Self-hosted AI வீடியோ ஜெனரேட்டர்: தற்போதைய உண்மை நிலை

சுய-வழங்கப்பட்ட (self-hosted) AI வீடியோ ஜெனரேட்டர் உண்மையில் என்ன செய்ய முடியும்

சுய-வழங்கப்பட்ட AI வீடியோ ஜெனரேட்டர் இன்று செயல்படுகிறது, ஆனால் இது விளம்பர வீடியோக்களில் காட்டப்படுவதை விட மெதுவானது மற்றும் சிறியது. ஜூலை 2026 நிலவரப்படி, இயக்கத் தகுதியான திறந்தநிலை மாதிரிகள் (open models) Alibaba-வின் Wan 2.2 மற்றும் Tencent-ன் HunyuanVideo ஆகும். தத்ரூபத்தை விட வேகம் முக்கியமென்றால் Lightricks-ன் LTX-Video-வைப் பயன்படுத்தலாம். இவை அனைத்தும் NVIDIA GPU கொண்ட Linux கணினியில் ComfyUI மூலம் இயங்குகின்றன. இதிலிருந்து நீங்கள் சுமார் ஐந்து வினாடி நீளமுள்ள 720p வீடியோ கிளிப்பை மட்டுமே பெற முடியும். இது ஒரு முழுமையான காட்சி அல்ல; ஒரு நிமிட நீளமுள்ள முழுமையான வீடியோவும் அல்ல.

விவரங்களுக்குச் செல்லும் முன் சுருக்கமான பதில் இதோ. 24 GB கார்டு ஐந்து வினாடி 720p கிளிப்பை ஒற்றை இலக்க நிமிடங்களில் ரெண்டர் (render) செய்யும். 12 GB கார்டு அதே வேலையை இருபது நிமிடங்கள் அல்லது அதற்கு மேல் எடுத்துக்கொள்ளும், ஏனெனில் மாதிரியின் எடைகள் (weights) வீடியோ நினைவகத்தில் (VRAM) முழுமையாகப் பொருந்தாது, இதனால் மென்பொருள் தொடர்ந்து லேயர்களை (layers) சிஸ்டம் RAM-க்கு மாற்றிக்கொண்டே இருக்கும். GPU இல்லாத சர்வரால் இதை எந்த வகையிலும் பயனுள்ள முறையில் செய்ய முடியாது. CPU மூலம் இமேஜ் ஜெனரேஷனை மெதுவாக்கும் அதே கணிதக் காரணங்கள், CPU வீடியோ ஜெனரேஷனை அர்த்தமற்றதாக்குகின்றன.

நீங்கள் ஏற்கனவே சுய-வழங்கப்பட்ட இமேஜ் ஜெனரேட்டருக்கான வன்பொருள் படிநிலையை படித்திருந்தால், வீடியோவிற்கும் அதே வாதம்தான் பொருந்தும், ஆனால் ஒவ்வொரு அளவீடும் ஒரு படி மேலே செல்லும். VRAM (கிராபிக்ஸ் சிப்பிற்கு அருகில் பொருத்தப்பட்ட ரேம்) மட்டுமே இது ஒரு மகிழ்ச்சியான அனுபவமா அல்லது கடினமானதா என்பதைத் தீர்மானிக்கும் ஒரே காரணியாகும்.

ஒரு வீடியோ ஏன் ஒரு படத்தை விட அதிக செலவு பிடிக்கிறது

ஒரு diffusion model, ஒரு படத்தை denoising செய்வதன் மூலம் உருவாக்குகிறது. ஒவ்வொரு படியிலும் அந்த model-ல் உள்ள அனைத்து weight-களும் வாசிக்கப்படும். ஒரு வீடியோ model, ஒரே நேரத்தில் பல frames-களைக் கொண்ட ஒரு தொகுப்பிற்கு இதே வேலையைச் செய்கிறது. மேலும், இது காலத்தின் அடிப்படையில் (across time) attention-ஐச் சேர்க்கிறது; இதனால் frame 12 எப்படி இருந்தது என்பது frame 80-க்குத் தெரியும். வினாடிக்கு 24 frames வீதம் ஐந்து வினாடிகள் என்பது, ஒரே தொகுப்பில் 120 frames ஆகும்.

இந்த temporal attention-ஆல்தான், clip-ன் நீளத்திற்கு ஏற்ப செலவு சீராக அதிகரிப்பதில்லை. frame எண்ணிக்கையை இருமடங்காக்கும்போது, sampler-க்குத் தேவைப்படும் memory இருமடங்கை விட அதிகமாகிறது. எனவே, rendering மெதுவாக நடப்பது தோல்வியின் அறிகுறி அல்ல; மாறாக, render செயலே நின்றுவிடுவதுதான் தோல்வி.

மக்கள் எதிர்பாராத இரண்டாவது memory spike ஒன்று உள்ளது. sampler வேலை முடிந்த பிறகு, VAE (variational autoencoder - இது சுருக்கப்பட்ட latent-ஐ உண்மையான pixels-ஆக மாற்றும் பகுதி) முழு latent வீடியோவையும் ஒரே நேரத்தில் decode செய்யும். அந்த decode செயலுக்கு, sampling-க்குத் தேவைப்பட்டதை விட அதிக memory தேவைப்படலாம். progress bar முடிந்துவிட்டதாகக் காட்டிவிட்டு, பின்வரும் பிழையை அச்சிடுவது இதன் அறிகுறியாகும்:

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

இதற்கான தீர்வு, tiled decoding-ஐப் பயன்படுத்துவது அல்லது clip-ன் நீளத்தைக் குறைப்பது ஆகும். எந்த நிலையில் memory தீர்ந்துபோனது என்பதை அறிந்துகொள்வது, தவறான அமைப்புகளைச் சரிசெய்யும் நேரத்தை உங்களுக்கு மிச்சப்படுத்தும்.

AI வீடியோ உருவாக்கத்திற்கு எவ்வளவு VRAM தேவை

இரண்டு வெளியிடப்பட்ட புள்ளிவிவரங்கள் இந்த முடிவை தீர்மானிக்கின்றன, ஆனால் அவை ஒன்றுக்கொன்று முரணாகத் தோன்றலாம். Alibaba-வின் Wan 2.2 TI2V-5B மாடல், 4090 போன்ற ஒரு consumer GPU-வில் 720p வீடியோக்களை, வினாடிக்கு 24 frames வீதம், ஐந்து வினாடி நீளத்திற்கு, ஒன்பது நிமிடங்களுக்குள் உருவாக்கும் என்று கூறுகிறது; இதற்கு குறைந்தபட்சம் 24 GB VRAM-ஐ அது பரிந்துரைக்கிறது. அதே 5B மாடல் "ComfyUI native offloading மூலம் 8 GB VRAM-ல் நன்றாக இயங்கும்" என்று ComfyUI ஆவணங்கள் தெரிவிக்கின்றன.

இவை இரண்டுமே உண்மையானவை, ஏனெனில் அவை வெவ்வேறு அளவீடுகளைக் குறிக்கின்றன. 8 GB என்பது அந்த மாடல் இயங்குவதற்கான குறைந்தபட்ச அளவு. 24 GB என்பது அது தடையின்றி இயங்குவதற்கான வசதியான அளவு. Offloading என்பது மாடலின் பெரும்பகுதியை system RAM-ல் வைத்துக்கொண்டு, ஒவ்வொரு step-க்கும் தேவையான layers-ஐ மட்டும் GPU-விற்கு அனுப்புவதன் மூலம் செயல்படுகிறது. இதனால், கணக்கீடுகளைச் செய்வதற்குப் பதிலாக, GPU-வானது PCIe bus-க்காகக் காத்திருக்கும் நேரமே அதிகம். இந்த தாமதத்தை நீங்கள் ஒருமுறை மட்டும் சந்திக்க மாட்டீர்கள், ஒவ்வொரு sampler step-க்கும் சந்திப்பீர்கள்.

[
  {
    "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
  }
]

கடைசி வரிசை மட்டுமே vendor வழங்கிய புள்ளிவிவரம். 24 GB கார்டு 9 நிமிடங்களில் ஒரு கிளிப்பை உருவாக்குகிறது, இது இந்த மாடலுக்காக Alibaba வெளியிட்ட அதிகாரப்பூர்வ எண். மற்ற வரிசைகள் offloading-ஆல் ஏற்படும் விளைவுகளைக் காட்டுகின்றன; இவை துல்லியமான benchmark முடிவுகளை விட, தோராயமான கால அளவுகளே. இதன் முக்கிய நோக்கம் இதுதான்: 8 GB கார்டில் 40 நிமிடங்கள் என்பது தொழில்நுட்ப ரீதியாக வேலை செய்யும் ஒரு அமைப்பு, ஆனால் நடைமுறையில் இது இரவு முழுவதும் இயங்கவிட வேண்டிய ஒரு batch job ஆகும்.

பெரிய Wan 2.2 மாடல்கள் முற்றிலும் மாறுபட்டவை. A14B text-to-video மற்றும் image-to-video வகைகளுக்கு, single-GPU inference-க்கு குறைந்தபட்சம் 80 GB VRAM தேவைப்படுகிறது. இது data-center வன்பொருள், உங்கள் மேசை கணினியில் பொருத்தக்கூடிய கார்டு அல்ல. இந்த இடத்தில்தான் self-hosted என்பது, மற்றவர்களின் accelerator-ஐ மணிநேர அடிப்படையில் வாடகைக்கு எடுப்பதாக மாறுகிறது. இதே கணக்கீடு text மாடல்களில் இன்னும் பெரிய அளவில் செல்லும்; அங்கு Kimi K3 போன்ற 2.8 டிரில்லியன் parameter மாடல்களை self-hosting செய்வது என்பது ஒரு கார்டு பற்றிய கேள்வி அல்ல, மாறாக எத்தனை 80 GB கார்டுகளை உங்களால் இணைக்க முடியும் என்பது பற்றிய கேள்வியாகும்.

வாடகைக்கு எடுக்கப்பட்ட GPU-வில் ஒரு clip-க்கான செலவு

நீங்கள் வாங்கும் GPU, உங்களுக்குத் தேவையான model-க்கு 80 GB தேவைப்பட்டால் அது தவறான hardware-ஆக அமையலாம் என்பதால், பெரும்பாலானோர் வாடகைக்கு எடுத்துச் சோதிப்பதே சிறந்தது. ஜூலை 2026 நிலவரப்படி, GPU வாடகை சந்தையில் நிலவும் சராசரி on-demand விலைகள்:

[
  {
    "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 வரிசை 5B model-ஐ இயக்குகிறது, இதற்கு ஒரு clip-க்கு சுமார் 0.05 டாலர்களும், ஒரு மணி நேரத்திற்கு 0.36 டாலர்களும் செலவாகிறது. 80 GB வரிசைகள் 14B model-களை இயக்குகின்றன; hardware வேகமாக இருந்தாலும், ஒரு clip-க்கான செலவு 0.6 டாலர்களாக உயருவதற்குக் காரணம் இதுதான். பெரிய model, ஒரு வினாடி வீடியோவிற்கு அதிக compute-ஐ எடுத்துக்கொள்கிறது.

ஒரு clip-க்கு ஐந்து சென்ட் என்பது மிகக் குறைவாகத் தோன்றலாம், ஆனால் அதுவே தவறான புரிதலுக்கு வழிவகுக்கும். நீங்கள் பயன்படுத்தக்கூடிய முதல் ஐந்து வினாடி வீடியோ, ஒரே முயற்சியில் கிடைத்துவிடாது. ஒரு video model-க்கு prompt கொடுப்பது என்பது ஒரு தேடல் போன்றது; குறிப்பிட்ட அசைவுகள் கொண்ட ஒரு காட்சியைப் பெற, இருபது முதல் நாற்பது முறை render செய்வது சாதாரணமானது. எனவே, ஒரு வேலை அமர்வு என்பது சென்ட் கணக்கில் அல்ல, டாலர் கணக்கில் செலவாகும். வாடகை hardware-ல் ஒரு மதிய நேர உழைப்பு, ஒரு வேளை உணவின் விலைக்குச் சமமான செலவை ஏற்படுத்தும்.

வாடகையில் கவனிக்க வேண்டிய இரண்டு விஷயங்கள் உங்கள் பணத்தை வீணாக்கலாம். நீங்கள் model weights-ஐ download செய்யும்போதும் கட்டணம் வசூலிக்கப்படும். Wan 2.2 கோப்புகள், அதன் text encoder மற்றும் VAE ஆகியவற்றுடன் சேர்ந்து பல gigabytes அளவு கொண்டவை, எனவே persistent volume வசதி கொண்ட ஒரு provider-ஐத் தேர்ந்தெடுத்து ஒருமுறை மட்டும் download செய்யுங்கள். மேலும், உங்கள் SSH session திறந்திருக்கும்போது, நீங்கள் எதையும் செய்யாவிட்டாலும் கட்டணம் வசூலிக்கப்படும். எனவே, terminal-ஐ மூடுவதோடு நிறுத்தாமல், instance-ஐயும் நிறுத்துங்கள் (stop).

GPU box-ல் ComfyUI-ஐ நிறுவுதல்

NVIDIA driver ஏற்கனவே நிறுவப்பட்ட Ubuntu 24.04-ல் தொடங்கவும். முதலில் driver-ஐச் சரிபார்க்கவும், ஏனெனில் இந்தச் சரிபார்ப்பு இல்லையெனில், பின்வரும் அனைத்து தோல்விகளும் ஒரே மாதிரியாகவே தோன்றும்.

nvidia-smi

இது உங்கள் card மற்றும் CUDA version அடங்கிய அட்டவணையை அச்சிட வேண்டும். இது NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver என்று காட்டினால், kernel module ஏற்றப்படவில்லை என்று பொருள்; பொதுவாக kernel மேம்படுத்தலுக்குப் பிறகு reboot செய்யாதபோது இது நிகழும். இதை இங்கே சரிசெய்யவும். இல்லையெனில், ComfyUI CPU-க்கு மாறிவிடும், நீங்கள் model-ல் தான் தவறு என்று ஒரு மணிநேரம் வீணாக்குவீர்கள்.

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

எந்தவொரு weight file-ஐயும் பதிவிறக்கும் முன், PyTorch உங்கள் card-ஐக் கண்டறிகிறதா என்பதை உறுதிப்படுத்தவும்.

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

True மற்றும் உங்கள் card-ன் பெயர் காட்டப்பட்டால், stack சரியாக உள்ளது என்று பொருள். False என்று காட்டினால், நிறுவப்பட்ட wheel CPU-க்கு மட்டுமேயான build என்று பொருள்; pip பழைய install-லிருந்து cached torch-ஐ எடுக்கும்போது இது நிகழும். மேலே உள்ள index URL-ஐப் பயன்படுத்தி மீண்டும் நிறுவவும்.

Wan 2.2 model கோப்புகளைப் பதிவிறக்குதல்

ComfyUI எந்த weights-உம் இல்லாமல் வருகிறது, மேலும் ஒரு video model என்பது ஒரே கோப்பு அல்ல. இது ஒரு diffusion model, ஒரு text encoder மற்றும் ஒரு VAE ஆகியவற்றின் தொகுப்பு, ஒவ்வொன்றும் அதன் சொந்த directory-ல் இருக்க வேண்டும். ஒரு கோப்பைத் தவறான folder-ல் வைத்தால், loader node அதை பட்டியலிடாது, அதற்கான காரணத்தையும் விளக்காது.

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 model ஆனது text-to-video மற்றும் image-to-video ஆகிய இரண்டையும் கையாளும், அதனால்தான் இது தொடங்குவதற்கு ஏற்றது. எப்போதும் .ckpt-க்கு பதிலாக .safetensors-ஐத் தேர்ந்தெடுக்கவும். ஒரு .ckpt கோப்பு என்பது pickled Python object ஆகும், எனவே அதை load செய்யும்போது அதை உருவாக்கியவர் எழுதிய code இயங்கும். Disk இடவசதியை தாராளமாக ஒதுக்குங்கள்: ஒரு model family மற்றும் அதன் output-உடன் கூடிய ஒரு working install-க்கு 100 GB தேவைப்படும், மேலும் video கோப்புகள் image workflow-ல் உருவாகும் PNG படங்களை விட மிகப் பெரியவை. உங்கள் workflow JSON கோப்புகளை object storage-க்கு encrypted incremental backups போன்ற ஏதேனும் ஒன்றைப் பயன்படுத்தி backup எடுங்கள், ஏனெனில் weights-ஐ மீண்டும் பதிவிறக்க முடியும், ஆனால் நீங்கள் உருவாக்கிய tuned workflows-ஐ மீண்டும் பெற முடியாது.

இயக்குதல் மற்றும் பாதுகாப்பாக அணுகுதல்

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

ComfyUI-ல் login திரை அல்லது பயனர் கணக்குகள் (user accounts) கிடையாது. port 8188-ஐ அணுகக்கூடிய எவரும் வேலைகளை (jobs) வரிசைப்படுத்தலாம், நீங்கள் உருவாக்கிய அனைத்து clip-களையும் படிக்கலாம், மேலும் custom nodes-களை நிறுவலாம். இது உங்கள் server-ல் தன்னிச்சையான குறியீட்டை (arbitrary code) இயக்குவதற்குச் சமம். எனவே, இதை localhost-ல் மட்டும் bind செய்து, உங்கள் கணினியிலிருந்து SSH tunnel வழியாக அணுகவும்.

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

அதன்பிறகு, உங்கள் browser-ல் http://127.0.0.1:8188-ஐத் திறக்கவும். nodes-களை நீங்களே கைகளால் இணைப்பதற்குப் பதிலாக, ComfyUI templates menu-விலிருந்து Wan 2.2 template workflow-ஐ ஏற்றவும். அதிகாரப்பூர்வமான templates-களில், அந்த model-க்காக வடிவமைக்கப்பட்ட sampler settings ஏற்கனவே இருக்கும். ஒரு image workflow-ஐ விட, video workflow-ல் தவறான மதிப்புகளை உள்ளிடுவதற்கு அதிக வாய்ப்புகள் இருப்பதால், இந்த முறையைப் பின்பற்றுவது சிறந்தது.

API-ஐப் பயன்படுத்துவதே சரியான தீர்வாக இருக்கும் சூழல்

வீடியோ உருவாக்கத்தை (video generation) நீங்களே host செய்வது, அதன் அளவு அதிகமாகவும் சீராகவும் இருக்கும்போது சரியான முடிவாகும். உங்கள் frames உங்கள் சொந்த infrastructure-ஐ விட்டு வெளியேறக்கூடாது என்றாலோ, அல்லது எந்தவொரு hosted சேவையிலும் கிடைக்காத ஒரு குறிப்பிட்ட model அல்லது custom adapter உங்களுக்குத் தேவைப்பட்டாலோ நீங்களே host செய்வது சிறந்தது. மேலும், உங்கள் pipeline ஓராண்டு கழித்தும் அதே முறையில் இயங்க வேண்டும் என்றால், நீங்களே host செய்வது அவசியம்; ஏனெனில், hosted model-கள் எந்தவித முன்னறிவிப்பும் இன்றி மாறக்கூடும், அவற்றை ஒரு குறிப்பிட்ட version-ல் நிலைநிறுத்த (pin) முடியாது.

மாதத்திற்குச் சில clips மட்டுமே தேவைப்படும்போது, open models உருவாக்கக்கூடிய அளவை விட நீளமான அல்லது பெரிய output தேவைப்படும்போது, அல்லது இந்த வாரமே உங்களுக்கு deadline இருக்கும்போது hosted API-ஐப் பயன்படுத்துங்கள். லாப-நட்டக் கணக்கை நேர்மையாகப் பாருங்கள். ஜூலை 2026-ன் சராசரி விலையின்படி, 24 GB card-ஐ நாள் முழுவதும் வாடகைக்கு எடுத்தால் மாதம் சுமார் 260 டாலர்கள் செலவாகும். அதே card-ஐ வாங்குவதற்கு, நீங்கள் ஒரு frame-ஐ உருவாக்குவதற்கு முன்பே அதைவிட அதிகத் தொகை செலவாகும். பயன்பாடின்றி சும்மா இருக்கும் self-hosted box, ஒவ்வொரு clip-க்கும் கட்டணம் வசூலிக்கும் API-ஐ விட எப்போதும் அதிகச் செலவையே தரும். இது text models-ஐ எவ்வாறு வழங்குவது என்பதைத் தீர்மானிக்கும் அதே வணிக முடிவாகும். இது Ollama against vLLM for self-hosted LLM serving பகுதியில் விவரிக்கப்பட்டுள்ளது. மேலும், இது whether a VPS with a GPU is worth the money at all என்ற அடிப்படை கேள்வியையும் சார்ந்துள்ளது.

Render தோல்வியடையும் போது எதைச் சரிபார்க்க வேண்டும்

Sampler bar முடிந்த பிறகு, இறுதி நிலையில் ஒரு render நின்றால், அது VAE decode-ல் நினைவகம் (memory) தீர்ந்துவிட்டதைக் குறிக்கிறது. Frame count-ஐக் குறைக்கவும் அல்லது tiled decode node-க்கு மாறவும். Step count-ஐ மாற்றுவது உதவாது, ஏனெனில் அனைத்து step-களும் முடிந்த பிறகுதான் decode நடக்கும்.

வெளியீடு முழுமையாக கருப்பாகவோ அல்லது சிதைந்தோ இருந்தால், VAE அந்த model-க்கு பொருந்தவில்லை என்று அர்த்தம். Wan 2.2 diffusion model-க்கு Wan 2.1 VAE-ஐப் பயன்படுத்தினால் இதுவே நடக்கும், log-ல் எந்தப் பிழையும் காட்டப்படாது.

GPU உள்ள machine-ல் ஒரு render பல மணிநேரம் எடுத்துக்கொண்டால், ComfyUI CPU-வில் இயங்குகிறது என்று அர்த்தம். Startup log-ல் உள்ள device வரியைச் சரிபார்த்து, மேலே உள்ள torch.cuda.is_available() சோதனையை மீண்டும் இயக்கவும்.

dmesg-ல் Killed பிழையுடன் process திடீரென மறைந்து, Python traceback எதுவும் காட்டப்படவில்லை என்றால், அது kernel-ன் out-of-memory killer ஆகும். இது VRAM அல்ல, system RAM பற்றாக்குறை. Offloading செய்யும்போது முழு model-ம் system RAM-ல் இருக்க வேண்டும்; எனவே 5B model-ஐ 16 GB RAM உள்ள machine-ல் offload செய்வது போதாது. RAM-ஐ அதிகரிக்கவும் அல்லது swap-ஐச் சேர்க்கவும்.

FAQ

GPU இல்லாத VPS-ல் என்னால் AI வீடியோவை உருவாக்க முடியுமா?

முடியாது, மீண்டும் பயன்படுத்தும் வகையில் இது சாத்தியமில்லை. 24 GB GPU-வில் ஒன்பது நிமிடங்கள் எடுக்கும் ஐந்து வினாடி 720p வீடியோ, CPU-வில் பல மணிநேரம் எடுக்கும். ஏனெனில், மாடலை இயக்குவதற்குத் தேவையான matrix hardware வசதி CPU-வில் இல்லை, மேலும் system RAM-ன் bandwidth, GPU memory bandwidth-ஐ விட மிகக் குறைவு. ஒரு CPU server-ல் ComfyUI interface-ஐ இயக்கலாம், உங்கள் மாடல்களைச் சேமிக்கலாம் மற்றும் workflows-ஐ நிர்வகிக்கலாம், ஆனால் rendering செய்வதற்கு GPU கட்டாயம் தேவை.

Wan 2.2-க்கு எனக்கு எவ்வளவு VRAM தேவை?

TI2V-5B மாடலுக்கு, ComfyUI native offloading வசதியுடன் 8 GB குறைந்தபட்சத் தேவையாகும். வெளியிடப்பட்ட வேகத்தைப் பெற Alibaba நிறுவனம் 24 GB-ஐப் பரிந்துரைக்கிறது. A14B text-to-video மற்றும் image-to-video மாடல்களுக்கு, single-GPU inference-க்குக் குறைந்தபட்சம் 80 GB VRAM தேவை என்று மாடல் கார்டு குறிப்பிடுகிறது, எனவே அவற்றுக்கு data-center தரத்திலான கார்டுகள் தேவை.

நான் self-host செய்யும் வீடியோ எவ்வளவு நீளம் இருக்கலாம்?

ஜூலை 2026 நிலவரப்படி, 720p தரத்தில் சுமார் ஐந்து வினாடிகள் என்பது நடைமுறைக்குச் சாத்தியமான அளவாகும். நீண்ட வீடியோக்களை உருவாக்க, வீடியோவைச் சிறு பகுதிகளாக உருவாக்கி, ஒரு பகுதியின் கடைசி frame-ஐ அடுத்த பகுதியின் முதல் frame-ஆகப் பயன்படுத்தி இணைக்க வேண்டும். இணைப்புகளில் தரச் சரிவு (quality drift) ஏற்பட வாய்ப்புள்ளதால், நீண்ட வீடியோவை ஒரே முயற்சியில் உருவாக்காமல், ஒரு editing பணியாகக் கருதுவது சிறந்தது.

GPU-வை மணிநேர அடிப்படையில் வாடகைக்கு எடுப்பது, கார்டை வாங்குவதை விட மலிவானதா?

தினமும் சில மணிநேரங்களுக்கு மேல் rendering செய்யாத பட்சத்தில், வாடகைக்கு எடுப்பதே லாபகரமானது. ஜூலை 2026-ன் சராசரி விலையான, 24 GB கார்டுக்கு ஒரு மணிநேரத்திற்கு சுமார் 0.36 டாலர் என்ற கணக்கில், ஒரு கார்டை வாங்குவதற்கான விலையை எட்டுவதற்கு நீண்ட காலம் வாடகைக்கு எடுக்கலாம். மேலும், நீங்கள் விரும்பும் மாடலுக்குப் பொருந்தாத தவறான hardware-ஐ வாங்குவதையும் தவிர்க்கலாம். நாள் முழுவதும், தினமும் அந்த hardware பயன்பாட்டில் இருந்தால் மட்டுமே வாங்குவது லாபகரமானது.