خود میزبان AI ویڈیو جنریٹر: حقیقت کیا ہے؟

خود میزبان AI ویڈیو جنریٹر حقیقت میں کیا کر سکتا ہے

خود میزبان AI ویڈیو جنریٹر آج کام کرتا ہے، لیکن یہ ڈیمو ریلز میں دکھائی جانے والی مثالوں سے زیادہ سست اور محدود ہے۔ July 2026 تک چلانے کے قابل اوپن ماڈلز Alibaba کا Wan 2.2 اور Tencent کا HunyuanVideo ہیں۔ جب حقیقت پسندی سے زیادہ رفتار اہم ہو تو Lightricks کا LTX-Video بھی دستیاب ہے۔ یہ سب Linux مشین پر NVIDIA GPU کے ساتھ ComfyUI کے تحت چلتے ہیں۔ نتیجے میں تقریباً پانچ سیکنڈ کا 720p کلپ ملتا ہے۔ مکمل منظر نہیں۔ مکمل شدہ ویڈیو کا ایک منٹ بھی نہیں۔

تفصیل سے پہلے مختصر جواب یہ ہے۔ 24 GB کا card پانچ سیکنڈ کا 720p کلپ چند منٹ میں render کرتا ہے۔ 12 GB کا card یہی کام بیس منٹ یا اس سے زیادہ میں کرتا ہے، کیونکہ weights video memory میں فٹ نہیں ہوتے اور software layers کو system RAM میں بار بار منتقل کرتا رہتا ہے۔ بغیر GPU کے server پر یہ کام کسی مفید معنوں میں نہیں ہو سکتا۔ CPU پر image generation کو سست بنانے والی حسابی ضرورتیں CPU پر video generation کو بھی بے مقصد بنا دیتی ہیں۔

اگر آپ خود میزبان image generator کے لیے hardware ladder پڑھ چکے ہیں تو video میں وہی دلیل ہے، لیکن ہر عدد ایک درجے اوپر چلا جاتا ہے۔ VRAM (video memory، یعنی graphics chip کے ساتھ solder کی گئی RAM) اب بھی وہ واحد spec ہے جو طے کرتی ہے کہ یہ کام آسان ہوگا یا تکلیف دہ۔

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

ایک diffusion model کسی تصویر کو مراحل میں denoise کر کے تیار کرتا ہے، اور ہر مرحلہ model کے تمام weights پڑھتا ہے۔ ایک video model یہی کام ایک ساتھ frames کے پورے بلاک پر کرتا ہے۔ یہ وقت کے دوران attention بھی شامل کرتا ہے، تاکہ frame 80 کو معلوم ہو کہ frame 12 کیسا دکھائی دیتا تھا۔ 24 frames per second کی رفتار سے 5 seconds میں ایک batch کے اندر 120 frames ہوتے ہیں۔

اسی temporal attention کی وجہ سے لاگت clip کی لمبائی کے ساتھ 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 rendering کا سست ہونا نہیں ہوتا۔ render ناکام ہو کر بند ہو جاتا ہے۔

ایک دوسری memory spike بھی آتی ہے جس کی لوگ توقع نہیں کرتے۔ 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 ساتھ decode کرتا ہے۔ اس decode کے لیے sampling سے بھی زیادہ memory درکار ہو سکتی ہے۔ اس کی علامت یہ ہے کہ job میں progress bar مکمل دکھائی دیتا ہے، اور 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 stage پر ختم ہوئی، آپ ایک گھنٹے تک غلط setting کو adjust کرنے سے بچ جاتے ہیں۔

AI ویڈیو بنانے کے لیے کتنی VRAM درکار ہے

دو شائع شدہ اعداد و شمار پورے فیصلے کی بنیاد فراہم کرتے ہیں، لیکن بظاہر ایک دوسرے سے متصادم لگتے ہیں۔ Alibaba کے مطابق Wan 2.2 TI2V-5B model، 4090 جیسی واحد صارف GPU پر، 720p clips کو 24 frames per second کے حساب سے، پانچ سیکنڈ کی مدت میں، نو منٹ سے بھی کم وقت میں تیار کرتا ہے، اور اس کے لیے کم از کم 24 GB VRAM تجویز کی جاتی ہے۔ ComfyUI documentation کے مطابق یہی 5B model، "ComfyUI native offloading" کے ساتھ 8GB vram پر باآسانی چل جانا چاہیے۔

دونوں باتیں درست ہیں، کیونکہ ان میں مختلف چیزیں ناپی گئی ہیں۔ 8 GB وہ حد ہے جہاں model چل جاتا ہے۔ 24 GB وہ حد ہے جہاں یہ آرام سے چلتا ہے۔ Offloading میں model کا بیشتر حصہ system RAM میں رکھا جاتا ہے اور ہر step کے لیے layers کو GPU میں منتقل کیا جاتا ہے۔ اس کے نتیجے میں card حساب کرنے کے بجائے PCIe bus سے ڈیٹا آنے کا انتظار کرتا رہتا 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 فی clip 9 منٹ لیتا ہے، جو اس model کے لیے Alibaba کا شائع کردہ عدد ہے۔ دوسری rows اس بات کی نمائندگی کرتی ہیں کہ offloading کارکردگی کو کس طرح متاثر کرتی ہے۔ یہ benchmark results نہیں بلکہ order-of-magnitude estimates ہیں۔ اصل نکتہ یہ ہے: 8 GB card پر 40 منٹ کا وقت تکنیکی طور پر قابلِ عمل setup ہے، لیکن عملی طور پر یہ ایسا batch job ہے جسے آپ رات بھر چلتا چھوڑ دیں گے۔

بڑے Wan 2.2 models ایک مختلف سطح کے تقاضے رکھتے 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۔ اسی مقام پر self-hosted کا مطلب فی گھنٹہ کسی دوسرے شخص کا accelerator کرائے پر لینا شروع ہو جاتا ہے۔

کرائے پر حاصل کردہ GPU پر ایک کلپ کی لاگت

زیادہ تر لوگوں کو اس کی آزمائش کرائے پر حاصل کردہ GPU کے ذریعے کرنی چاہیے، کیونکہ خریدی ہوئی card اس وقت نامناسب hardware ثابت ہو سکتی ہے جب آپ کے مطلوبہ model کو 80 GB درکار ہوں۔ July 2026 تک GPU rental market میں on-demand قیمتوں کا median:

[
  {
    "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 فی کلپ تقریباً 0.05 dollars لاگت آتی ہے، جبکہ فی گھنٹہ قیمت 0.36 dollars ہے۔ 80 GB والی rows میں 14B models چلتے ہیں، اسی لیے فی کلپ لاگت بڑھ کر 0.6 dollars ہو جاتی ہے، حالانکہ hardware خود کہیں زیادہ تیز ہے۔ بڑا model، video کے فی سیکنڈ زیادہ compute استعمال کرتا ہے۔

فی کلپ پانچ cents سننے میں معمولی رقم لگتی ہے، اور یہی بات گمراہ کن ہے۔ آپ کے پہلے قابلِ استعمال پانچ seconds کے لیے کبھی صرف ایک render کافی نہیں ہوتا۔ Video model کو prompt دینا دراصل search کا عمل ہے، اور مخصوص motion والے shot کے لیے 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 کرائے کے hardware پر ایک دوپہر کی iteration کی قیمت تقریباً lunch جتنی ہوتی ہے۔

اگر آپ ان دو rental تفصیلات کو نظرانداز کریں تو ان پر خاصی رقم خرچ ہو سکتی ہے۔ جب box weights download کر رہا ہوتا ہے، تب بھی آپ سے billing کی جاتی ہے۔ Wan 2.2 کی files، ان کے text encoder اور VAE کے ساتھ، دسیوں gigabytes تک پہنچ جاتی ہیں، اس لیے ایسے provider کا انتخاب کریں جو persistent volume فراہم کرے، اور download صرف ایک بار کریں۔ جب آپ کا SSH session کھلا ہو اور box idle بیٹھا ہو، تب 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 ہونا چاہیے۔ پہلے driver چیک کریں، کیونکہ اس چیک کے بغیر بعد کی ہر خرابی ایک جیسی دکھائی دیتی ہے۔

nvidia-smi

اس کمانڈ سے آپ کے GPU اور CUDA version والی table ظاہر ہونی چاہیے۔ اگر NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver ظاہر ہو، تو kernel module لوڈ نہیں ہوا۔ یہ عموماً reboot کیے بغیر kernel upgrade کرنے کے بعد ہوتا ہے۔ اسی مرحلے پر اسے درست کریں۔ بصورتِ دیگر ComfyUI CPU path استعمال کرے 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 GPU کو دیکھ رہا ہے۔

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

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

Wan 2.2 ماڈل فائلیں ڈاؤن لوڈ کریں

ComfyUI میں کوئی weights شامل نہیں ہوتیں، اور video model 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 کو غلط folder میں رکھنے پر loader node اسے فہرست میں شامل نہیں کرے گا، اور وجہ بتانے کے لیے کوئی error بھی ظاہر نہیں ہوگا۔

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 سپورٹ کرتا ہے، اسی لیے یہ آغاز کے لیے مناسب انتخاب ہے۔ ہمیشہ .safetensors کو .ckpt پر ترجیح دیں۔ .ckpt فائل ایک pickled Python object ہوتی ہے، اس لیے اسے load کرنے پر وہ code چلتا ہے جسے اسے بنانے والے نے لکھا ہے۔ ڈسک کے لیے مناسب گنجائش مختص کریں: ایک model family اور اس کے output کے ساتھ کام کرنے والی installation کو 100 GB درکار ہوتے ہیں، اور video files ان PNG images سے کہیں بڑی ہوتی ہیں جو image workflow کے بعد رہ جاتی ہیں۔ اپنی workflow JSON files کا backup object storage پر encrypted incremental backups جیسی سہولت سے رکھیں، کیونکہ weights دوبارہ download کی جا سکتی ہیں، لیکن آپ کے tuned workflows دوبارہ حاصل نہیں کیے جا سکتے۔

اسے چلائیں اور محفوظ طریقے سے رسائی حاصل کریں

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

ComfyUI میں لاگ اِن اسکرین یا صارف اکاؤنٹس نہیں ہوتے۔ جو بھی پورٹ 8188 تک رسائی حاصل کر سکتا ہے، وہ jobs queue کر سکتا ہے، آپ کے تیار کردہ تمام clips پڑھ سکتا ہے، اور custom nodes انسٹال 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 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۔ Nodes کو دستی طور پر جوڑنے کے بجائے ComfyUI templates menu سے Wan 2.2 template workflow لوڈ کریں۔ 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 بہت سی اضافی جگہیں ہوتی ہیں جہاں کوئی value خاموشی سے غلط درج ہو سکتی ہے۔

API استعمال کرنے کا ایماندارانہ جواب کب درست ہوتا ہے

ویڈیو جنریشن کی self-hosting اس وقت درست انتخاب ہے جب حجم زیادہ اور مسلسل ہو، جب آپ کے فریمز کو آپ کے اپنے انفراسٹرکچر سے باہر نہیں جانا چاہیے، یا جب آپ کو کوئی مخصوص model یا custom adapter درکار ہو جو کوئی hosted service فراہم نہیں کرتی۔ یہ اس وقت بھی درست انتخاب 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 نہیں ہوتا۔

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

رینڈر ناکام ہونے پر کیا جانچیں

اگر sampler bar مکمل ہونے کے بعد رینڈر بالکل آخر میں بند ہو جائے، تو VAE decode کے دوران میموری 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 ہو یا بری طرح بے ترتیب ہو، تو عموماً VAE، model سے مطابقت نہیں رکھتا۔ Wan 2.2 diffusion model کے ساتھ Wan 2.1 VAE لوڈ کرنے سے یہی نتیجہ آتا ہے، اور log میں کہیں بھی error ظاہر نہیں ہوتا۔

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

اگر process، Killed کے ساتھ dmesg میں غائب ہو جائے اور Python traceback موجود 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 بنا سکتا ہوں؟

نہیں، کم از کم اس انداز میں نہیں کہ آپ اسے دوبارہ استعمال کریں۔ 24 GB GPU پر 720p کی پانچ سیکنڈ کی کلپ تیار ہونے میں نو منٹ لگتے ہیں، جبکہ CPU پر اسی کام میں کئی گھنٹے لگ سکتے ہیں۔ اس کی وجہ یہ ہے کہ model کے لیے matrix hardware دستیاب نہیں ہوتا، اور system RAM کی bandwidth، GPU memory کی bandwidth سے ایک درجے کم ہوتی ہے۔ CPU server، ComfyUI interface کی میزبانی، models محفوظ کرنے اور workflows رکھنے کے لیے استعمال ہو سکتا ہے، لیکن rendering کے لیے GPU درکار 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 کردہ 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 کا تقاضا کرتا ہے۔ اس لیے ان models کے لیے data-center cards درکار ہیں۔

self-hosted کلپ کتنی طویل ہو سکتی ہے؟

July 2026 تک 720p پر تقریباً پانچ سیکنڈ عملی حد ہے۔ زیادہ طویل output، segments تیار کرکے اور انہیں جوڑ کر بنایا جاتا ہے۔ اس میں ایک segment کے آخری frame کو اگلے segment کے پہلے frame کے طور پر استعمال کیا جاتا ہے۔ جوڑوں کے درمیان quality میں فرق آ سکتا 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 کرائے پر 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 رقم خرچ ہونے سے پہلے کافی عرصے تک اسے کرائے پر استعمال کر 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 رہتا ہو۔