Self-hosted AI video generator حقیقتاً کیا کر سکتا ہے؟

ایک self-hosted AI video generator حقیقتاً کیا کر سکتا ہے

ایک self-hosted AI video generator آج کام کرتا ہے، لیکن demo reels کے تاثر کے مقابلے میں یہ زیادہ سست اور محدود ہے۔ July 2026 تک قابلِ استعمال open models میں Alibaba کا Wan 2.2 اور Tencent کا HunyuanVideo شامل ہیں۔ جب realism کے مقابلے میں رفتار زیادہ اہم ہو تو Lightricks کا LTX-Video بھی استعمال کیا جا سکتا ہے۔ یہ سب Linux مشین پر NVIDIA GPU کے ساتھ ComfyUI میں چلتے ہیں۔ نتیجے میں عموماً 720p پر تقریباً پانچ سیکنڈ کا clip ملتا ہے۔ مکمل scene نہیں۔ تیار شدہ ایک منٹ کی footage نہیں۔

تفصیل سے پہلے مختصر جواب یہ ہے۔ 24 GB card پانچ سیکنڈ کا 720p clip چند منٹ میں render کرتا ہے۔ 12 GB card یہی کام 20 منٹ یا اس سے زیادہ میں کرتا ہے، کیونکہ weights video memory میں پوری طرح fit نہیں ہوتے اور software layers کو system RAM میں بار بار منتقل کرتا رہتا ہے۔ جس server میں GPU نہ ہو، وہ یہ کام کسی مفید معنوں میں نہیں کر سکتا۔ CPU پر image generation کو سست بنانے والی arithmetic، CPU پر video generation کو بے فائدہ بنا دیتی ہے۔

اگر آپ self-hosted image generator کے hardware ladder پڑھ چکے ہیں تو video میں بھی یہی اصول لاگو ہوتا ہے، لیکن ہر number ایک class اوپر چلا جاتا ہے۔ VRAM (video memory، یعنی graphics chip کے ساتھ نصب RAM) اب بھی واحد ایسی spec ہے جو طے کرتی ہے کہ یہ عمل آسان ہوگا یا دشوار۔

ایک ویڈیو کی لاگت ایک تصویر سے اتنی زیادہ کیوں ہوتی ہے

Diffusion model کسی تصویر کو مراحل میں denoise کر کے تیار کرتا ہے، اور ہر مرحلہ model کے تمام weights پڑھتا ہے۔ Video model بھی یہی عمل ایک ہی وقت میں frames کے پورے block پر کرتا ہے۔ اس کے علاوہ یہ وقت کے لحاظ سے attention شامل کرتا ہے، تاکہ frame 80 کو معلوم ہو کہ frame 12 کیسا دکھائی دیتا تھا۔ 24 frames per second کی رفتار سے 5 سیکنڈ کی ویڈیو ایک batch میں 120 frames پر مشتمل ہوتی ہے۔

یہ temporal attention اس لیے اہم ہے کہ clip کی طوالت بڑھنے پر لاگت متناسب طور پر نہیں بڑھتی۔ Frames کی تعداد دوگنی کرنے سے sampler کو درکار memory دوگنی سے بھی زیادہ ہو جاتی ہے۔ اس لیے مسئلہ صرف rendering کا سست ہونا نہیں ہوتا۔ Render مکمل طور پر ناکام ہو جاتا ہے۔

Memory میں ایک دوسرا اچانک اضافہ بھی ہوتا ہے، جس کی اکثر توقع نہیں کی جاتی۔ Sampler مکمل ہونے کے بعد، VAE (variational autoencoder، یعنی وہ حصہ جو compressed latent کو حقیقی pixels میں تبدیل کرتا ہے) پوری latent video کو ایک ہی بار decode کرتا ہے۔ اس decode کے لیے sampling سے زیادہ memory درکار ہو سکتی ہے۔ اس کی علامت یہ ہے کہ job کی progress bar مکمل دکھائی دیتی ہے، لیکن پھر یہ پیغام ظاہر ہوتا ہے:

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

اس کا حل tiled decoding یا مختصر clip استعمال کرنا ہے۔ یہ معلوم ہونے سے کہ memory کس مرحلے پر ختم ہوئی، آپ ایک گھنٹے تک غلط setting کو tune کرنے سے بچ سکتے ہیں۔

AI ویڈیو بنانے کے لیے کتنی VRAM درکار ہے

دو شائع شدہ اعداد و شمار پورے فیصلے کا دائرہ متعین کرتے ہیں، اور بظاہر ایک دوسرے سے متضاد لگتے ہیں۔ Alibaba کے مطابق Wan 2.2 TI2V-5B ماڈل 4090 جیسے ایک عام صارف GPU پر 720p کلپس 24 frames per second کی رفتار سے، پانچ سیکنڈ کی مدت کے ساتھ، نو منٹ سے کم وقت میں بناتا ہے، اور یہ کم از کم 24 GB VRAM تجویز کرتا ہے۔ ComfyUI کی دستاویزات کے مطابق یہی 5B ماڈل "ComfyUI native offloading کے ساتھ 8GB vram پر اچھی طرح چل جانا چاہیے"۔

دونوں باتیں درست ہیں، کیونکہ ان میں مختلف چیزیں ناپی گئی ہیں۔ 8 GB وہ حد ہے جہاں ماڈل چل سکتا ہے۔ 24 GB وہ حد ہے جہاں کارکردگی قابلِ قبول رہتی ہے۔ Offloading میں ماڈل کا بیشتر حصہ system RAM میں رکھا جاتا ہے اور ہر step کے لیے layers کو GPU میں منتقل کیا جاتا ہے۔ اس لیے GPU حساب کرنے کے بجائے اپنا وقت PCIe bus کے انتظار میں گزارتا ہے۔ یہ لاگت صرف ایک بار نہیں، بلکہ ہر sampler step پر ادا ہوتی ہے۔

[
  {
    "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
  }
]

صرف آخری row vendor کا فراہم کردہ عدد ہے۔ 24 GB card پر فی clip وقت 9 منٹ آتا ہے، جو Alibaba کا اس ماڈل کے لیے شائع کردہ عدد ہے۔ باقی rows پر offloading کے اثرات دکھائے گئے ہیں، اور یہ benchmark results کے بجائے order-of-magnitude اندازے ہیں۔ اصل نکتہ رجحان ہے: 8 GB card پر 40 منٹ فی clip ایک تکنیکی طور پر قابلِ عمل setup ہے، لیکن عملی طور پر یہ ایسا batch job ہے جسے آپ رات بھر چلنے کے لیے چھوڑ دیں گے۔

بڑے Wan 2.2 models بالکل مختلف سطح کے ہیں۔ A14B text-to-video اور image-to-video variants کو single-GPU inference کے لیے کم از کم 80 GB VRAM درکار ہوتی ہے۔ یہ data-center hardware ہے، ایسی card نہیں جسے آپ desk machine میں نصب کریں، اور یہی وہ مقام ہے جہاں self-hosted کا مطلب کسی اور کے accelerator کو فی گھنٹہ کرائے پر لینا بن جاتا ہے۔ یہی حساب text کے معاملے میں کہیں آگے تک جاتا ہے، جہاں Kimi K3 جیسے 2.8 trillion parameter model کی self-hosting ایک card کے بارے میں سوال نہیں رہتی، بلکہ اس بارے میں سوال بن جاتی ہے کہ آپ کتنی 80 GB cards کو باہم جوڑنے کے اخراجات برداشت کر سکتے ہیں۔

رینٹ کیے گئے GPU پر ایک کلپ کی لاگت

زیادہ تر لوگوں کو اسے آزمانے کے لیے GPU کرائے پر لینا چاہیے، کیونکہ اگر مطلوبہ model کے لیے 80 GB درکار ہوں تو خریدی ہوئی card مناسب hardware نہیں رہتی۔ GPU rental market میں July 2026 تک on-demand قیمتوں کا median یہ ہے:

[
  {
    "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 والی row میں 5B model چلتا ہے اور ہر کلپ کی لاگت تقریباً 0.05 dollars ہے، جبکہ فی گھنٹہ قیمت 0.36 dollars ہے۔ 80 GB والی rows میں 14B models چلتے ہیں۔ اسی لیے hardware بہت تیز ہونے کے باوجود فی کلپ لاگت بڑھ کر 0.6 dollars ہو جاتی ہے۔ بڑا model، ویڈیو کے ہر سیکنڈ کے لیے زیادہ computation۔

فی کلپ پانچ cents بظاہر بہت کم لگتے ہیں، اور یہی بات گمراہ کن ہے۔ آپ کے پہلے قابلِ استعمال پانچ seconds کبھی بھی ایک render میں تیار نہیں ہوتے۔ Video model کو prompt دینا دراصل search کا عمل ہے، اور کسی shot میں مخصوص motion درکار ہو تو قابلِ استعمال نتیجہ ملنے سے پہلے 20 سے 40 renders معمول کی بات ہے۔ اس لیے ایک working session کی لاگت cents کے بجائے dollars میں ہوتی ہے، اور rented hardware پر ایک دوپہر کی iteration کی قیمت تقریباً اتنی ہوتی ہے جتنی lunch کی۔

رینٹنگ کی دو تفصیلات نظرانداز کرنے پر حقیقی لاگت آتی ہے۔ جب box weights download کر رہا ہو تو بھی billing جاری رہتی ہے، اور Wan 2.2 کی files، ان کے text encoder اور VAE کے ساتھ، دسیوں gigabytes تک پہنچ جاتی ہیں۔ اس لیے persistent volume والا provider منتخب کریں اور files صرف ایک بار download کریں۔ اسی طرح SSH session کھلا رہنے کے دوران box idle ہو تو بھی billing جاری رہتی ہے۔ صرف terminal بند کرنے کے بجائے instance کو stop کریں۔

GPU box پر ComfyUI انسٹال کریں

Ubuntu 24.04 سے شروع کریں، اور NVIDIA driver پہلے سے انسٹال ہو۔ پہلے driver کی جانچ کریں، کیونکہ یہ جانچ نہ ہونے پر بعد کی ہر خرابی ایک جیسی دکھائی دیتی ہے۔

nvidia-smi

اس سے آپ کے GPU اور CUDA version کے ساتھ ایک table ظاہر ہونی چاہیے۔ اگر NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver ظاہر ہو تو kernel module load نہیں ہوا۔ یہ عموماً kernel upgrade کے بعد reboot نہ کرنے کی وجہ سے ہوتا ہے۔ اسی مرحلے پر اسے درست کریں۔ بصورتِ دیگر ComfyUI CPU path پر چلا جائے گا، اور آپ ایک گھنٹہ model کو موردِ الزام ٹھہراتے رہیں گے۔

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

ایک بھی weight file download کرنے سے پہلے تصدیق کریں کہ PyTorch کو GPU نظر آ رہا ہے۔

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

True اور آپ کے GPU کا نام ظاہر ہونے کا مطلب ہے کہ stack درست ہے۔ False کا مطلب ہے کہ انسٹال شدہ wheel CPU-only build ہے۔ یہ اس وقت ہوتا ہے جب pip کو پہلے کی installation سے cached torch مل جاتا ہے۔ اوپر دیا گیا index URL استعمال کرتے ہوئے دوبارہ انسٹال کریں۔

Wan 2.2 model فائلیں ڈاؤن لوڈ کریں

ComfyUI کے ساتھ کوئی weights شامل نہیں ہوتیں، اور video model صرف ایک فائل نہیں ہوتا۔ اس میں diffusion model، text encoder اور VAE شامل ہوتے ہیں، اور ہر ایک اپنی الگ directory میں رکھا جاتا ہے۔ فائل غلط folder میں رکھیں تو loader node اسے فہرست میں شامل ہی نہیں کرے گا، اور یہ بتانے کے لیے کوئی error بھی نہیں دے گا کہ ایسا کیوں ہوا۔

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، text-to-video اور image-to-video دونوں کو handle کرتا ہے، اسی لیے یہ آغاز کے لیے موزوں انتخاب ہے۔ ہمیشہ .safetensors کو .ckpt پر ترجیح دیں۔ .ckpt فائل ایک pickled Python object ہوتی ہے، اس لیے اسے load کرنے سے وہ code چلتا ہے جس نے اسے تیار کیا ہو۔ Disk space کے لیے مناسب گنجائش رکھیں: ایک model family اور اس کے output کے ساتھ working install کو 100 GB درکار ہوتے ہیں، اور video فائلیں ان PNG images سے کہیں بڑی ہوتی ہیں جو image workflow تیار کرتا ہے۔ اپنی workflow JSON فائلوں کا backup object storage میں encrypted incremental backups جیسی حکمت عملی سے لیں، کیونکہ weights دوبارہ download کی جا سکتی ہیں، لیکن آپ کی tuned workflows دوبارہ تیار نہیں کی جا سکتیں۔

اسے چلائیں اور محفوظ طریقے سے اس تک رسائی حاصل کریں

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

ComfyUI میں login screen یا user accounts نہیں ہوتے۔ جو بھی نظام port 8188 تک پہنچ سکتا ہے، وہ jobs کو queue میں شامل کر سکتا ہے، آپ کی تیار کردہ ہر clip پڑھ سکتا ہے، اور custom nodes install کر سکتا ہے۔ اس کے نتیجے میں آپ کے server پر arbitrary code execution ممکن ہو جاتی ہے۔ اسے localhost سے bind کریں اور اپنی مشین سے SSH tunnel کے ذریعے اس تک رسائی حاصل کریں۔

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

اس کے بعد اپنے browser میں http://127.0.0.1:8188 کھولیں۔ ComfyUI کے templates menu سے Wan 2.2 کا template workflow لوڈ کریں، nodes کو ہاتھ سے جوڑنے کے بجائے۔ Official templates میں وہ sampler settings شامل ہوتی ہیں جن کے لیے model کو tune کیا گیا ہے۔ Video workflow میں image workflow کے مقابلے میں ایسی جگہیں بہت زیادہ ہوتی ہیں جہاں کوئی value خاموشی سے غلط درج ہو سکتی ہے۔

جب API استعمال کرنا ہی درست فیصلہ ہو

جب ویڈیو generation کا volume زیادہ اور مسلسل ہو، جب آپ کے frames کو آپ کے اپنے infrastructure سے باہر نہیں جانا چاہیے، یا جب آپ کو کوئی مخصوص model یا custom adapter درکار ہو جو کسی hosted service میں دستیاب نہ ہو، تو self-hosting درست انتخاب ہے۔ یہ اس وقت بھی مناسب ہے جب pipeline کو ایک سال بعد بھی اسی طرح کام کرنا ہو، کیونکہ hosted model آپ کے اختیار کے بغیر تبدیل ہو سکتا ہے اور اسے pin کرنے کے لیے کوئی version دستیاب نہ ہو۔

Hosted API استعمال کریں جب آپ کو ماہانہ صرف چند clips درکار ہوں، جب آپ کو open models کی تیار کردہ output سے زیادہ طویل یا زیادہ بڑی output چاہیے، یا جب آپ کی deadline اسی ہفتے ہو۔ Break-even حساب حقیقت پسندانہ طور پر کریں۔ July 2026 کے median نرخ پر 24 GB card کو چوبیس گھنٹے کرائے پر لینا تقریباً 260 dollars ماہانہ پڑتا ہے، جبکہ یہی card خریدنے کی ابتدائی لاگت اس سے زیادہ ہوتی ہے، اور اس سے پہلے کہ آپ ایک بھی frame generate کریں۔ غیر فعال self-hosted box ہر بار per-clip API pricing سے مہنگا ثابت ہوتا ہے۔ یہی trade-off طے کرتا ہے کہ آپ text models کو کیسے serve کریں؛ اس کی وضاحت self-hosted LLM serving کے لیے Ollama بمقابلہ vLLM میں کی گئی ہے۔ یہ اس سے بھی بنیادی سوال پر منحصر ہے کہ کیا GPU والا VPS لینا واقعی مالی طور پر مفید ہے۔

رینڈر ناکام ہونے پر کیا چیک کریں

اگر رینڈر sampler bar مکمل ہونے کے بعد، بالکل آخر میں بند ہو جائے، تو VAE decode کے دوران memory ختم ہو گئی ہے۔ فریموں کی تعداد کم کریں یا tiled decode node استعمال کریں۔ steps کی تعداد تبدیل کرنے سے مسئلہ حل نہیں ہوگا، کیونکہ decode ایک بار ہوتا ہے، جب تمام steps پہلے ہی مکمل ہو چکے ہوتے ہیں۔

اگر output مکمل طور پر سیاہ یا بری طرح بگڑا ہوا ہو، تو عموماً VAE اور model آپس میں مطابقت نہیں رکھتے۔ Wan 2.1 VAE کو Wan 2.2 diffusion model کے ساتھ load کرنے سے یہی نتیجہ آتا ہے، اور log میں کہیں بھی error ظاہر نہیں ہوتا۔

اگر رینڈر چلتا رہے لیکن ایسی مشین پر کئی گھنٹے لے جو GPU رکھتی ہو، تو اس کا مطلب ہے کہ ComfyUI CPU path استعمال کر رہا ہے۔ startup log میں device line چیک کریں، پھر اوپر دیا گیا torch.cuda.is_available() check دوبارہ چلائیں۔

اگر process dmesg میں Killed کے ساتھ غائب ہو جائے اور کوئی Python traceback نہ ہو، تو یہ kernel کا out-of-memory killer ہے۔ اس صورت میں مسئلہ system RAM کا ہے، VRAM کا نہیں۔ Offloading کے لیے پورا model system RAM میں موجود ہونا ضروری ہے۔ اس لیے 16 GB کی مشین پر 5B model کو offload کرنے کے لیے RAM کم پڑے گی۔ RAM بڑھائیں یا swap شامل کریں۔

FAQ

کیا میں GPU کے بغیر VPS پر AI ویڈیو تیار کر سکتا ہوں؟

نہیں، کم از کم ایسے طریقے سے نہیں جسے آپ دوبارہ استعمال کرنا چاہیں۔ 24 GB GPU پر 720p کی پانچ سیکنڈ کی clip تیار ہونے میں نو منٹ لگتے ہیں، جبکہ CPU پر اس میں کئی گھنٹے لگ سکتے ہیں، کیونکہ model کے لیے matrix operations چلانے والا hardware موجود نہیں ہوتا اور system RAM کی bandwidth، GPU memory bandwidth سے ایک order of magnitude کم ہوتی ہے۔ CPU server، ComfyUI interface host کر سکتا ہے، آپ کے models محفوظ رکھ سکتا ہے اور workflows رکھ سکتا ہے، لیکن rendering کے لیے GPU ضروری ہے۔

Wan 2.2 کے لیے مجھے کتنی VRAM درکار ہے؟

TI2V-5B model کے لیے ComfyUI native offloading کے ساتھ 8 GB کم از کم ضرورت ہے، جبکہ شائع شدہ رفتار حاصل کرنے کے لیے Alibaba 24 GB تجویز کرتا ہے۔ A14B text-to-video اور image-to-video models کے لیے model card، single-GPU inference کی خاطر کم از کم 80 GB VRAM طلب کرتا ہے، اس لیے ان کے لیے data-center cards درکار ہیں۔

self-hosted clip کتنی طویل ہو سکتی ہے؟

July 2026 تک عملی طور پر 720p پر تقریباً پانچ سیکنڈ کی clip مناسب unit ہے۔ زیادہ طویل output segments تیار کرکے اور انہیں جوڑ کر حاصل کیا جاتا ہے۔ اس عمل میں ایک segment کے آخری frame کو اگلے segment کے پہلے frame کے طور پر استعمال کیا جاتا ہے۔ joins کے دوران quality میں بتدریج فرق آتا ہے، اس لیے طویل video کو ایک generation کے بجائے editing job سمجھیں۔

کیا GPU کو فی گھنٹہ کرائے پر لینا card خریدنے سے سستا ہے؟

اگر روزانہ rendering چند گھنٹوں سے کم ہو تو کرایہ لینا زیادہ فائدہ مند ہے۔ July 2026 میں 24 GB card کے لیے تقریباً 0.36 dollars فی گھنٹہ کی median قیمت پر آپ اس card کی خریداری کی قیمت کے برابر خرچ ہونے سے پہلے طویل عرصے تک اسے کرائے پر لے سکتے ہیں۔ اس طرح آپ ایسا hardware خریدنے سے بھی بچ جاتے ہیں جو آپ کے مطلوبہ model کے لیے غلط class کا ثابت ہو۔ خریداری صرف اس وقت فائدہ مند ہے جب box ہر روز دن کے بیشتر حصے میں مصروف رہے۔