Self-hosted AI video generator: क्या यह वास्तव में काम

एक self-hosted AI वीडियो जनरेटर वास्तव में क्या कर सकता है

एक self-hosted AI वीडियो जनरेटर आज काम करता है, लेकिन यह डेमो रील्स के सुझाव से धीमा और छोटा है। जुलाई 2026 तक, चलाने योग्य ओपन मॉडल्स में Alibaba का Wan 2.2 और Tencent का HunyuanVideo शामिल हैं, साथ ही Lightricks का LTX-Video भी है, जब यथार्थवाद (realism) से अधिक गति मायने रखती है। ये सभी NVIDIA GPU वाले Linux मशीन पर ComfyUI के तहत चलते हैं। Wan 2.2 के साथ, जिसे यह गाइड सेटअप करती है, आपको लगभग पांच सेकंड की 720p क्लिप मिलती है। Lightricks अपने वर्तमान मॉडल LTX-2.5 के लिए अधिक जानकारी देता है, जो ऑडियो भी जनरेट करता है: 720p या 1080p पर 20 सेकंड तक की क्लिप, 24 या 25 fps पर, और 10 सेकंड तक की क्लिप के लिए 50 fps तक पर नेटिव 4K। ये सीमाएं Lightricks की अपनी API के लिए हैं, हालांकि LTX-2.5 के weights भी Hugging Face पर खुले तौर पर प्रकाशित किए गए हैं। यह अभी भी एक 'शॉट' है। कोई दृश्य (scene) नहीं। न ही एक मिनट की तैयार फुटेज।

विवरण से पहले यहाँ संक्षिप्त उत्तर दिया गया है। एक 24 GB कार्ड पांच सेकंड की 720p क्लिप को कुछ ही मिनटों में रेंडर कर देता है। एक 12 GB कार्ड यही काम बीस मिनट या उससे अधिक समय में करता है, क्योंकि weights वीडियो मेमोरी में फिट नहीं होते और सॉफ्टवेयर लगातार layers को सिस्टम RAM में आगे-पीछे करता रहता है। बिना GPU वाला सर्वर इसे किसी भी उपयोगी तरीके से नहीं कर सकता। जिस गणित ने CPU इमेज जनरेशन को धीमा बनाया था, वही CPU वीडियो जनरेशन को निरर्थक बना देता है।

यदि आपने पहले ही self-hosted इमेज जनरेटर के लिए हार्डवेयर लैडर पढ़ लिया है, तो वीडियो के लिए भी वही तर्क लागू होता है, बस हर संख्या एक क्लास ऊपर चली जाती है। VRAM (वीडियो मेमोरी, ग्राफिक्स चिप के बगल में सोल्डर की गई RAM) ही एकमात्र ऐसी विशिष्टता है जो यह तय करती है कि यह अनुभव मजेदार होगा या कष्टदायक।

एक वीडियो की लागत एक इमेज से इतनी अधिक क्यों होती है

एक diffusion model इमेज को स्टेप्स में denoising करके जनरेट करता है, और प्रत्येक स्टेप मॉडल के हर weight को पढ़ता है। एक वीडियो मॉडल फ्रेम के पूरे ब्लॉक के साथ एक ही बार में यही प्रक्रिया करता है, और यह समय के साथ attention जोड़ता है ताकि फ्रेम 80 को पता रहे कि फ्रेम 12 कैसा दिखता था। 24 frames per second पर पांच सेकंड का मतलब एक बैच में 120 फ्रेम्स होता है।

वह temporal attention ही कारण है कि लागत क्लिप की लंबाई के साथ सामान्य रूप से नहीं बढ़ती है। फ्रेम काउंट को दोगुना करने से sampler को आवश्यक मेमोरी दोगुने से भी अधिक हो जाती है, इसलिए विफलता का कारण धीमी रेंडरिंग नहीं होती है। बल्कि रेंडरिंग का पूरी तरह रुक जाना होता है।

मेमोरी का एक दूसरा स्पाइक भी होता है जिसकी उम्मीद लोग नहीं करते। Sampler के पूरा होने के बाद, VAE (variational autoencoder, वह हिस्सा जो compressed latent को वास्तविक pixels में बदलता है) पूरे latent वीडियो को एक साथ डिकोड करता है। उस डिकोडिंग में सैंपलिंग से भी अधिक मेमोरी की आवश्यकता हो सकती है। इसका लक्षण यह है कि जॉब प्रोग्रेस बार पूरा दिखाती है और फिर यह प्रिंट करती है:

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

इसका समाधान tiled decoding या छोटी क्लिप है। यह जानना कि किस चरण में मेमोरी खत्म हुई, आपको गलत चीज को ठीक करने में घंटों बर्बाद करने से बचाता है।

AI वीडियो जनरेशन के लिए आपको कितनी VRAM की आवश्यकता है

दो प्रकाशित आंकड़े पूरे निर्णय को निर्धारित करते हैं, और वे एक-दूसरे के विपरीत प्रतीत होते हैं। Alibaba का कहना है कि Wan 2.2 TI2V-5B मॉडल 4090 जैसे सिंगल कंज्यूमर GPU पर नौ मिनट से कम समय में 720p क्लिप्स को 24 फ्रेम प्रति सेकंड की दर से और पांच सेकंड की लंबाई में तैयार करता है, और यह कम से कम 24 GB VRAM की सिफारिश करता है। ComfyUI डॉक्यूमेंटेशन का कहना है कि वही 5B मॉडल "ComfyUI नेटिव ऑफलोडिंग के साथ 8GB VRAM पर अच्छी तरह फिट होना चाहिए"।

दोनों बातें सच हैं क्योंकि वे अलग-अलग चीजों को मापते हैं। 8 GB वह सीमा है जहाँ यह फिट हो जाता है। 24 GB वह सीमा है जहाँ यह सहजता से काम करता है। ऑफलोडिंग इस तरह काम करती है कि मॉडल का अधिकांश हिस्सा सिस्टम RAM में रखा जाता है और हर स्टेप के लिए लेयर्स को GPU में स्ट्रीम किया जाता है, इसलिए कार्ड गणित करने के बजाय PCIe बस पर प्रतीक्षा करने में अपना समय व्यतीत करता है। आप यह लागत हर सैंपलर स्टेप पर चुकाते हैं, न कि केवल एक बार।

[
  {
    "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
  }
]

केवल अंतिम पंक्ति एक वेंडर का आंकड़ा है। 24 GB वाला कार्ड 9 मिनट प्रति क्लिप पर आता है, जो इस मॉडल के लिए Alibaba का प्रकाशित नंबर है। अन्य पंक्तियाँ यह दर्शाती हैं कि ऑफलोडिंग का इस पर क्या प्रभाव पड़ता है, और ये बेंचमार्क परिणामों के बजाय परिमाण के क्रम (order of magnitude) हैं। मुख्य बिंदु इसका स्वरूप है: 8 GB कार्ड पर 40 मिनट तकनीकी रूप से एक कार्यशील सेटअप है, लेकिन व्यावहारिक रूप से यह एक बैच जॉब है जिसे आप रात भर चलने के लिए छोड़ देते हैं।

बड़े Wan 2.2 मॉडल एक अलग दुनिया हैं। A14B टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो वेरिएंट के लिए Alibaba का अपना सिंगल-GPU इन्फरेंस कमांड कम से कम 80 GB VRAM की मांग करता है। किसी भी कंज्यूमर कार्ड में इतनी क्षमता नहीं है, इसलिए उस कमांड को प्रकाशित रूप में चलाने के लिए A100 या H100 जैसे डेटा-सेंटर एक्सेलेरेटर, या 96 GB वाले NVIDIA के RTX PRO 6000 Blackwell जैसे वर्कस्टेशन कार्ड की आवश्यकता होती है। वह आंकड़ा Alibaba की स्क्रिप्ट का है, न कि मॉडल को चलाने के हर तरीके का। मार्च 2026 में Windows और Linux पर NVIDIA कार्ड्स के लिए प्रलेखित ComfyUI के डायनामिक VRAM लोडर ने दोनों 14B एक्सपर्ट्स को, fp16 और fp8 में, RTX 5060 पर बेंचमार्क किया है, जिसमें वेट्स (weights) को आवश्यकतानुसार लोड किया गया। वे रन 320 गुणा 320 पर 81 फ्रेम के थे, इसलिए वे दिखाते हैं कि A14B मॉडल एक छोटे कार्ड पर लोड हो सकते हैं, न कि यह कि 720p वहां तेज या व्यावहारिक है। 720p पर 14B आउटपुट को उचित समय में प्राप्त करने के लिए, self-hosted का अर्थ अभी भी किसी और के एक्सेलेरेटर को प्रति घंटे के हिसाब से किराए पर लेना है। यही गणित टेक्स्ट साइड पर बहुत आगे तक जाता है, जहाँ Kimi K3 जैसे 2.8 ट्रिलियन पैरामीटर मॉडल को self-hosting करना एक कार्ड के बारे में सवाल नहीं रह जाता, बल्कि यह सवाल बन जाता है कि आप कितने 80 GB कार्ड्स को एक साथ जोड़ने का खर्च उठा सकते हैं।

रेंटेड GPU पर एक क्लिप की लागत

ज्यादातर लोगों को इसे टेस्ट करने के लिए रेंटिंग का विकल्प चुनना चाहिए, क्योंकि यदि अंत में आप जिस मॉडल का उपयोग करना चाहते हैं उसे 80 GB की आवश्यकता है, तो आपके द्वारा खरीदा गया कार्ड गलत हार्डवेयर साबित हो सकता है। जुलाई 2026 तक GPU रेंटल मार्केट में ऑन-डिमांड कीमतों का औसत इस प्रकार है:

[
  {
    "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
  }
]

4090 वाली पंक्ति 5B मॉडल चलाती है और इसकी लागत 0.05 डॉलर प्रति क्लिप है, जिसकी दर 0.36 डॉलर प्रति घंटा है। 80 GB वाली पंक्तियाँ 14B मॉडल चलाती हैं, यही कारण है कि उनकी प्रति-क्लिप लागत बढ़कर 0.6 डॉलर हो जाती है, भले ही हार्डवेयर स्वयं बहुत तेज हो। मॉडल जितना बड़ा होगा, वीडियो के प्रति सेकंड के लिए उतनी ही अधिक कंप्यूटिंग की आवश्यकता होगी।

पाँच सेंट प्रति क्लिप सुनने में बहुत कम लगता है, और यही भ्रामक हिस्सा है। आपके द्वारा उपयोग किए जाने वाले पहले पाँच सेकंड कभी भी एक रेंडर में तैयार नहीं होते। वीडियो मॉडल को प्रॉम्प्ट करना एक खोज की प्रक्रिया है, और विशिष्ट गति वाले शॉट के लिए अंतिम परिणाम मिलने से पहले बीस से चालीस रेंडर करना सामान्य बात है। इसलिए, एक वर्किंग सेशन की लागत सेंट में नहीं बल्कि डॉलर में होती है, और रेंटेड हार्डवेयर पर दोपहर भर काम करने का खर्च लगभग दोपहर के भोजन के बराबर होता है।

रेंटल के दो विवरण ऐसे हैं जो अनदेखा करने पर काफी महंगे पड़ सकते हैं। जब बॉक्स वेट्स (weights) डाउनलोड कर रहा होता है, तब भी आपसे शुल्क लिया जाता है। Wan 2.2 फाइलें अपने टेक्स्ट एनकोडर और VAE के साथ कई दसियों गीगाबाइट की होती हैं, इसलिए ऐसा प्रदाता चुनें जिसके पास persistent volume हो और एक बार डाउनलोड करें। जब आपका SSH सेशन खुला रहता है और बॉक्स खाली (idle) बैठा रहता है, तब भी आपसे शुल्क लिया जाता है। टर्मिनल बंद करने के बजाय instance को stop करें।

GPU box पर ComfyUI इंस्टॉल करें

Ubuntu 24.04 से शुरुआत करें जिसमें NVIDIA driver पहले से इंस्टॉल हो। सबसे पहले driver की जाँच करें, क्योंकि इसके बिना बाद में आने वाली हर विफलता एक जैसी ही दिखती है।

nvidia-smi

यह आपके कार्ड और CUDA version के साथ एक table print करेगा। यदि यह NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver print करता है, तो kernel module load नहीं हुआ है, जो आमतौर पर बिना reboot किए kernel upgrade करने के बाद होता है। इसे यहीं ठीक करें। अन्यथा ComfyUI CPU path पर वापस चला जाएगा और आप मॉडल को दोष देने में एक घंटा बर्बाद कर देंगे।

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

कोई भी weight file डाउनलोड करने से पहले पुष्टि करें कि PyTorch कार्ड को देख पा रहा है।

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

True और आपके कार्ड का नाम यह दर्शाता है कि stack सही है। False का अर्थ है कि इंस्टॉल किया गया wheel केवल CPU-only build है, जो तब होता है जब pip को पुराने इंस्टॉलेशन से cached torch मिलता है। ऊपर दिए गए index URL के साथ इसे फिर से इंस्टॉल करें।

Wan 2.2 मॉडल फाइलें डाउनलोड करें

ComfyUI के साथ कोई weights नहीं आते हैं, और एक वीडियो मॉडल केवल एक फाइल नहीं होता है। यह एक diffusion मॉडल, एक text encoder और एक VAE है, और प्रत्येक को अपनी निर्देशिका (directory) में रखा जाना चाहिए। यदि आप किसी फाइल को गलत फोल्डर में रखते हैं, तो loader node उसे सूची में नहीं दिखाएगा, और इसका कारण बताने के लिए कोई त्रुटि (error) भी नहीं आएगी।

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

5B मॉडल text-to-video और image-to-video दोनों को संभालता है, इसीलिए यह शुरुआत करने के लिए एक उचित विकल्प है। हमेशा .ckpt के बजाय .safetensors को प्राथमिकता दें। एक .ckpt फाइल एक pickled Python object होती है, इसलिए इसे लोड करने पर उसे बनाने वाले द्वारा लिखा गया कोड रन होता है। डिस्क स्पेस का उदारतापूर्वक बजट रखें: एक मॉडल फैमिली और उसके आउटपुट के साथ एक कार्यशील इंस्टॉलेशन के लिए 100 GB की आवश्यकता होती है, और वीडियो फाइलें उन PNG छवियों से कहीं अधिक बड़ी होती हैं जो एक इमेज वर्कफ़्लो पीछे छोड़ता है। अपनी वर्कफ़्लो JSON फाइलों का ऑब्जेक्ट स्टोरेज पर एन्क्रिप्टेड इंक्रीमेंटल बैकअप जैसे किसी माध्यम से बैकअप लें, क्योंकि weights को दोबारा डाउनलोड किया जा सकता है, लेकिन आपके द्वारा ट्यून किए गए वर्कफ़्लो को नहीं।

इसे चलाएं और सुरक्षित रूप से एक्सेस करें

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

ComfyUI में कोई login screen या user account नहीं होता है। जो कोई भी port 8188 तक पहुँच सकता है, वह job queue कर सकता है और आपके द्वारा generate की गई हर clip को देख सकता है। यदि आप बाद में ComfyUI-Manager enable करते हैं, तो क्या कोई remote visitor custom nodes install कर पाएगा, यह उसकी security और network settings पर निर्भर करता है। एक custom node आपके server पर arbitrary code execution के समान है। इसे localhost पर bind करें और अपनी machine से SSH tunnel के माध्यम से इसे access करें।

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

इसके बाद अपने browser में http://127.0.0.1:8188 खोलें। nodes को मैन्युअल रूप से जोड़ने के बजाय ComfyUI templates menu से Wan 2.2 template workflow load करें। official templates में वे sampler settings होती हैं जिनके लिए model को tune किया गया है। image workflow की तुलना में video workflow में गलत मान (value) सेट होने की संभावना कई अधिक स्थानों पर होती है।

जब API का उपयोग करना ही सही निर्णय हो

Self-hosting वीडियो जनरेशन तब सही विकल्प है जब वॉल्यूम अधिक और स्थिर हो, जब आपके फ्रेम्स को आपके अपने इंफ्रास्ट्रक्चर से बाहर नहीं जाना चाहिए, या जब आपको किसी ऐसे विशिष्ट मॉडल या कस्टम एडाप्टर की आवश्यकता हो जो कोई भी होस्टेड सर्विस प्रदान नहीं करती है। यह तब भी सही है जब पाइपलाइन को एक साल बाद भी उसी तरह काम करना हो। कुछ होस्टेड मॉडल आपके काम के दौरान बदल जाते हैं: Replicate अपने आधिकारिक मॉडलों को नवीनतम संस्करण के साथ अपडेट रखता है और आपसे इसके लिए नहीं पूछता है। अन्य को पिन किया जा सकता है, और Replicate के कम्युनिटी मॉडल्स को एक विशिष्ट संस्करण के साथ कॉल किया जाता है, इसलिए किसी पर भी निर्माण करने से पहले जांच लें।

होस्टेड API का उपयोग तब करें जब आपको महीने में कुछ ही क्लिप्स की आवश्यकता हो, जब आपको ओपन मॉडल्स द्वारा उत्पादित आउटपुट से अधिक लंबा या बड़ा आउटपुट चाहिए हो, या जब आपके पास इस सप्ताह की डेडलाइन हो। ब्रेक-ईवन (break-even) का ईमानदारी से आकलन करें। जुलाई 2026 के औसत मूल्य पर चौबीसों घंटे किराए पर लिया गया 24 GB कार्ड लगभग 260 डॉलर प्रति माह का पड़ता है, और उसी कार्ड को खरीदने की लागत एक भी फ्रेम जनरेट करने से पहले ही उससे अधिक हो जाती है। एक खाली पड़ा (idle) self-hosted बॉक्स हर बार प्रति-क्लिप API मूल्य निर्धारण से हार जाता है। यह वही व्यापारिक निर्णय है जो यह तय करता है कि आप टेक्स्ट मॉडल्स को कैसे सर्व करते हैं, जिसे self-hosted LLM serving के लिए Ollama बनाम vLLM में कवर किया गया है, और यह क्या GPU वाला VPS पैसे की बर्बादी है या नहीं में दिए गए अधिक बुनियादी प्रश्न पर आधारित है।

रेंडर विफल होने पर क्या जांचें

यदि कोई रेंडर सैंपलर बार पूरा होने के बाद अंत में बंद हो जाता है, तो इसका मतलब है कि VAE डिकोड के दौरान मेमोरी खत्म हो गई है। फ्रेम काउंट कम करें या टाइल्ड डिकोड नोड का उपयोग करें। स्टेप काउंट बदलने से कोई मदद नहीं मिलेगी, क्योंकि डिकोड प्रक्रिया हर स्टेप के पूरा होने के बाद केवल एक बार होती है।

यदि आउटपुट पूरी तरह काला या बुरी तरह से खराब (scrambled) है, तो इसका आमतौर पर मतलब है कि VAE मॉडल से मेल नहीं खाता है। वर्जन नंबर से आपको यह पता नहीं चलेगा कि कौन सी फाइल सही है: Wan 2.2 TI2V-5B मॉडल Wan 2.2 VAE का उपयोग करता है, जबकि Wan 2.2 A14B मॉडल के लिए Alibaba का अपना कॉन्फ़िगरेशन Wan 2.1 VAE निर्दिष्ट करता है। वही VAE लोड करें जिसे आपके मॉडल के आधिकारिक टेम्प्लेट में बताया गया है।

यदि रेंडर चल रहा है लेकिन ऐसी मशीन पर घंटों का समय ले रहा है जिसमें GPU मौजूद है, तो इसका मतलब है कि ComfyUI CPU पाथ पर चल रहा है। स्टार्टअप लॉग में डिवाइस लाइन की जांच करें, फिर ऊपर दी गई torch.cuda.is_available() जांच को दोबारा चलाएं।

यदि प्रक्रिया dmesg में Killed के साथ गायब हो जाती है और कोई Python ट्रेसबैक नहीं मिलता है, तो यह कर्नल का आउट-ऑफ-मेमोरी किलर है, यानी यह सिस्टम RAM की समस्या है, VRAM की नहीं। कितनी RAM ऑफलोडिंग की आवश्यकता है, यह इस बात पर निर्भर करता है कि ComfyUI वेट्स (weights) को कैसे लोड करता है। इसका डायनामिक VRAM लोडर, जो Linux और Windows पर NVIDIA कार्ड्स पर चलता है, वेट फाइलों को डिस्क से मैप करता है और आवश्यकतानुसार लोड करता है। ComfyUI का कहना है कि यह उन मॉडल्स को भी चला सकता है जो आपकी फिजिकल RAM से बड़े हैं, इसलिए केवल 16 GB सिस्टम RAM होने का मतलब यह नहीं है कि 5B मॉडल के लिए ऑफलोडिंग की आवश्यकता नहीं होगी। पुराने बिल्ड्स, और वर्तमान बिल्ड्स जिन्हें --disable-dynamic-vram के साथ शुरू किया गया है, वे पुराने अनुमान-आधारित लोडिंग का उपयोग करते हैं और कम RAM वाले सिस्टम पर विफल हो सकते हैं। ComfyUI को अपडेट करें और जांचें कि यह फ्लैग सेट तो नहीं है। यदि इसके बाद भी किलर सक्रिय होता है, तो RAM बढ़ाएं या स्वैप (swap) जोड़ें।

FAQ

क्या मैं बिना GPU वाले VPS पर AI वीडियो जनरेट कर सकता हूँ?

नहीं, इस तरह से नहीं कि आप इसे दोबारा इस्तेमाल करना चाहें। एक पांच सेकंड की 720p क्लिप जिसे 24 GB GPU पर नौ मिनट लगते हैं, उसे CPU पर कई घंटे लगते हैं। कुछ सर्वर CPUs में इन-बिल्ट मैट्रिक्स यूनिट्स होती हैं, जैसे AMX वाले Intel Xeon प्रोसेसर, लेकिन उनकी थ्रूपुट GPU की तुलना में बहुत कम है, और सिस्टम RAM बैंडविड्थ GPU मेमोरी बैंडविड्थ से एक ऑर्डर ऑफ मैग्नीट्यूड कम है। एक CPU सर्वर ComfyUI इंटरफेस को होस्ट कर सकता है, आपके मॉडल को स्टोर कर सकता है और आपके वर्कफ़्लो को संभाल सकता है, लेकिन रेंडरिंग के लिए GPU की आवश्यकता होती है।

Wan 2.2 के लिए मुझे कितनी VRAM चाहिए?

TI2V-5B मॉडल के लिए, ComfyUI नेटिव ऑफलोडिंग के साथ 8 GB न्यूनतम सीमा है, और प्रकाशित गति प्राप्त करने के लिए Alibaba 24 GB की सिफारिश करता है। A14B टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो मॉडल के लिए, Alibaba का सिंगल-GPU इन्फरेंस कमांड कम से कम 80 GB VRAM की मांग करता है, जिसका अर्थ है कि यदि आप इसे उस तरह से चलाते हैं, तो आपको 80 GB का डेटा-सेंटर कार्ड या 96 GB का वर्कस्टेशन कार्ड, जैसे RTX PRO 6000 Blackwell, चाहिए होगा। ComfyUI के डायनामिक VRAM लोडर ने RTX 5060 पर दोनों 14B एक्सपर्ट्स को चलाया है, लेकिन केवल 320 गुणा 320 के बेंचमार्क में, इसलिए इसे इस बात का प्रमाण मानें कि मॉडल छोटे कार्ड पर लोड होते हैं, न कि 720p की गति या मेमोरी का आंकड़ा।

एक self-hosted क्लिप कितनी लंबी हो सकती है?

Wan 2.2 के साथ, जुलाई 2026 तक लगभग पांच सेकंड की 720p क्लिप व्यावहारिक इकाई है। Lightricks ने 720p और 1080p पर 20 सेकंड तक, और 1440p, 4K या 48 से 50 fps पर 10 सेकंड तक के जनरेटेड ऑडियो वाले LTX-2.5 क्लिप्स को प्रलेखित किया है। लंबा आउटपुट सेगमेंट बनाकर और उन्हें जोड़कर तैयार किया जाता है, जिसमें एक सेगमेंट के अंतिम फ्रेम को अगले सेगमेंट के पहले फ्रेम के रूप में उपयोग किया जाता है। जोड़ पर गुणवत्ता में गिरावट आती है, इसलिए एक लंबे वीडियो को एक जनरेशन के बजाय एडिटिंग जॉब के रूप में देखें।

क्या GPU को प्रति घंटे किराए पर लेना कार्ड खरीदने से सस्ता है?

प्रति दिन कुछ घंटों से कम की रेंडरिंग के लिए किराए पर लेना फायदेमंद है। 24 GB कार्ड के लिए जुलाई 2026 के लगभग 0.36 डॉलर प्रति घंटे के औसत मूल्य पर, आप उस कार्ड की खरीद कीमत तक पहुँचने से पहले लंबे समय तक किराए पर ले सकते हैं, और आप ऐसा हार्डवेयर खरीदने से बच जाते हैं जो आपके द्वारा वास्तव में उपयोग किए जाने वाले मॉडल के लिए गलत श्रेणी का साबित हो। खरीदना केवल तभी फायदेमंद है जब आपका सिस्टम हर दिन, अधिकांश समय व्यस्त रहता हो।