SSD Nodes Learn Hosting plans →
கல்வி வழிகாட்டிகள் Matt Connorஆல் Matt Connor · புதுப்பிக்கப்பட்டது 2026-10-24

Self-hosted AI வீடியோ ஜெனரேட்டர்: தற்போதைய உண்மை நிலை

ஜூலை 2026 நிலவரப்படி Wan 2.2 மற்றும் HunyuanVideo போன்ற மாடல்களின் செயல்திறன், தேவையான VRAM அளவு, 5 வினாடி கிளிப்பிற்கான GPU வாடகை செலவு மற்றும் API பயன்பாடு குறித்த முழுமையான அலசல்.

self-hosted AI video generator உண்மையில் செய்யக்கூடியவை

self-hosted AI video generator இன்று செயல்படுகிறது. ஆனால் demo reels காட்டுவதைவிட இது மெதுவாகவும் குறைந்த திறனுடனும் இருக்கும். July 2026 நிலவரப்படி இயக்குவதற்கு ஏற்ற open models-களில் Alibaba-வின் Wan 2.2 மற்றும் Tencent-ன் HunyuanVideo ஆகியவை அடங்கும். வேகத்திற்கு realism-ஐவிட அதிக முன்னுரிமை அளிக்கும்போது Lightricks-ன் LTX-Video-வும் பொருத்தமானது. இவை அனைத்தும் NVIDIA GPU கொண்ட Linux machine-ல் ComfyUI கீழ் இயங்கும். இந்த guide அமைக்கும் model ஆன Wan 2.2 மூலம், சுமார் ஐந்து seconds நீளமுள்ள 720p clip கிடைக்கும். Lightricks-ன் தற்போதைய model ஆன LTX-2.5 குறித்து அதன் documentation அதிக திறன்களை குறிப்பிடுகிறது. இது audio-வையும் உருவாக்கும். 720p அல்லது 1080p-ல் 24 அல்லது 25 fps வேகத்தில், ஒரு clip-க்கு அதிகபட்சம் 20 seconds வரை உருவாக்கலாம். அதிகபட்சம் 10 seconds நீளமுள்ள clips-க்கு 50 fps வரை native 4K-யும் உருவாக்கலாம். இந்த limits Lightricks-ன் சொந்த API-க்கு பொருந்தும். இருப்பினும் LTX-2.5 weights-ம் Hugging Face-ல் openly வெளியிடப்பட்டுள்ளன. இதுவும் இன்னும் one shot மட்டுமே. ஒரு scene அல்ல. முடிக்கப்பட்ட footage-ன் ஒரு minute அல்ல.

விவரங்களுக்குச் செல்லும் முன் சுருக்கமான பதில் இதோ. 24 GB card ஒன்று ஐந்து seconds நீளமுள்ள 720p clip-ஐ single-digit minutes-ல் render செய்யும். 12 GB card அதே பணியை 20 minutes அல்லது அதற்கு மேல் எடுத்துச் செய்யும். காரணம், weights video memory-ல் பொருந்தாது; software layers-ஐ system RAM-க்கு முன்னும் பின்னுமாக தொடர்ந்து நகர்த்தும். GPU இல்லாத server இதை பயனுள்ள வகையில் செய்ய முடியாது. CPU image generation-ஐ மெதுவாக்கும் அதே கணக்கீட்டு வரம்புகள், CPU video generation-ஐ நடைமுறையில் பயனற்றதாக்குகின்றன.

நீங்கள் ஏற்கனவே self-hosted image generator-க்கான hardware ladder பற்றி படித்திருந்தால், video என்பது அதே வாதம்தான்; ஆனால் ஒவ்வொரு எண்ணும் ஒரு class மேலே நகரும். VRAM (video memory, graphics chip-க்கு அருகில் solder செய்யப்பட்ட RAM) இன்னும் இதை எளிதான பணியாக்குகிறதா அல்லது சிரமமான பணியாக்குகிறதா என்பதை தீர்மானிக்கும் ஒரே spec ஆகும்.

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 video generation-க்கு எவ்வளவு VRAM தேவை

இந்த முடிவை முழுமையாக விளக்கும் இரண்டு வெளியிடப்பட்ட அளவீடுகள் உள்ளன. அவை ஒன்றுக்கொன்று முரண்படுவது போலத் தெரிகின்றன. Alibaba கூறுவதன்படி, Wan 2.2 TI2V-5B model, 4090 போன்ற ஒரே consumer GPU-ல் 720p clips-ஐ 24 frames per second வேகத்தில், ஒவ்வொன்றும் ஐந்து seconds நீளத்தில், ஒன்பது minutes-க்கும் குறைவாக உருவாக்கும். இதற்கு குறைந்தது 24 GB VRAM பரிந்துரைக்கப்படுகிறது. அதே 5B model, “ComfyUI native offloading” பயன்படுத்தும்போது 8GB vram-ல் நன்றாகப் பொருந்தும் என்று ComfyUI documentation குறிப்பிடுகிறது.

இரண்டும் சரியானவை. ஏனெனில் அவை வெவ்வேறு விஷயங்களை அளவிடுகின்றன. 8 GB என்பது அது இயங்கக்கூடிய அளவு. 24 GB என்பது அது சிரமமின்றி இயங்கும் அளவு. Offloading முறையில் model-ன் பெரும்பகுதி system RAM-ல் வைக்கப்பட்டு, ஒவ்வொரு step-க்கும் layers GPU-க்கு அனுப்பப்படுகின்றன. எனவே GPU, கணக்கீடு செய்வதைவிட PCIe bus-க்காகக் காத்திருக்கும் நேரமே அதிகமாகிறது. இந்தச் செலவு ஒருமுறை மட்டும் ஏற்படாது; ஒவ்வொரு sampler step-லும் ஏற்படும்.

விளக்கப்படம்Wan 2.2 TI2V-5B, one 5 second 720p clip (typical, July 2026)
இந்த விளக்கப்படத்தின் தரவு
[
  {
    "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 row மட்டும் vendor-ன் அளவீடு. 24 GB card-ல் ஒவ்வொரு clip-க்கும் 9 minutes ஆகிறது. இது இந்த model-க்காக Alibaba வெளியிட்ட எண்ணாகும். மற்ற rows, offloading இதை எவ்வாறு பாதிக்கிறது என்பதைக் காட்டுகின்றன. அவை benchmark results அல்ல; order-of-magnitude estimates. முக்கியமானது அதன் வடிவம்: 8 GB card-ல் 40 minutes ஆகும் setup தொழில்நுட்ப ரீதியாக இயங்கும். ஆனால் நடைமுறையில் அது இரவு முழுவதும் இயக்கிவிட வேண்டிய batch job ஆகும்.

பெரிய Wan 2.2 models முற்றிலும் வேறுபட்டவை. A14B text-to-video மற்றும் image-to-video variants-க்கான Alibaba-வின் சொந்த single-GPU inference command, குறைந்தது 80 GB VRAM கேட்கிறது. எந்த consumer card-லும் இவ்வளவு memory இல்லை. எனவே அந்த command-ஐ வெளியிடப்பட்ட வடிவிலேயே இயக்க data-center accelerator ஆக A100 அல்லது H100, அல்லது 96 GB கொண்ட NVIDIA RTX PRO 6000 Blackwell போன்ற workstation card தேவைப்படும். இந்த எண்ணிக்கை Alibaba-வின் script-க்கு உரியது; models-ஐ இயக்கும் ஒவ்வொரு முறைக்கும் இது பொருந்தாது. Windows மற்றும் Linux-ல் NVIDIA cards-க்காக March 2026-ல் document செய்யப்பட்ட ComfyUI dynamic VRAM loader, தேவையான நேரத்தில் weights-ஐ load செய்வதன் மூலம் fp16 மற்றும் fp8-ல் இரு 14B experts-ஐயும் RTX 5060-ல் benchmark செய்துள்ளது. அந்த runs, 320 by 320 அளவில் 81 frames கொண்டவை. எனவே A14B models சிறிய card-ல் load ஆக முடியும் என்பதை அவை காட்டுகின்றன; அங்கு 720p வேகமாகவோ நடைமுறைக்கு ஏற்றதாகவோ இருக்கும் என்று காட்டவில்லை. 720p-ல் 14B output-ஐ நியாயமான நேரத்தில் உருவாக்க self-hosted setup பயன்படுத்தினால், வேறு ஒருவரின் accelerator-ஐ மணிநேர அடிப்படையில் rent செய்வதே இன்னும் வழக்கமான நடைமுறையாக உள்ளது. Text side-ல் இதே கணக்கு இன்னும் அதிக அளவுக்கு செல்கிறது. அங்கு Kimi K3 போன்ற 2.8 trillion parameter model-ஐ self-hosting செய்வது என்பது ஒரு card பற்றிய கேள்வியாக இல்லாமல், எத்தனை 80 GB cards-ஐ ஒன்றாக இணைக்க உங்களால் செலவழிக்க முடியும் என்ற கேள்வியாக மாறுகிறது.

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:

விளக்கப்படம்Median on-demand GPU rental and cost per 5 second clip (July 2026)
இந்த விளக்கப்படத்தின் தரவு
[
  {
    "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.

இதை இயக்கி, பாதுகாப்பாக அணுகவும்

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

ComfyUI-ல் login screen அல்லது user accounts இல்லை. port 8188-ஐ அணுகக்கூடிய எதுவும் jobs-ஐ queue செய்யவும், நீங்கள் உருவாக்கிய அனைத்து clips-ஐ படிக்கவும் முடியும். பின்னர் ComfyUI-Manager-ஐ enable செய்தால், remote visitor ஒருவர் custom nodes-ஐ install செய்ய முடியுமா என்பது அதன் security மற்றும் network settings-ஐப் பொறுத்தது. மேலும், ஒரு custom node என்பது உங்கள் server-ல் arbitrary code execution செய்யக்கூடிய code ஆகும். அதை localhost-க்கு bind செய்து, உங்கள் சொந்த machine-லிருந்து SSH tunnel மூலம் அணுகவும்.

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

பின்னர் உங்கள் browser-ல் http://127.0.0.1:8188-ஐத் திறக்கவும். Nodes-ஐ கைமுறையாக இணைப்பதற்குப் பதிலாக, ComfyUI templates menu-விலிருந்து Wan 2.2 template workflow-ஐ load செய்யவும். Official templates-ல் model-க்கு tune செய்யப்பட்ட sampler settings இருக்கும். Image workflow-ஐ விட video workflow-ல் ஏதேனும் ஒரு value-ஐ கவனிக்காமல் தவறாக அமைக்கும் இடங்கள் அதிகம்.

API பயன்படுத்துவதே சரியான பதிலாக இருக்கும் நிலை

Video generation-ஐ self-hosting செய்வது, பயன்பாட்டு அளவு அதிகமாகவும் நிலையாகவும் இருக்கும்போது, உங்கள் frames உங்கள் சொந்த infrastructure-ஐ விட்டு வெளியே செல்லக் கூடாதபோது, அல்லது hosted service எதுவும் வழங்காத குறிப்பிட்ட model அல்லது custom adapter தேவைப்படும்போது சரியான முடிவாகும். Pipeline ஒரு வருடத்திற்குப் பிறகும் இதே முறையில் செயல்பட வேண்டும் என்றாலும் இது பொருத்தமானது. சில hosted models உங்களுக்குத் தெரியாமல் மாறக்கூடும்: Replicate தனது official models-ஐ latest version-க்கு புதுப்பித்து வைத்திருக்கும்; எந்த version வேண்டும் என்று உங்களிடம் கேட்காது. மற்றவற்றை குறிப்பிட்ட version-ல் pin செய்யலாம். Replicate-ன் community models குறிப்பிட்ட version மூலம் அழைக்கப்படுகின்றன. எனவே ஒன்றை அடிப்படையாகக் கொண்டு build செய்வதற்கு முன் சரிபார்க்கவும்.

மாதத்திற்கு சில clips மட்டுமே தேவைப்பட்டால், open models உருவாக்குவதைவிட நீளமான அல்லது பெரிய output தேவைப்பட்டால், அல்லது இந்த வாரத்திற்குள் deadline இருந்தால் hosted API-ஐப் பயன்படுத்தவும். Break-even கணக்கை நேர்மையாகச் செய்யவும். July 2026 median விலைப்படி 24 GB card-ஐ 24 மணி நேரமும் வாடகைக்கு எடுப்பதற்கான செலவு மாதத்திற்கு சுமார் 260 dollars ஆகும். அதே card-ஐ வாங்குவதற்கு, ஒரு frame-ஐ உருவாக்குவதற்கு முன்பே அதைவிட அதிக upfront செலவு தேவைப்படும். பயன்படுத்தப்படாமல் இருக்கும் self-hosted box, ஒவ்வொரு clip-க்குமான API pricing-ஐ ஒவ்வொரு முறையும் விட அதிக செலவாகும். Text models-ஐ எவ்வாறு serve செய்வது என்பதைத் தீர்மானிக்கும் trade-off இதுவே. இது self-hosted LLM serving-க்கான Ollama மற்றும் vLLM ஒப்பீடு பகுதியில் விளக்கப்பட்டுள்ளது. மேலும், GPU உடன் VPS-க்கு செலவிடும் பணம் உண்மையில் மதிப்புள்ளதா என்ற அடிப்படை கேள்வியின் மேல் இந்த முடிவு அமைகிறது.

Render தோல்வியடையும்போது சரிபார்க்க வேண்டியவை

Sampler bar முழுமையாக நிறைவடைந்த பிறகு, இறுதிக் கட்டத்தில் render நிறுத்தப்பட்டால், VAE decode செயல்பாட்டின்போது memory போதாமல் போயிருக்கலாம். Frame count-ஐக் குறைக்கவும் அல்லது tiled decode node-க்கு மாற்றவும். Step count-ஐ மாற்றுவதால் பயன் இல்லை; ஒவ்வொரு step-மும் முடிந்த பிறகே decode ஒருமுறை நடைபெறும்.

Output முழுவதும் கருப்பாகவோ அல்லது கடுமையாகச் சிதைந்ததாகவோ இருந்தால், VAE மற்றும் model ஒன்றுக்கொன்று பொருந்தாமல் இருக்கலாம். எந்த file சரியானது என்பதை version numbers மூலம் தீர்மானிக்க முடியாது: Wan 2.2 TI2V-5B model, Wan 2.2 VAE-ஐப் பயன்படுத்துகிறது; Alibaba-வின் Wan 2.2 A14B models-க்கான சொந்த configuration, Wan 2.1 VAE-ஐக் குறிப்பிடுகிறது. உங்கள் model-க்கான official template குறிப்பிடும் VAE-ஐ load செய்யவும்.

GPU இருப்பது உறுதியான machine-ல் render இயங்கினாலும் பல மணி நேரம் எடுத்துக்கொண்டால், ComfyUI CPU path-ல் இயங்குகிறது என்று பொருள். Startup log-ல் device line-ஐச் சரிபார்த்து, மேலே உள்ள torch.cuda.is_available() check-ஐ மீண்டும் இயக்கவும்.

dmesg-ல் Killed உடன் process மறைந்து, Python traceback எதுவும் இல்லையெனில், அது kernel-ன் out-of-memory killer ஆகும். எனவே இது system RAM பற்றிய பிரச்சினை; VRAM பற்றியது அல்ல. Offloading-க்கு தேவையான RAM அளவு, ComfyUI weights-ஐ எவ்வாறு load செய்கிறது என்பதைக் கொண்டே மாறும். Linux மற்றும் Windows-ல் NVIDIA cards மீது இயங்கும் இதன் dynamic VRAM loader, weight files-ஐ disk-லிருந்து map செய்து தேவையானபோது load செய்கிறது. உங்கள் physical RAM அளவை விட அதிகமான models-ஐ இயக்க முடியும் என்று ComfyUI குறிப்பிடுகிறது. ஆகவே 16 GB system RAM இருப்பது மட்டும் 5B model-ஐ offload செய்வதைத் தடுக்காது. பழைய builds மற்றும் --disable-dynamic-vram உடன் தொடங்கப்படும் தற்போதைய builds, முந்தைய estimate-based loading முறையைப் பயன்படுத்தும்; இதனால் குறைந்த வளமுள்ள machine-ல் RAM போதாமல் போகலாம். ComfyUI-ஐ update செய்து, அந்த flag அமைக்கப்படவில்லை என்பதைச் சரிபார்க்கவும். Kernel killer தொடர்ந்து செயல்பட்டால், RAM-ஐ அதிகரிக்கவும் அல்லது swap சேர்க்கவும்.

FAQ

GPU இல்லாத VPS-ல் AI video உருவாக்க முடியுமா?

இல்லை. நடைமுறையில் ஒருமுறைக்கு மேல் பயன்படுத்தும் அளவுக்கு அது சாத்தியமில்லை. 24 GB GPU-ல் 5 seconds 720p clip உருவாக்க 9 minutes ஆகும் என்றால், CPU-ல் அதே பணிக்கு பல hours ஆகும். சில server CPU-களில் Intel Xeon-ன் AMX போன்ற built-in matrix units உள்ளன. ஆனால் அவற்றின் throughput, GPU-யைவிட மிகவும் குறைவு. System RAM bandwidth-ம் GPU memory bandwidth-ஐவிட ஒரு order of magnitude குறைவு. CPU server-ல் ComfyUI interface-ஐ இயக்கலாம். Models-ஐ சேமிக்கலாம். Workflows-ஐ வைத்திருக்கலாம். ஆனால் rendering-க்கு GPU தேவை.

Wan 2.2-க்கு எவ்வளவு VRAM தேவை?

TI2V-5B model-க்கு, ComfyUI native offloading பயன்படுத்தும்போது 8 GB என்பது குறைந்தபட்ச அளவு. வெளியிடப்பட்ட speed-ஐப் பெற Alibaba பரிந்துரைப்பது 24 GB ஆகும். A14B text-to-video மற்றும் image-to-video models-க்கு, Alibaba-வின் single-GPU inference command குறைந்தது 80 GB VRAM கேட்கிறது. இதற்கு 80 GB data-center card அல்லது RTX PRO 6000 Blackwell போன்ற 96 GB workstation card தேவைப்படும். ComfyUI-யின் dynamic VRAM loader, RTX 5060-ல் இரண்டு 14B experts-ஐ இயக்கியுள்ளது. ஆனால் அது 320 by 320 benchmark-ல் மட்டுமே சோதிக்கப்பட்டது. எனவே, models சிறிய card-ல் load ஆகின்றன என்பதற்கான ஆதாரமாக மட்டுமே இதைக் கருதவும். இதை 720p speed அல்லது memory அளவாகக் கருத வேண்டாம்.

Self-hosted clip எவ்வளவு நீளமாக இருக்கலாம்?

Wan 2.2-ஐப் பயன்படுத்தும்போது, July 2026 நிலவரப்படி 720p-ல் சுமார் 5 seconds என்பது நடைமுறைக்கு ஏற்ற அளவு. Lightricks ஆவணப்படுத்தியபடி, LTX-2.5 generated audio உடன் 720p மற்றும் 1080p-ல் அதிகபட்சம் 20 seconds clips-ஐ உருவாக்கும். 1440p, 4K, அல்லது 48 முதல் 50 fps-ல் அதிகபட்சம் 10 seconds வரை உருவாக்கும். நீளமான output-ஐ segments உருவாக்கி, அவற்றை ஒன்றாக இணைப்பதன் மூலம் தயாரிக்கலாம். ஒரு segment-ன் last frame-ஐ அடுத்த segment-ன் first frame-ஆகப் பயன்படுத்த வேண்டும். இணைப்புப் பகுதிகளில் quality மாறக்கூடும். எனவே, நீளமான video-வை ஒரே generation-ஆக அல்லாமல் editing job-ஆகக் கருதவும்.

GPU-ஐ வாங்குவதைவிட hourly அடிப்படையில் rent செய்வது குறைந்த செலவா?

ஒரு நாளில் சில hours-க்கும் குறைவாக rendering செய்தால், rent செய்வது சாதகமானது. July 2026-ன் median விலையான 24 GB card-க்கு சுமார் 0.36 dollars per hour என்ற கணக்கில், அந்த card-ன் purchase price-ஐ அடையும் முன் நீண்ட காலம் rent செய்யலாம். மேலும், நீங்கள் பயன்படுத்தப் போகும் model-க்கு பொருந்தாத class hardware-ஐ வாங்கும் அபாயமும் இருக்காது. Box ஒவ்வொரு நாளும் பெரும்பாலான நேரம் busy-ஆக இருந்தால் மட்டுமே வாங்குவது சாதகமாகும்.

இந்தக் கட்டுரை பயனுள்ளதாக இருந்ததா?