ساخت ویدیو با Wan2GP روی GPU ابری: VRAM و هزینهٔ هر کلیپ

ساخت ویدیو با هوش مصنوعی دیگر به یک کارت گرافیک چند ده میلیونی احتیاج ندارد؛ با اجارهٔ ساعتی یک GPU ابری و قالب آمادهٔ Wan2GP، در کمتر از نیم ساعت اولین کلیپ چندثانیه‌ای خودتان را از روی یک جملهٔ متنی یا یک عکس می‌سازید. Wan2GP یک رابط وب است که مدل‌های ویدیوی باز را روی کارت‌های معمولی اجرا می‌کند و روی ماشین‌های جی‌پی‌یو از قبل نصب شده است.

در این آموزش می‌بینید چه مقدار VRAM برای ساخت ویدیو لازم است، کدام کارت گرافیک را اجاره کنید، چطور پنل Wan2GP را باز کنید و اولین کلیپ را بسازید، و هر کلیپ تقریباً چقدر خرج برمی‌دارد. کل کار با یک ماشین ۲۴ گیگابایتی حدود ۴۵ دقیقه طول می‌کشد و هزینه‌اش در حد چند ده هزار تومان است.

پیش‌نیازها

برای شروع به یک حساب در جی‌پی‌یو نیاز دارید؛ اگر هنوز ثبت‌نام نکرده‌اید از صفحهٔ ثبت‌نام شروع کنید. قبل از اجاره باید یک کلید عمومی SSH در بخش /account ثبت کرده باشید، چون ورود به ماشین فقط با کلید انجام می‌شود و رمز عبوری وجود ندارد. مراحل ساخت و ثبت کلید در پست شروع اجاره GPU: اولین ماشین در ۱۰ دقیقه قدم‌به‌قدم آمده است.

کیف پولتان هم باید حداقل به اندازهٔ یک ساعت از نرخ همان ماشین موجودی داشته باشد. شارژ با کارت به کارت انجام می‌شود و بعد از تأیید اپراتور به حسابتان اضافه می‌شود؛ جزئیات محاسبهٔ دقیقه‌ای هزینه را در پست اجاره کارت گرافیک ساعتی: شارژ کیف پول و محاسبهٔ هزینه توضیح داده‌ایم. برای این آموزش حدود ۵۰ هزار تومان کافی است.

انتخاب کارت گرافیک مناسب برای ویدیو

ساخت ویدیو از ساخت تصویر سنگین‌تر است، چون مدل باید ده‌ها فریم را هم‌زمان و سازگار با هم تولید کند. خوشبختانه Wan2GP برای همین ساخته شده و مدل‌های کوچکش روی کارت‌های کم‌حافظه هم بالا می‌آیند؛ سازندهٔ پروژه اجرای بعضی مدل‌ها را حتی روی ۶ گیگابایت VRAM ممکن می‌داند.

قاعدهٔ ساده این است: مدل‌های ۱.۳ میلیاردپارامتری روی ۸ تا ۱۲ گیگابایت VRAM راه می‌افتند و برای کلیپ‌های کوتاه و تست کردن ایده خوب‌اند. مدل‌های ۱۴ میلیاردپارامتری کیفیت محسوساً بهتری می‌دهند ولی ۱۶ گیگابایت به بالا می‌خواهند و با ۲۴ گیگابایت خیال‌تان راحت‌تر است. اگر در انتخاب حافظه شک دارید، پست انتخاب کارت گرافیک هوش مصنوعی: راهنمای VRAM هر کار را بخوانید.

در بازار جی‌پی‌یو این سه گزینه برای ویدیو منطقی‌اند (قیمت‌ها در زمان نوشتن این مطلب):

• RTX A4000 با ۱۶ گیگابایت از حدود ۲۶ هزار تومان در ساعت — ارزان‌ترین راه برای مدل‌های کوچک و کلیپ‌های یکی دو ثانیه‌ای.
• RTX 3090 با ۲۴ گیگابایت از حدود ۴۲ هزار تومان در ساعت — انتخاب متعادل این آموزش؛ هم مدل بزرگ را جا می‌دهد هم قیمتش معقول است.
• RTX 4090 با ۲۴ گیگابایت از حدود ۱۰۸ هزار تومان در ساعت — وقتی عجله دارید؛ همان کلیپ را چند برابر سریع‌تر می‌سازد.

موقع فیلتر کردن به فضای دیسک هم نگاه کنید؛ وزن مدل‌های ویدیو چند گیگابایت است و دیسک زود پر می‌شود.

اجاره و بالا آوردن قالب Wan2GP

در بازار، ماشین مورد نظرتان را انتخاب کنید و موقع اجاره قالب Wan2GP را بردارید. ماشین با همین نرم‌افزار بالا می‌آید و لازم نیست چیزی نصب کنید. قیمت ساعتی در لحظهٔ اجاره قفل می‌شود، پس نوسان بعدی بازار روی هزینهٔ این ماشین اثری ندارد. اگر با منطق قالب‌ها آشنا نیستید، پست سرور GPU آماده: قالب‌ها چیست و کدام را انتخاب کنیم؟ را ببینید.

بعد از چند دقیقه وضعیت ماشین «آماده» می‌شود. در صفحهٔ ماشین این‌ها را می‌بینید که همه با یک کلیک کپی می‌شوند: دستور SSH آماده، دکمهٔ «پنل ماشین» برای باز کردن رابط وب، دستور «تونل امن» و فهرست پورت‌های منتشرشده. ساده‌ترین راه، زدن دکمهٔ «پنل ماشین» است.

اگر ترجیح می‌دهید رابط وب را از داخل SSH باز کنید، از دستور تونل امن همان صفحه استفاده کنید. رابط Wan2GP به‌صورت پیش‌فرض روی پورت 7860 گوش می‌دهد:

ssh -N -L 7860:localhost:7860 -p <پورت> <کاربر>@<آدرس ماشین>

تا وقتی این دستور باز است، آدرس http://localhost:7860 در مرورگر شما همان پنل روی ماشین اجاره‌ای است.

اولین کلیپ: از متن به ویدیو

در بالای صفحهٔ Wan2GP یک فهرست کشویی برای انتخاب مدل هست. برای اولین تست مدل Wan 2.1 T2V 1.3B را انتخاب کنید؛ سبک است، سریع جواب می‌دهد و برای سنجیدن ایده کافی است. وقتی مدلی را برای بار اول انتخاب می‌کنید، وزن‌هایش از اینترنت ماشین دانلود می‌شود. این دانلود روی خود ماشین و با سرعت گیگابیتی انجام می‌شود و به اینترنت شما ربطی ندارد؛ چند گیگابایت است و معمولاً چند دقیقه طول می‌کشد.

حالا متن درخواست را بنویسید. مدل‌های ویدیو با انگلیسی بهتر کار می‌کنند و از توصیف دقیق خوششان می‌آید: به‌جای یک کلمه، صحنه، حرکت دوربین و نور را بگویید. مثلاً:

A red paper boat floating down a narrow rain-soaked street, slow camera push in, warm evening light, cinematic

بعد طول کلیپ را تعیین کنید. در Wan2GP طول ویدیو با تعداد فریم مشخص می‌شود و راهنمای خود پروژه این نسبت را می‌دهد: ۲۵ فریم حدود یک ثانیه، ۴۹ فریم حدود دو ثانیه و ۷۳ فریم حدود سه ثانیه. برای اولین تست روی ۴۹ فریم بمانید.

دکمهٔ تولید را بزنید و صبر کنید. روی یک کارت ۲۴ گیگابایتی، یک کلیپ دوثانیه‌ای با مدل کوچک معمولاً در چند دقیقه آماده می‌شود. خروجی به شکل یک فایل MP4 داخل همان صفحه نمایش داده می‌شود و روی دیسک ماشین هم ذخیره می‌ماند.

از عکس به ویدیو

جذاب‌ترین کاربرد این قالب، جان دادن به یک عکس ثابت است. در فهرست مدل‌ها یکی از مدل‌های تصویر به ویدیو مثل Wan Fun InP 1.3B (سبک) یا Wan Fun InP 14B (باکیفیت‌تر، برای کارت ۲۴ گیگابایتی) را انتخاب کنید.

عکس ورودی را در همان صفحه آپلود کنید و در متن درخواست، به‌جای توصیف کل صحنه، فقط حرکت را توصیف کنید: دوربین آرام جلو برود، برگ‌ها تکان بخورند، ابرها حرکت کنند. اگر در متن چیزی بخواهید که در عکس نیست، خروجی معمولاً به هم می‌ریزد. برای عکس‌های پرجزئیات، مدل ۱۴ میلیاردپارامتری تفاوت واضحی می‌سازد.

اگر سرویس بالا نیامد

اگر پنل باز نشد یا بعد از ری‌استارت ماشین رابط وب برنگشت، با SSH وارد ماشین شوید و سرویس را دستی اجرا کنید. اول محل پروژه را پیدا کنید:

find / -maxdepth 5 -name wgp.py 2>/dev/null

بعد در همان پوشه، سرویس را روی پورت پیش‌فرض بالا بیاورید:

python wgp.py --listen --server-port 7860

Wan2GP چند گزینهٔ مفید دیگر هم دارد: --profile با عددی بین ۱ تا ۵ (پیش‌فرض ۴) تعادل بین سرعت و مصرف حافظه را تعیین می‌کند، و --attention حالت توجه را روی sdpa، flash، sage یا sage2 ثابت می‌کند. اگر با خطای حافظه روبه‌رو می‌شوید، سراغ پروفایل‌های کم‌مصرف‌تر بروید.

اگر به مشکل خوردید

• خطای CUDA out of memory: مدل ۱۴ میلیاردپارامتری را با نسخهٔ ۱.۳ میلیاردی عوض کنید، تعداد فریم را کم کنید، یا رزولوشن خروجی را پایین بیاورید. اگر باز هم تکرار شد، ماشین ۲۴ گیگابایتی اجاره کنید.
• دانلود مدل نیمه‌کاره ماند: همان مدل را دوباره انتخاب کنید تا دانلود ادامه پیدا کند. با df -h مطمئن شوید دیسک پر نشده باشد.
• پنل باز نمی‌شود: اول فهرست پورت‌های منتشرشده در صفحهٔ ماشین را ببینید، بعد با دستور تونل امن و آدرس http://localhost:7860 امتحان کنید.
• ویدیو خیلی کند ساخته می‌شود: با nvidia-smi چک کنید که کارت واقعاً درگیر است؛ اگر مصرف GPU نزدیک صفر بود، سرویس را دوباره اجرا کنید.
• کلیپ لرزان و بی‌ثبات است: متن را دقیق‌تر بنویسید و تعداد فریم را کمتر بگیرید؛ کلیپ‌های بلندتر معمولاً انسجام کمتری دارند.

هزینه و صرفه‌جویی

یک جلسهٔ واقعی این‌طور درمی‌آید: حدود ده دقیقه برای دانلود مدل، چند دقیقه برای هر کلیپ آزمایشی و نیم ساعت برای رسیدن به خروجی دلخواه. روی RTX 3090 با نرخ حدود ۴۲ هزار تومان در ساعت (در زمان نوشتن این مطلب)، یک جلسهٔ ۴۵ دقیقه‌ای حدود ۳۲ هزار تومان می‌شود.

دو نکته هزینه را پایین نگه می‌دارد. ماشین متوقف‌شده هزینه ندارد، پس موقع تماشای خروجی‌ها آن را روشن نگذارید. و همهٔ تست‌ها را در یک جلسه انجام دهید؛ با هر ماشین تازه باید دوباره وزن مدل را دانلود کنید.

مهم‌تر از همه: دیسک ماشین با حذف ماشین پاک می‌شود و فضای ذخیره‌سازی دائمی وجود ندارد. قبل از حذف، فایل‌های MP4 را روی سیستم خودتان بیاورید. روش کار با scp و rsync در پست دانلود مدل هوش مصنوعی روی سرور GPU: scp و rsync آمده است.

قدم بعدی

اگر می‌خواهید فریم اول کلیپ‌هایتان را خودتان بسازید، با آموزش ComfyUI روی GPU ابری: اولین تصویر با SDXL یک تصویر دقیق بسازید و بعد همان را به مدل تصویر به ویدیو بدهید. مستندات رسمی خود پروژه هم در مخزن Wan2GP در دسترس است.

پرسش‌های متداول

آیا برای ساخت ویدیو با هوش مصنوعی به کارت گرافیک نیاز است؟

بله، ولی لازم نیست کارت را بخرید. با اجارهٔ ساعتی یک GPU ابری، همان کارت ۲۴ گیگابایتی را فقط برای مدتی که کار می‌کنید در اختیار دارید و هزینه دقیقه‌ای از کیف پولتان کم می‌شود.

حداقل VRAM برای Wan2GP چقدر است؟

مدل‌های کوچک ۱.۳ میلیاردپارامتری با ۸ تا ۱۲ گیگابایت VRAM کار می‌کنند و سازندهٔ پروژه اجرای بعضی مدل‌ها را روی ۶ گیگابایت هم ممکن می‌داند. برای مدل‌های ۱۴ میلیاردپارامتری ۱۶ گیگابایت به بالا لازم است و ۲۴ گیگابایت انتخاب مطمئن‌تری است.

ساخت هر کلیپ چقدر طول می‌کشد؟

با مدل کوچک و کلیپ دوثانیه‌ای روی یک کارت ۲۴ گیگابایتی معمولاً چند دقیقه. مدل‌های بزرگ‌تر، فریم بیشتر و رزولوشن بالاتر این زمان را چند برابر می‌کنند.

ویدیوی ساخته‌شده کجا ذخیره می‌شود؟

روی دیسک همان ماشین اجاره‌ای و داخل پنل Wan2GP قابل دانلود است. چون دیسک با حذف ماشین پاک می‌شود، قبل از حذف حتماً فایل‌ها را روی سیستم خودتان کپی کنید.

می‌توانم از عکس شخصی خودم ویدیو بسازم؟

از نظر فنی بله، با مدل‌های تصویر به ویدیو. فقط از عکس خودتان یا عکسی که حق استفاده‌اش را دارید استفاده کنید؛ ساخت ویدیو از چهرهٔ دیگران بدون رضایتشان درست نیست.

تصویر کاور: «Leeds Industrial Museum zoetrope 7125» اثر Clem Rutter، از ویکی‌مدیا کامنز، لایسنس CC BY-SA 3.0.