfica cara en casa. Quien intenta ejecutar Stable Diffusion, Flux o Wan 2.2 en un portátil con 6 GB de VRAM se bloquea en el primer intento. Yo mismo perdí noches intentándolo hasta que abandoné el hardware local para un cliente de Yeshua que necesitaba 80 miniaturas por semana. La combinación ComfyUI en Google Colab resolvió el atasco — y en esta guía muestro exactamente cómo replicar la configuración, desde cero hasta el primer vídeo renderizado.

TL;DR

• ComfyUI es el frontend node-based estándar para difusión en 2026, soporta SDXL, Flux, Wan 2.2, LTX-Video, Mochi-1, HiDream y Lumina.
• Google Colab entrega una GPU NVIDIA T4 (16 GB de VRAM) gratuita por sesión, ideal para imágenes en 1024 px y vídeos cortos con modelos cuantizados.
• La configuración toma de 8 a 12 minutos en la primera ejecución y libera una URL trycloudflare.com para usar ComfyUI en el navegador.
• Para vídeo con Wan 2.2 14B en GPU T4, use versión GGUF Q4 o Q5 — de lo contrario falta VRAM.
• Free tier da 15 a 30 horas de T4 por semana; Colab Pro (US$ 9,99/mes) desbloquea acceso ocasional a L4 y A100.

Por qué ComfyUI se convirtió en el estándar para generación de medios con IA en 2026

Hasta 2024, herramientas como Automatic1111 dominaban Stable Diffusion. ComfyUI cambió el juego por una razón simple: cada nodo representa un paso del pipeline de difusión, y eso significa control absoluto. Ves el KSampler, el VAE, el CLIP Text Encoder, el Checkpoint Loader y el Save Image como bloques visuales. Cuando sale un modelo nuevo — Flux, Wan 2.2, LTX-Video, Mochi-1 — la comunidad publica custom nodes en días, no en meses.

El ecosistema pasó de mil paquetes de custom nodes en 2026. ControlNet, IPAdapter, AnimateDiff, Hunyuan, Cosmos de NVIDIA: todo conectable. Para quienes trabajan con IA generativa de forma seria — agencia, e-commerce, EAD, medios sociales — este es el entorno donde los modelos llegan primero.

El problema es el hardware. Ejecutar Flux Dev 12B requiere unos 16 GB de VRAM para comodidad. Wan 2.2 en fp16 pide 20 GB y tarda 1h20min en un RTX 4090. Comprar una tarjeta así cuesta el precio de un coche popular. La salida es la nube — y la nube más accesible se llama Google Colab.

Google Colab: la GPU gratuita que desbloquea ComfyUI sin tarjeta gráfica

Google Colab es un Jupyter notebook alojado en la infraestructura de Google. Detrás de cada notebook tienes una máquina virtual con GPU, generalmente una NVIDIA Tesla T4 con 16 GB de VRAM en el nivel gratuito. Para ComfyUI en Google Colab, este hardware es suficiente para SDXL en 1024 px, Flux cuantizado, y vídeos cortos con Wan 2.2 5B o versiones GGUF de los modelos 14B.

La T4 no es la GPU más rápida del mundo. Es Turing, generación 2018, sin soporte nativo a FP8 que Hopper y Ada Lovelace tienen. Aun así, renderiza una imagen SDXL en unos 25 a 40 segundos y un clip de 81 frames con Wan 2.2 GGUF en torno a 12 a 20 minutos — números aceptables para iterar creativos.

Límites del nivel gratuito que debes entender

El Colab gratis tiene reglas que no están escritas en letras grandes:

• 15 a 30 horas de T4 por semana, ajustadas dinámicamente según demanda global.
• Sesión máxima de 12 horas, generalmente cortada antes (4 a 6 horas es lo realista).
• Idle timeout de 90 minutos — si no interactúas, el runtime se cae.
• Sin garantía de GPU: a veces solo hay CPU disponible en horas punta.
• Storage de la VM es efímero: todo lo que esté en el disco de la máquina desaparece cuando la sesión termina.

Cuándo vale la pena subir a Colab Pro y Pro+

Si usas ComfyUI en Google Colab una vez por semana para un cliente, el gratis sirve. Para uso profesional continuo, tiene sentido pagar:

• Colab Pro — US$ 9,99/mes: prioridad en la cola, GPUs mejores (L4 frecuente, A100 ocasional), sesiones más largas, 100 unidades de cómputo por mes.
• Colab Pro+ — US$ 49,99/mes: 500 unidades de cómputo, runtimes que continúan ejecutándose en segundo plano hasta 24 horas, acceso prioritario a A100.

Una A100 con 40 GB renderiza Wan 2.2 en fp16 en menos de 15 minutos. Para quien factura con vídeo generado, Pro+ se paga solo en la primera semana.

Paso a paso: ejecutando ComfyUI en Google Colab

La secuencia a continuación es el guion que uso para levantar un entorno nuevo. Pégalo en Colab en una sola celda, o toma un notebook listo de la comunidad — el comfyui_colab en el repositorio oficial de ComfyAnonymous es el punto de partida más fiable.

Configuración inicial e instalación de los custom nodes

1. En colab.research.google.com, crea un notebook nuevo y cambia el runtime a T4 GPU en Runtime → Change runtime type.
2. Pega el clone de ComfyUI: !git clone https://github.com/comfyanonymous/ComfyUI.
3. Instala dependencias: %cd ComfyUI && !pip install -r requirements.txt.
4. Añade el Manager — el nodo que instala otros nodos: !git clone https://github.com/ltdrdata/ComfyUI-Manager custom_nodes/ComfyUI-Manager.
5. Inicia con túneles Cloudflare: !python main.py --dont-print-server & wait_then_tunnel.
6. Abre la URL trycloudflare.com que aparece en la salida — ese es tu ComfyUI funcionando.

La primera vez, después de cargar un workflow, haz clic en Manager → Install Missing Custom Nodes → marca todo → Install. Reinicia el servidor. Listo.

Conectando Google Drive para persistir modelos

El mayor tropiezo de quien empieza con ComfyUI en Google Colab es volver a descargar 30 GB de modelos cada sesión. La solución es montar Drive:

from google.colab import drive
drive.mount('/content/drive')
!ln -s /content/drive/MyDrive/ComfyUI/models /content/ComfyUI/models

Guarda checkpoints, LoRAs, VAEs y clip encoders en Drive. La carga vía I/O es 3 a 5 veces más lenta que disco local, pero sigue siendo viable — y ahorras horas de descarga por semana.

Workflow básico de imagen: SDXL, Flux y checkpoints

Un workflow mínimo de SDXL tiene siete nodos: Checkpoint Loader, dos CLIP Text Encode (positivo y negativo), Empty Latent Image, KSampler, VAE Decode y Save Image. Arrastras el JSON del workflow a la pantalla de ComfyUI y lo monta solo.

Para empezar rápido, descarga un checkpoint base — SDXL Base 1.0 o JuggernautXL — y colócalo en models/checkpoints. Carga el workflow, escribe el prompt en el nodo positivo, haz clic en Queue Prompt. La T4 renderiza en 25 a 35 segundos por imagen en 1024×1024 con 25 steps en el sampler DPM++ 2M Karras.

Flux Dev es el siguiente paso. Exige el trípode: flux1-dev.safetensors, ae.safetensors (VAE), y dos text encoders (t5xxl y clip_l). En T4, usa la versión GGUF Q4_K_S de Flux que cabe en los 16 GB y mantiene calidad cercana al fp16. Tiempo medio: 90 a 120 segundos por imagen 1024 px con 20 steps.

Consejos que aprendí sufriendo:

• Siempre habilita --lowvram en el comando de inicio en T4 — fuerza offload dinámico de pesos a CPU.
• No uses VAE en FP16 con Flux GGUF — genera artefactos. Cárgalo en BF16.
• Guarda seeds que funcionaron — ComfyUI tiene nodo Primitive para fijar seed e iterar prompt sin perder la composición.

Generando vídeos con IA: Wan 2.2, LTX-Video y Mochi-1

El vídeo es la parte que más ha avanzado en 2026. Wan 2.2, lanzado por Alibaba, se ha convertido en referencia open-source. Existen tres variantes que importan:

• Wan 2.2 5B — cabe en 8 GB de VRAM nativamente, ideal para el nivel gratuito.
• Wan 2.2 14B fp16 — calidad máxima, requiere 24 GB+.
• Wan 2.2 14B GGUF Q4/Q5 — empaquetado cuantizado que cabe en 16 GB de la T4.

El modelo acepta texto-a-vídeo (t2v), imagen-a-vídeo (i2v), texto+imagen-a-vídeo e incluso audio-a-vídeo en algunas builds.

Imagen-a-vídeo (i2v) con Wan 2.2 en T4 gratuito

El caso más útil para producto y marketing es dar movimiento a una imagen estática. El workflow oficial de ComfyUI para Wan 2.2 i2v necesita:

1. Modelo Wan 2.2 14B i2v en GGUF (Q4_K_S funciona en T4).
2. VAE Wan 2.2 (wan_2.2_vae.safetensors).
3. Text encoder umt5_xxl en fp8.
4. Clip vision clip_vision_h.safetensors.

Después de cargar, conecta la imagen de origen al nodo WanImageToVideo, ajusta a 49 o 81 frames, elige 24 fps, y manda renderizar. En una T4, espera 12 a 25 minutos por clip de 4 segundos. Los resultados rivalizan con Runway Gen-3 sin la mensualidad de US$ 35 del plan estándar.

LTX-Video es la alternativa más rápida. Funciona en 6 a 8 minutos por clip en la misma T4, con calidad ligeramente inferior, pero excelente para iterar variantes antes de cerrar la versión final en Wan.

Tabla comparativa: ejecutar ComfyUI en Colab vs PC local vs nube dedicada

Criterio	ComfyUI en Google Colab (T4 gratis)	PC local con RTX 3060 12 GB	RunPod A100 bajo demanda
Costo inicial	0 €	~3.500 € (tarjeta)	0 €
Costo recurrente	0 € a 50 €/mes (Pro)	~80 €/mes (electricidad)	US$ 1,89/h (~1,70 €/h)
VRAM disponible	16 GB	12 GB	40 o 80 GB
Tiempo imagen SDXL	30 s	25 s	8 s
Tiempo vídeo Wan 2.2 14B	18 min (GGUF Q4)	imposible en fp16	12 min (fp16)
Persistencia de modelos	Google Drive (lento)	SSD local (rápido)	Volumen de la instancia
Idle timeout	90 min	ninguno	manual
Censura/política	contenido NSFW permitido	libre	libre

La elección depende del volumen. Hasta 50 renderizaciones semanales, ComfyUI en Google Colab gratis basta. Entre 50 y 300, el Pro vale. Por encima de eso, o comprar GPU local o alquilar A100 por hora en RunPod, Vast.ai o Lambda Labs.

Optimizando costo y tiempo: GGUF, cuantización y estrategias para T4

GGUF es el formato de cuantización que vino del mundo de los LLMs y adaptado para difusión por city96/ComfyUI-GGUF. En lugar de cargar pesos en fp16 (16 bits por parámetro), usas Q8 (8 bits), Q5_K_S (~5,5 bits) o Q4_K_S (~4,5 bits). La pérdida de calidad entre fp16 y Q5 es prácticamente imperceptible en generación para web y medios sociales.

En la práctica, esto significa que un modelo de 14 mil millones de parámetros, que pesaría 28 GB en fp16, cabe en 8 a 10 GB en Q4. Es la diferencia entre ejecutar y no ejecutar en Colab gratis.

Otras tácticas que valen la pena:

• Habilita --use-split-cross-attention en el inicio — reduce el uso de VRAM en la capa de atención.
• Usa tiled_vae para imágenes de más de 1024 px — decodifica en bloques.
• Mantén solo 1 modelo cargado a la vez — descarga checkpoints anteriores con el nodo Unload Model.
• Haz batching pequeño — en T4, batch 1 es más rápido que 2 porque evita swap.
• Guarda salidas directamente en Drive con nodo Save Image apuntando a /content/drive/MyDrive/outputs/.

Trampas comunes y cómo evitarlas (sesión caída, sin VRAM, modelo bloqueado)

Después de meses ayudando a clientes a montar ComfyUI en Google Colab, vi cinco problemas repetirse:

1. "CUDA out of memory" en medio de la generación — casi siempre es VAE en fp16 con modelo Flux/Wan. Cambia a BF16 o activa --cpu-vae.
2. ComfyUI se queda en "Loading" — caché corrupto. Reinicia el runtime de Colab por completo (Runtime → Disconnect and delete runtime) y rehaz la configuración.
3. La sesión se cae antes de terminar el vídeo — idle timeout. Mantén una pestaña activa ejecutando un script JavaScript en la consola: setInterval(() => document.querySelector('colab-toolbar-button#connect').click(), 60000);.
4. La URL trycloudflare.com deja de responder — Cloudflare derriba túneles ociosos. Reinicia la celda que levanta el túnel sin reiniciar todo.
5. Falta de GPU disponible — Google prioriza a usuarios de pago. Intenta entre 02h y 08h (hora de España), la demanda baja.

Casos de uso reales: marketing, e-commerce, redes sociales y EAD

¿Qué justifica invertir tiempo aprendiendo ComfyUI en Google Colab? Casos donde ahorré (o ayudé a clientes a ahorrar) dinero de verdad:

• E-commerce: generar 200 variaciones de fondo para un único producto fotografiado una vez. Coste vía agencia de fotos: 4.000 €. Vía ComfyUI en Colab: 0 €.
• Tráfico de pago: crear 30 a 50 creativos diferentes para test A/B en Meta Ads sin pedir diseñador cada semana. Mira cómo se integra esto con nuestra estrategia en agentes ilimitados en WhatsApp empresarial — porque el creativo escalable solo funciona si la atención aguanta el volumen.
• EAD y Moodle: producir portadas de cursos y personajes animados para microlearning. Junto con una aplicación Moodle personalizada, el contenido visual aumenta el compromiso de los alumnos.
• Redes sociales: animación de carrusel estático en Reels de 5 segundos con Wan 2.2 i2v. Sustituye presupuesto de motion designer en proyectos pequeños.
• Editorial y blog: ilustraciones de portada de artículos, infografías ilustradas, mockups de productos imaginarios.

La habilidad que cambia el juego no es generar una imagen bonita — cualquier herramienta SaaS lo hace. Es controlar el pipeline completo: prompt, seed, CFG, sampler, LoRA, ControlNet, upscaler, refinamiento. ComfyUI te da ese control. Colab te da el hardware. Juntos, dan autonomía.

Próximos pasos: de Colab a producción (y cómo Agathas ayuda)

ComfyUI en Google Colab es genial para prototipo y volumen medio. Cuando el proyecto crece — automatización 24/7, integración con WhatsApp, panel administrativo, facturación — la configuración necesita convertirse en servicio. Ahí entra el trabajo de transformar workflow en API.

En Agathas Web hacemos exactamente ese puente: subimos ComfyUI en una instancia GPU dedicada (RunPod, Vast.ai o GCP), exponemos los workflows como endpoint REST, y los conectamos a sistemas existentes — sitio web, CRM, bot de atención, pasarela de pago. El cliente envía un briefing y recibe imágenes o vídeos listos sin tener que abrir Colab cada vez.

Si has llegado hasta aquí, ya tienes suficiente para montar un entorno propio. Empieza por lo gratuito, siente el tiempo de cada modelo, descubre dónde el atajo del GGUF salva tu sesión. Después, si necesitas convertirlo en una operación seria, habla con nosotros — la parte de infraestructura, seguridad e integración es nuestra especialidad desde 2008.

Conclusión

Generar imagen y vídeo con IA dejó de ser privilegio de quien tiene RTX 4090 en casa. ComfyUI en Google Colab democratizó el acceso: abres el navegador, haces clic en Run, y en 10 minutos estás renderizando Wan 2.2 con calidad de estudio. El secreto no está en el modelo de la semana — está en dominar el pipeline node-based, entender los límites de la T4, y usar cuantización GGUF cuando falte VRAM. Empieza simple: un workflow SDXL hoy, Flux mañana, Wan 2.2 el fin de semana. Cada hora invertida en ComfyUI vuelve como semanas de trabajo creativo automatizado.