واقعیت تولید ویدیو با هوش مصنوعی به صورت self-hosted

قابلیت‌های واقعی یک تولیدکننده ویدیوی هوش مصنوعی به صورت self-hosted

یک تولیدکننده ویدیوی هوش مصنوعی به صورت self-hosted امروزه کار می‌کند، اما کندتر و محدودتر از آن چیزی است که ویدیوهای نمایشی نشان می‌دهند. تا ژوئیه 2026، مدل‌های متن‌بازی که ارزش اجرا دارند Wan 2.2 از Alibaba و HunyuanVideo از Tencent هستند، به علاوه LTX-Video از Lightricks برای زمانی که سرعت از واقع‌گرایی اهمیت بیشتری دارد. همه این‌ها تحت ComfyUI روی یک سیستم Linux با پردازنده گرافیکی NVIDIA اجرا می‌شوند. با Wan 2.2، که مدلی است که این راهنما تنظیم می‌کند، خروجی شما یک کلیپ حدوداً پنج ثانیه‌ای با کیفیت 720p خواهد بود. Lightricks برای مدل فعلی خود یعنی LTX-2.5 که صدا نیز تولید می‌کند، مستندات بیشتری ارائه داده است: تا 20 ثانیه برای هر کلیپ با کیفیت 720p یا 1080p و نرخ 24 یا 25 فریم بر ثانیه، و کیفیت 4K بومی با نرخ حداکثر 50 فریم بر ثانیه برای کلیپ‌های تا 10 ثانیه. این محدودیت‌ها مربوط به API خود Lightricks است، اگرچه وزن‌های LTX-2.5 نیز به‌صورت متن‌باز در Hugging Face منتشر شده‌اند. این هنوز یک شات (shot) است. نه یک صحنه. نه یک دقیقه فیلم نهایی.

پاسخ کوتاه پیش از جزئیات این است: یک کارت 24 GB یک کلیپ 720p پنج ثانیه‌ای را در چند دقیقه (تک‌رقمی) رندر می‌کند. یک کارت 12 GB همین کار را در بیست دقیقه یا بیشتر انجام می‌دهد، زیرا وزن‌های مدل در حافظه ویدیویی جا نمی‌شوند و نرم‌افزار مدام لایه‌ها را بین VRAM و RAM سیستم جابه‌جا می‌کند. سروری که فاقد GPU باشد نمی‌تواند این کار را به شکل مفیدی انجام دهد. محاسباتی که تولید تصویر با CPU را کند می‌کرد، تولید ویدیو با CPU را بی‌معنا می‌کند.

اگر قبلاً نردبان سخت‌افزاری برای تولیدکننده تصویر به صورت self-hosted را خوانده‌اید، ویدیو همان استدلال است با این تفاوت که هر عدد یک کلاس بالاتر رفته است. VRAM (حافظه ویدیویی، رم لحیم‌شده در کنار تراشه گرافیکی) همچنان تنها مشخصه‌ای است که تعیین می‌کند این کار لذت‌بخش است یا عذاب‌آور.

چرا هزینه یک ویدیو بسیار بیشتر از یک تصویر است

یک مدل انتشار (diffusion model) با حذف نویز در چندین مرحله، یک تصویر تولید می‌کند و هر مرحله تمام وزن‌های مدل را می‌خواند. یک مدل ویدیو همین کار را برای مجموعه‌ای از فریم‌ها به‌طور هم‌زمان انجام می‌دهد و توجه زمانی (temporal attention) را اضافه می‌کند تا فریم 80 بداند فریم 12 چگونه بوده است. پنج ثانیه ویدیو با نرخ 24 فریم بر ثانیه، شامل 120 فریم در یک دسته (batch) است.

آن توجه زمانی دلیل این است که هزینه با افزایش طول کلیپ به‌صورت خطی رشد نمی‌کند. دو برابر کردن تعداد فریم‌ها، حافظه مورد نیاز sampler را بیش از دو برابر می‌کند؛ بنابراین حالت شکست (failure mode)، کند شدن رندر نیست، بلکه متوقف شدن کامل آن است.

یک جهش حافظه دوم نیز وجود دارد که افراد انتظار آن را ندارند. پس از پایان کار sampler، بخش VAE (رمزگذار خودکار متغیر، بخشی که latent فشرده را به پیکسل‌های واقعی تبدیل می‌کند) کل ویدیوی latent را به‌طور یکجا رمزگشایی می‌کند. این رمزگشایی ممکن است به حافظه بیشتری نسبت به مرحله sampling نیاز داشته باشد. نشانه این وضعیت، کاری است که نوار پیشرفت آن کامل شده و سپس این پیام را چاپ می‌کند:

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.31 GiB

راه حل، استفاده از رمزگشایی کاشی‌کاری‌شده (tiled decoding) یا کوتاه‌تر کردن کلیپ است. دانستن اینکه کدام مرحله با کمبود حافظه مواجه شده، شما را از یک ساعت تنظیم اشتباه پارامترها نجات می‌دهد.

به چه مقدار VRAM برای تولید ویدئوی هوش مصنوعی نیاز دارید

دو رقم منتشرشده، کل تصمیم‌گیری را مشخص می‌کنند و در نگاه اول متناقض به نظر می‌رسند. Alibaba اعلام می‌کند که مدل Wan 2.2 TI2V-5B کلیپ‌های 720p را با سرعت 24 فریم در ثانیه و به طول پنج ثانیه، روی یک GPU مصرفی مانند 4090 در کمتر از 9 دقیقه تولید می‌کند و حداقل 24 GB VRAM را توصیه می‌کند. مستندات ComfyUI اعلام می‌کند که همین مدل 5B با قابلیت native offloading در ComfyUI «باید به‌خوبی روی 8GB vram جا شود».

هر دو گزاره درست‌اند، چون چیزهای متفاوتی را اندازه‌گیری می‌کنند. 8 GB مقداری است که مدل با آن اجرا می‌شود. 24 GB مقداری است که اجرای مدل در آن بدون فشار انجام می‌شود. offloading با نگه‌داشتن بخش عمده مدل در RAM سیستم و انتقال لایه‌ها به GPU برای هر گام کار می‌کند؛ بنابراین کارت به‌جای انجام محاسبات، زمان خود را صرف انتظار برای گذرگاه PCIe می‌کند. این هزینه در هر گام sampler پرداخت می‌شود، نه فقط یک بار.

[
  {
    "label": "8GB VRAM, heavy offloading",
    "minutes_per_clip": 40
  },
  {
    "label": "12GB VRAM",
    "minutes_per_clip": 22
  },
  {
    "label": "16GB VRAM",
    "minutes_per_clip": 14
  },
  {
    "label": "24GB VRAM, 4090 class",
    "minutes_per_clip": 9
  }
]

فقط ردیف آخر یک رقم ارائه‌شده از سوی vendor است. کارت 24 GB برای هر کلیپ به 9 دقیقه می‌رسد که رقم منتشرشده Alibaba برای این مدل است. ردیف‌های دیگر نشان می‌دهند offloading چه اثری بر آن دارد و ترتیب آن‌ها به‌جای نتیجه benchmark، فقط بزرگی تقریبی زمان را نشان می‌دهد. نکته اصلی روند کلی است: 40 دقیقه روی کارت 8 GB از نظر فنی یک setup قابل‌اجراست، اما در عمل شبیه batch job است که آن را شب تا صبح در حال اجرا رها می‌کنید.

مدل‌های بزرگ‌تر Wan 2.2 در سطح کاملاً متفاوتی قرار دارند. دستور inference تک‌GPU خود Alibaba برای گونه‌های A14B مربوط به text-to-video و image-to-video حداقل 80 GB VRAM می‌خواهد. هیچ کارت مصرفی چنین ظرفیتی ندارد؛ بنابراین اجرای این دستور به همان شکلی که منتشر شده است، به یک شتاب‌دهنده data-center مانند A100 یا H100، یا یک کارت workstation مانند NVIDIA RTX PRO 6000 Blackwell با 96 GB نیاز دارد. این رقم به script متعلق به Alibaba مربوط است، نه به همه روش‌های اجرای مدل‌ها. dynamic VRAM loader در ComfyUI که در March 2026 برای کارت‌های NVIDIA روی Windows و Linux مستند شده است، هر دو expert مدل 14B را در حالت‌های fp16 و fp8 روی RTX 5060 با بارگذاری weightها هنگام نیاز benchmark کرده است. این اجراها 81 فریم با ابعاد 320 در 320 داشتند؛ بنابراین نشان می‌دهند مدل‌های A14B روی یک کارت کوچک load می‌شوند، نه این‌که 720p روی آن کارت سریع یا حتی عملی باشد. برای تولید خروجی 14B با وضوح 720p در زمان معقول، self-hosted همچنان معمولاً به معنای اجاره ساعتی accelerator دیگران است. همین محاسبه در بخش text بسیار گسترده‌تر می‌شود؛ جایی که self-hosting یک مدل 2.8 تریلیون پارامتری مانند Kimi K3 دیگر مسئله یک کارت نیست و به این مسئله تبدیل می‌شود که توان مالی اتصال چند کارت 80 GB به یکدیگر را دارید.

هزینه هر کلیپ روی GPU اجاره‌ای

اجاره کردن روشی است که اکثر افراد باید برای آزمایش این موضوع از آن استفاده کنند، زیرا اگر مدلی که در نهایت به آن نیاز پیدا می‌کنید به 80 گیگابایت حافظه نیاز داشته باشد، کارتی که خریداری کرده‌اید سخت‌افزار اشتباهی خواهد بود. میانه قیمت‌های on-demand در بازار اجاره GPU، تا ژوئیه 2026 به شرح زیر است:

[
  {
    "label": "RTX 4090, 24GB",
    "usd_per_hour": 0.36,
    "usd_per_clip": 0.05
  },
  {
    "label": "A100, 80GB",
    "usd_per_hour": 1.79,
    "usd_per_clip": 0.6
  },
  {
    "label": "H100, 80GB",
    "usd_per_hour": 2.99,
    "usd_per_clip": 0.55
  }
]

ردیف 4090 مدل 5B را اجرا می‌کند و هزینه آن حدود 0.05 دلار برای هر کلیپ با نرخ 0.36 دلار در ساعت است. ردیف‌های 80 گیگابایتی مدل‌های 14B را اجرا می‌کنند، به همین دلیل است که هزینه آن‌ها برای هر کلیپ به 0.6 دلار افزایش می‌یابد، حتی با وجود اینکه خود سخت‌افزار بسیار سریع‌تر است. مدل بزرگ‌تر، به معنای محاسبات بیشتر در هر ثانیه از ویدیو است.

پنج سنت برای هر کلیپ ناچیز به نظر می‌رسد و این بخش گمراه‌کننده ماجراست. اولین پنج ثانیه قابل استفاده شما هرگز با یک رندر به دست نمی‌آید. پرامپت‌نویسی برای یک مدل ویدیویی نوعی جستجو است و بیست تا چهل رندر پیش از رسیدن به یک نتیجه مطلوب برای شاتی با حرکت خاص، امری عادی است. بنابراین، یک جلسه کاری به جای سنت، با دلار محاسبه می‌شود و یک بعدازظهر کار روی سخت‌افزار اجاره‌ای، تقریباً به اندازه هزینه ناهار خرج برمی‌دارد.

دو نکته در اجاره وجود دارد که اگر به آن‌ها توجه نکنید، هزینه واقعی روی دستتان می‌گذارد. زمانی که سیستم در حال دانلود وزن‌ها (weights) است، برای شما صورت‌حساب صادر می‌شود و فایل‌های Wan 2.2 به همراه text encoder و VAE آن‌ها به ده‌ها گیگابایت می‌رسند؛ بنابراین ارائه‌دهنده‌ای را انتخاب کنید که دارای persistent volume باشد تا فقط یک بار دانلود کنید. همچنین زمانی که سیستم با نشست SSH باز شما بیکار می‌ماند، برایتان هزینه محاسبه می‌شود. به جای بستن ترمینال، instance را متوقف (stop) کنید.

نصب ComfyUI روی سرور دارای GPU

کار را با Ubuntu 24.04 که درایور NVIDIA روی آن نصب شده است، شروع کنید. ابتدا درایور را بررسی کنید، زیرا در صورت عدم انجام این بررسی، تمام خطاهای بعدی مشابه به نظر می‌رسند.

nvidia-smi

این دستور باید جدولی شامل کارت گرافیک و نسخه CUDA شما را نمایش دهد. اگر خروجی NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver باشد، یعنی ماژول کرنل بارگذاری نشده است که معمولاً پس از ارتقای کرنل بدون reboot رخ می‌دهد. این مشکل را در همین مرحله رفع کنید. در غیر این صورت، ComfyUI به مسیر CPU بازمی‌گردد و شما یک ساعت وقت خود را صرف عیب‌یابی مدل خواهید کرد.

sudo apt update
sudo apt install -y git python3-venv python3-pip wget
git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI
python3 -m venv venv
. venv/bin/activate
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt

پیش از دانلود حتی یک فایل وزن (weight)، تأیید کنید که PyTorch کارت گرافیک را شناسایی می‌کند.

python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

خروجی True به همراه نام کارت شما به این معنی است که پشته نرم‌افزاری سالم است. خروجی False نشان می‌دهد که نسخه نصب‌شده از نوع CPU-only است؛ این اتفاق زمانی می‌افتد که pip یک نسخه کش‌شده از torch مربوط به نصب‌های قبلی را پیدا می‌کند. با استفاده از index URL بالا، آن را مجدداً نصب کنید.

دانلود فایل‌های مدل Wan 2.2

نرم‌افزار ComfyUI بدون وزن‌ها (weights) عرضه می‌شود و یک مدل ویدئویی تنها از یک فایل تشکیل نشده است. این مدل شامل یک مدل diffusion، یک text encoder و یک VAE است که هر کدام باید در دایرکتوری مخصوص خود قرار بگیرند. اگر فایلی را در پوشه اشتباه قرار دهید، گره (node) بارگذار آن را نمایش نمی‌دهد و هیچ خطایی نیز برای توضیح علت آن صادر نمی‌شود.

cd ~/ComfyUI/models
wget -P diffusion_models https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/diffusion_models/wan2.2_ti2v_5B_fp16.safetensors
wget -P text_encoders https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/main/split_files/text_encoders/umt5_xxl_fp8_e4m3fn_scaled.safetensors
wget -P vae https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/vae/wan2.2_vae.safetensors

مدل 5B هم تبدیل متن به ویدئو و هم تصویر به ویدئو را پشتیبانی می‌کند و به همین دلیل، نقطه شروع منطقی است. همیشه .safetensors را به .ckpt ترجیح دهید. فایل .ckpt یک شیء Python است که به صورت pickled ذخیره شده است، بنابراین بارگذاری آن کدهایی را اجرا می‌کند که توسط سازنده آن نوشته شده است. فضای دیسک را دست‌ودلبازانه در نظر بگیرید: یک نصب فعال با یک خانواده مدل و خروجی‌های آن به 100 GB فضا نیاز دارد و فایل‌های ویدئویی بسیار حجیم‌تر از تصاویر PNG هستند که در جریان کاری (workflow) تصویر باقی می‌مانند. از فایل‌های JSON جریان کاری خود با ابزاری مانند پشتیبان‌گیری افزایشی رمزنگاری‌شده در فضای ذخیره‌سازی شیء نسخه پشتیبان تهیه کنید، زیرا وزن‌ها قابل دانلود مجدد هستند اما جریان‌های کاری تنظیم‌شده شما خیر.

اجرا و دسترسی ایمن

cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188

نرم‌افزار ComfyUI فاقد صفحه ورود یا حساب کاربری است. هر کسی که به پورت 8188 دسترسی داشته باشد، می‌تواند پردازش‌ها را در صف قرار دهد و تمام کلیپ‌های تولیدشده توسط شما را مشاهده کند. اگر بعداً ComfyUI-Manager را فعال کنید، امکان نصب گره‌های سفارشی توسط بازدیدکنندگان از راه دور به تنظیمات امنیتی و شبکه آن بستگی دارد؛ در نظر داشته باشید که یک گره سفارشی می‌تواند به معنای اجرای کد دلخواه روی سرور شما باشد. این سرویس را روی localhost محدود کنید و از طریق SSH tunnel از دستگاه خود به آن متصل شوید.

ssh -N -L 8188:127.0.0.1:8188 you@your-server

سپس http://127.0.0.1:8188 را در مرورگر خود باز کنید. به‌جای سیم‌کشی دستی گره‌ها، قالب گردش‌کار Wan 2.2 را از منوی قالب‌های ComfyUI بارگذاری کنید. قالب‌های رسمی شامل تنظیمات sampler هستند که مدل برای آن‌ها بهینه‌سازی شده است؛ یک گردش‌کار ویدئویی نسبت به گردش‌کار تصویری، نقاط بسیار بیشتری برای بروز خطاهای جزئی در مقادیر دارد.

چه زمانی پاسخ صادقانه استفاده از API است

میزبانی شخصی (self-hosting) تولید ویدیو زمانی انتخاب درستی است که حجم کار بالا و مداوم باشد، زمانی که فریم‌های شما نباید از زیرساخت شخصی‌تان خارج شوند، یا زمانی که به مدل خاص یا adapter سفارشی نیاز دارید که هیچ سرویس میزبانی‌شده‌ای آن را ارائه نمی‌دهد. همچنین زمانی که نیاز دارید pipeline شما تا یک سال آینده دقیقاً به همین شکل کار کند، این انتخاب مناسب است. برخی مدل‌های میزبانی‌شده بدون اطلاع شما تغییر می‌کنند: Replicate مدل‌های رسمی خود را با آخرین نسخه به‌روز نگه می‌دارد و از شما برای تغییر نسخه سوال نمی‌کند. مدل‌های دیگر را می‌توان روی نسخه خاصی قفل (pin) کرد و مدل‌های جامعه کاربری Replicate با نسخه مشخصی فراخوانی می‌شوند، بنابراین پیش از آنکه بر پایه یکی از آن‌ها چیزی بسازید، این مورد را بررسی کنید.

زمانی از API میزبانی‌شده استفاده کنید که در ماه به تعداد انگشت‌شماری کلیپ نیاز دارید، زمانی که به خروجی طولانی‌تر یا بزرگ‌تر از آنچه مدل‌های متن‌باز تولید می‌کنند نیاز دارید، یا زمانی که همین هفته ضرب‌الاجل (deadline) دارید. محاسبات نقطه سربه‌سر (break-even) را صادقانه انجام دهید. هزینه اجاره یک کارت 24 GB به‌صورت شبانه‌روزی با نرخ میانگین ژوئیه 2026، تقریباً 260 دلار در ماه است و خرید همان کارت، پیش از آنکه حتی یک فریم تولید کرده باشید، هزینه‌ای بیش از این مبلغ روی دست شما می‌گذارد. یک سیستم self-hosted که بیکار مانده باشد، همیشه در برابر قیمت‌گذاری به ازای هر کلیپ در API شکست می‌خورد. این همان مبادله‌ای است که تعیین می‌کند چگونه مدل‌های متنی را سرویس‌دهی کنید، که در مقایسه Ollama با vLLM برای سرویس‌دهی LLM به صورت self-hosted پوشش داده شده است و بر پایه پرسش بنیادی‌تری در اینکه آیا اجاره یک VPS دارای GPU اصلاً ارزش هزینه کردن دارد یا خیر قرار دارد.

مواردی که هنگام ناموفق‌بودن render باید بررسی کنید

اگر render درست در پایان کار، پس از تکمیل نوار sampler، متوقف شود، حافظه در مرحلهٔ VAE decode تمام شده است. تعداد frameها را کاهش دهید یا به یک tiled decode node تغییر دهید. تغییر step count کمکی نمی‌کند، زیرا decode فقط یک‌بار و پس از اجرای همهٔ stepها انجام می‌شود.

خروجی کاملاً سیاه یا به‌شدت درهم‌ریخته معمولاً به این معناست که VAE با model سازگار نیست. شمارهٔ versionها مشخص نمی‌کنند کدام فایل درست است: model با نام Wan 2.2 TI2V-5B از Wan 2.2 VAE استفاده می‌کند، درحالی‌که configuration رسمی خود Alibaba برای modelهای Wan 2.2 A14B، Wan 2.1 VAE را مشخص می‌کند. VAEای را بارگذاری کنید که template رسمی model شما نام برده است.

اگر render اجرا می‌شود اما روی ماشینی که می‌دانید GPU دارد ساعت‌ها طول می‌کشد، ComfyUI از مسیر CPU استفاده می‌کند. لاگ startup را برای خط device بررسی کنید و سپس بررسی torch.cuda.is_available() بالا را دوباره اجرا کنید.

اگر process همراه با Killed در dmesg ناپدید شود و هیچ Python tracebackای وجود نداشته باشد، عامل kernel برای کمبود حافظه آن را متوقف کرده است؛ بنابراین مشکل مربوط به system RAM است، نه VRAM. مقدار RAM موردنیاز برای offloading به نحوهٔ بارگذاری weightها توسط ComfyUI بستگی دارد. dynamic VRAM loader آن، که روی کارت‌های NVIDIA در Linux و Windows اجرا می‌شود، فایل‌های weight را از disk map می‌کند و آن‌ها را در صورت نیاز بارگذاری می‌کند. ComfyUI می‌گوید این loader می‌تواند modelهایی را اجرا کند که از RAM فیزیکی شما بزرگ‌تر هستند؛ بنابراین 16 GB از system RAM به‌تنهایی offloading یک model با اندازهٔ 5B را منتفی نمی‌کند. buildهای قدیمی‌تر و buildهای فعلی که با --disable-dynamic-vram راه‌اندازی شده‌اند، از روش قدیمی‌تر بارگذاری مبتنی بر برآورد استفاده می‌کنند و ممکن است یک سیستم کوچک را با کمبود حافظه مواجه کنند. ComfyUI را update کنید و بررسی کنید که این flag تنظیم نشده باشد. اگر عامل kernel همچنان process را متوقف می‌کند، RAM اضافه کنید یا swap اضافه کنید.

FAQ

آیا می‌توانم بدون GPU روی یک VPS ویدئوی AI تولید کنم؟

خیر؛ نه به شکلی که بخواهید آن را دو بار انجام دهید. تولید یک کلیپ 5 ثانیه‌ای با وضوح 720p که روی یک GPU با 24 GB، 9 دقیقه زمان می‌برد، روی CPU چندین ساعت طول می‌کشد. برخی CPUهای سرور واحدهای ماتریسی داخلی دارند؛ برای نمونه، پردازنده‌های Intel Xeon مجهز به AMX. اما throughput آن‌ها بسیار کمتر از GPU است و پهنای‌باند RAM سیستم نیز یک مرتبهٔ بزرگی کمتر از پهنای‌باند حافظهٔ GPU است. یک سرور CPU می‌تواند رابط ComfyUI را میزبانی کند، مدل‌ها را ذخیره کند و workflowها را نگه دارد؛ اما rendering به GPU نیاز دارد.

برای Wan 2.2 به چه مقدار VRAM نیاز دارم؟

برای مدل TI2V-5B، با native offloading در ComfyUI، مقدار 8 GB حداقل لازم است و Alibaba برای دستیابی به سرعت منتشرشده، 24 GB را توصیه می‌کند. برای مدل‌های text-to-video و image-to-video از نوع A14B، دستور inference تک‌GPU شرکت Alibaba دست‌کم 80 GB VRAM می‌خواهد. بنابراین باید از یک کارت data-center با 80 GB یا یک کارت workstation با 96 GB، مانند RTX PRO 6000 Blackwell، استفاده کنید؛ البته اگر مدل را با همین روش اجرا کنید. dynamic VRAM loader در ComfyUI هر دو expert مدل 14B را روی RTX 5060 اجرا کرده است؛ اما این کار فقط در یک benchmark با ابعاد 320 در 320 انجام شده است. بنابراین این نتیجه را فقط مدرکی برای load شدن مدل‌ها روی یک کارت کوچک بدانید، نه رقمی برای سرعت یا مصرف حافظه در 720p.

یک کلیپ self-hosted حداکثر چه مدتی می‌تواند داشته باشد؟

در Wan 2.2، تا July 2026، واحد عملی تولید حدود 5 ثانیه در وضوح 720p است. Lightricks برای کلیپ‌های LTX-2.5 با audio تولیدشده، حداکثر 20 ثانیه در وضوح‌های 720p و 1080p، و حداکثر 10 ثانیه در وضوح 1440p، 4K یا نرخ 48 تا 50 fps را مستند کرده است. خروجی طولانی‌تر با تولید segmentها و اتصال آن‌ها به یکدیگر ساخته می‌شود؛ در این روش، آخرین frame یک segment به‌عنوان نخستین frame segment بعدی استفاده می‌شود. کیفیت در محل اتصال‌ها به‌تدریج تغییر می‌کند. بنابراین ویدئوی طولانی را یک کار editing بدانید، نه یک generation واحد.

آیا اجارهٔ GPU ساعتی از خرید یک کارت ارزان‌تر است؟

برای هر میزان rendering کمتر از چند ساعت در روز، اجاره گزینهٔ بهتری است. در median ماه July 2026، یعنی حدود 0.36 دلار در ساعت برای یک کارت 24 GB، می‌توانید مدت زیادی کارت را اجاره کنید تا هزینهٔ آن با قیمت خرید همان کارت برابر شود. همچنین مجبور نیستید سخت‌افزاری بخرید که بعداً مشخص شود برای مدل موردنظر شما از کلاس مناسبی نیست. خرید فقط زمانی مقرون‌به‌صرفه است که سیستم هر روز و در بیشتر ساعات روز مشغول باشد.