AI शॉर्ट फ़िल्म प्रोडक्शन: हर स्टेप के लिए कौन-सा GPU?
संक्षेप में: AI शॉर्ट फ़िल्म के ज़्यादातर स्टेज 24–32 GB कार्ड पर चलते हैं: स्टोरीबोर्ड इमेज, Wan 2.2 TI2V-5B, वॉइस, लिप सिंक, म्यूज़िक, अपस्केलिंग और इंटरपोलेशन। 48 GB, 80 GB या उससे ज़्यादा, या भारी offloading की ज़रूरत 14B और उससे बड़े वीडियो मॉडलों पर पड़ती है: Wan 2.2 A14B, MiniMax H3 और LTX-2.5। हर स्टेज को उसके लायक कार्ड पर किराए पर लें और स्टेज के बीच इंस्टेंस डिस्ट्रॉय करें, क्योंकि बिलिंग प्रति मिनट होती है। Commercial इस्तेमाल से पहले हर टूल का लाइसेंस जाँचें: कुछ non-commercial हैं या उनमें अतिरिक्त शर्तें हैं।
एक नज़र में पूरी pipeline
VRAM आंकड़े और लाइसेंस के शब्द हर प्रोजेक्ट के अपने README या model card से हैं, 2026-11-04 को पढ़े गए। “कोई प्रकाशित नहीं” का मतलब है कि प्रोजेक्ट GB में कोई आंकड़ा नहीं देता। Deploy पेज दिखाता है कि आप अभी कौन-से कार्ड शुरू कर सकते हैं।
| स्टेज | टूल | VRAM गाइडेंस (प्रकाशित) | शुरुआत के लिए कार्ड क्लास | लाइसेंस नोट |
|---|---|---|---|---|
| स्टोरीबोर्ड इमेज | FLUX.1, SDXL | देखें FLUX और SDXL के लिए कितनी VRAM (अंग्रेज़ी में) | 24 GB | FLUX.1 dev के लिए उसका लाइसेंस स्वीकार करना होता है; FLUX.1 schnell Apache 2.0 है |
| वीडियो | Wan 2.2 TI2V-5B | ComfyUI: “should fit well on 8GB vram with the ComfyUI native offloading” (ComfyUI के native offloading के साथ 8GB VRAM में आराम से फ़िट होना चाहिए) | 24–32 GB | Apache 2.0 |
| वीडियो | Wan 2.2 T2V/I2V-A14B | README: अपनी single-GPU कमांड के लिए “at least 80GB VRAM” (कम से कम 80GB VRAM) | 48–80 GB | Apache 2.0 |
| वीडियो + ऑडियो | MiniMax H3 | diffusers: 24–32 GB पर int8 + streaming; offload के साथ एक 80 GB कार्ड | काफ़ी host RAM के साथ 32 GB, या 80–96 GB | Community license, नीचे देखें |
| वीडियो + ऑडियो | LTX-2.5 (22B) | GB में कोई आंकड़ा नहीं; README: मेमोरी की सीमा में “consider --quantization fp8-cast --offload {cpu, disk}” (--quantization fp8-cast --offload {cpu, disk} पर विचार करें) |
48–96 GB | “annual revenues of at least $10,000,000” (कम से कम $10,000,000 सालाना रेवेन्यू) वाली संस्थाओं के लिए paid license |
| वीडियो | HunyuanVideo 1.5 (8.3B) | “Minimum GPU Memory: 14 GB (with model offloading enabled)” (न्यूनतम GPU मेमोरी: 14 GB, model offloading चालू होने पर) | 24 GB | Community license, नीचे देखें |
| कैरेक्टर कंसिस्टेंसी | musubi-tuner LoRA | “12GB or more recommended for image training, 24GB or more for video training” (image training के लिए 12GB या ज़्यादा, video training के लिए 24GB या ज़्यादा की सलाह); “Main Memory: 64GB or more recommended” (Main Memory: 64GB या ज़्यादा की सलाह) | 24–48 GB | Apache 2.0 (Wan code) |
| कैरेक्टर कंसिस्टेंसी | ai-toolkit LoRA | उदाहरण config train_lora_wan22_14b_24gb.yaml; “Training on and generating video is very VRAM intensive.” (वीडियो पर ट्रेनिंग और वीडियो जनरेशन में बहुत VRAM लगती है।) |
24–48 GB | MIT |
| कैरेक्टर कंसिस्टेंसी | Wan-Animate-2 | “tuned for 8× A800 GPUs” (8× A800 GPUs के लिए tune किया गया); 480P “tested … on 2× A800 GPUs” (2× A800 GPUs पर टेस्ट किया गया) | कई 80 GB कार्ड | Apache 2.0 |
| वॉइस (TTS) | Fun-CosyVoice 3.0 (0.5B) | कोई प्रकाशित नहीं | 24 GB | Apache 2.0 |
| वॉइस (TTS) | IndexTTS-2.5 | कोई प्रकाशित नहीं (RTX 4090 पर एक RTF टेबल) | 24 GB | bilibili Model Use License (custom) |
| लिप सिंक | LatentSync | “Minimum VRAM for inference: 8 GB with LatentSync 1.5; 18 GB with LatentSync 1.6” (inference के लिए न्यूनतम VRAM: LatentSync 1.5 के साथ 8 GB; LatentSync 1.6 के साथ 18 GB) | 24 GB | Apache 2.0 |
| लिप सिंक | MuseTalk | 4 GB लैपटॉप GPU पर टेस्ट किया गया: “generating an 8-second video takes approximately 5 minutes” (8 सेकंड का वीडियो बनाने में लगभग 5 मिनट लगते हैं) | 24 GB | MIT (code) |
| लिप सिंक / डबिंग | InfiniteTalk | GB में कोई आंकड़ा नहीं; low-VRAM मोड: “set --num_persistent_param_in_dit 0” (--num_persistent_param_in_dit 0 सेट करें) |
24–48 GB | Apache 2.0 |
| म्यूज़िक | ACE-Step 1.5 | “XL … require ≥12GB VRAM (with offload + quantization) or ≥20GB (without offload)” (XL … को ≥12GB VRAM चाहिए (offload + quantization के साथ) या ≥20GB (बिना offload के)); हर गाने के लिए “under 10s on RTX 3090” (RTX 3090 पर 10s से कम) | 24 GB | MIT |
| म्यूज़िक | MiniMax Music 3 | “The full precision fits under 24GB of VRAM” (फ़ुल प्रिसिज़न 24GB VRAM से कम में फ़िट होता है) | 24 GB | Community license: “MiniMax-Music3” UI notice; $20M से ज़्यादा रेवेन्यू पर authorization चाहिए |
| म्यूज़िक | YuE2 | “24 GB VRAM” | 24 GB | Weights CC BY-NC 4.0: non-commercial |
| अपस्केल | SeedVR2 | “High VRAM (24GB+): Use FP16 models” (ज़्यादा VRAM (24GB+): FP16 models इस्तेमाल करें); “Moderate VRAM (12-16GB): Use FP8 models with BlockSwap or VAE tiling” (मध्यम VRAM (12-16GB): BlockSwap या VAE tiling के साथ FP8 models इस्तेमाल करें) | 24–32 GB | Apache 2.0 |
| अपस्केल | Real-ESRGAN | कोई प्रकाशित नहीं | 24 GB | BSD-3-Clause |
| फ़्रेम इंटरपोलेशन | RIFE (Practical-RIFE) | कोई प्रकाशित नहीं; “4.24+ is quite suitable for post-processing of some diffusion model generated videos” (4.24+ कुछ diffusion model से बने वीडियो की post-processing के लिए काफ़ी उपयुक्त है) | 24 GB | MIT |
| फ़्रेम इंटरपोलेशन | GIMM-VFI | V100 पर “[4K interpolation] … Memory-Usage: 10922MiB” ([4K interpolation] … मेमोरी इस्तेमाल: 10922MiB) | 24 GB | S-Lab License 1.0: commercial इस्तेमाल से पहले जाँचें |
दो टूल जिनकी सिफ़ारिश आपको अब भी दिख सकती है: Chatterbox retire हो चुका है (“As of August 2026, Chatterbox is retired research and is no longer maintained.” — अगस्त 2026 से Chatterbox retired research है और अब maintain नहीं होता), और Microsoft ने “removed the VibeVoice-TTS code from this repository” (इस repository से VibeVoice-TTS का code हटा दिया है)।
Commercial इस्तेमाल से पहले पढ़ने वाले लाइसेंस
- MiniMax H3: MiniMax H3 Community License Agreement, कोई ओपन-सोर्स लाइसेंस नहीं। इस्तेमाल से पहले LICENSE पढ़ें।
- HunyuanVideo 1.5: Tencent Hunyuan Community License, कोई ओपन-सोर्स लाइसेंस नहीं। इस्तेमाल से पहले LICENSE पढ़ें।
- YuE2: weights CC BY-NC 4.0 हैं, इसलिए कंपनियों को commercial इस्तेमाल से पहले लेखकों से संपर्क करना होगा।
- GIMM-VFI: S-Lab License 1.0। paid काम में GIMM-VFI इस्तेमाल करने से पहले इसे पढ़ें।
- LTX-2.5: रेवेन्यू की सीमा से नीचे मुफ़्त। “Entities with annual revenues of at least $10,000,000 … are required to obtain a paid license.” (कम से कम $10,000,000 सालाना रेवेन्यू वाली संस्थाओं को … paid license लेना ज़रूरी है।)
सरल लाइसेंस शर्तों के साथ commercial काम के लिए टेबल के Apache 2.0 और MIT टूल इस्तेमाल करें: Wan 2.1 और 2.2, SeedVR2, RIFE, ACE-Step 1.5, LatentSync और CosyVoice।
हर स्टेज को उसके लायक कार्ड पर चलाएँ
शॉर्ट फ़िल्म के लिए पूरे समय एक बड़ा कार्ड चलाने की ज़रूरत नहीं है। एक आम बँटवारा:
- 24 GB कार्ड (RTX 4090): स्टोरीबोर्ड फ़्रेम, Wan 2.2 TI2V-5B ड्राफ़्ट, वॉइस, म्यूज़िक।
- 48 GB या 80 GB कार्ड (RTX 4090 48G, A100 80G): 14B मॉडल पर फ़ाइनल शॉट्स, या LoRA ट्रेनिंग।
- वापस 24–32 GB कार्ड पर: लिप सिंक, अपस्केलिंग, फ़्रेम इंटरपोलेशन।
इंस्टेंस डिस्ट्रॉय करने से पहले अपने आउटपुट कॉपी कर लें (rsync या scp), क्योंकि इंस्टेंस का डेटा डिलीट हो जाता है। 2026-11-05 07:55 (UTC+8) के अनुसार, RTX 4090 पर दो घंटे $0.78 के पड़ते हैं, और RTX 4090 48G पर एक घंटे के फ़ाइनल शॉट्स $0.69 के। इन्हीं तीन घंटों के लिए A100 80G रखे रहने पर $4.77 लगेंगे। बिलिंग प्रति मिनट होती है, ऊपर की ओर राउंड करके, कम से कम 1 मिनट, और इंस्टेंस डिस्ट्रॉय करते ही रुक जाती है। मौजूदा रेट /hi/pricing पर हैं।
अगर आपको सिर्फ़ किसी होस्टेड मॉडल से तैयार क्लिप चाहिए, तो CloudGPU के मॉडल API में वीडियो मॉडल भी हैं, जिनमें wan-3.0 शामिल है। आप POST /v1/videos से जॉब बनाते हैं (API docs)।
संबंधित: Wan वीडियो जनरेशन के लिए कौन-सा GPU · MiniMax H3 के लिए कौन-सा GPU · cloud GPU पर Wan 2.2 कैसे चलाएँ (अंग्रेज़ी में) · AI फ़िल्म और वीडियो प्रोडक्शन के लिए Cloud GPU
अक्सर पूछे जाने वाले सवाल
AI शॉर्ट फ़िल्म बनाने के लिए कौन-सा GPU चाहिए?
ज़्यादातर स्टेज 24–32 GB कार्ड पर चलते हैं: स्टोरीबोर्ड इमेज, Wan 2.2 TI2V-5B, वॉइस, लिप सिंक, म्यूज़िक, अपस्केलिंग और इंटरपोलेशन। 14B और उससे बड़े वीडियो मॉडल, जैसे Wan 2.2 A14B, MiniMax H3 और LTX-2.5, को 48 GB, 80 GB या ज़्यादा चाहिए, या host RAM में भारी offloading।
कौन-से ओपन वीडियो मॉडल commercial इस्तेमाल के लिए ठीक हैं?
Wan 2.1 और Wan 2.2 Apache 2.0 हैं। MiniMax H3 और HunyuanVideo 1.5 अपने-अपने community license इस्तेमाल करते हैं, इसलिए commercial इस्तेमाल से पहले उन्हें पढ़ें; कम से कम $10,000,000 सालाना रेवेन्यू वाली संस्थाओं को LTX-2.5 के लिए paid license चाहिए (2026-11-04 को पढ़ा गया)।
शॉट्स के बीच कैरेक्टर एक जैसा कैसे रखें?
musubi-tuner या ai-toolkit से कैरेक्टर पर LoRA ट्रेन करें, या Wan-Animate-2 या MiniMax H3 Ref2VA जैसा reference-image मॉडल इस्तेमाल करें। musubi-tuner वीडियो ट्रेनिंग के लिए 24 GB या ज़्यादा VRAM और 64 GB या ज़्यादा main memory की सलाह देता है (2026-11-04 को पढ़ा गया)।
वॉइस, लिप सिंक और म्यूज़िक के लिए कौन-से टूल हैं?
वॉइस के लिए Fun-CosyVoice 3.0 और IndexTTS-2.5; लिप सिंक के लिए LatentSync, MuseTalk और InfiniteTalk; म्यूज़िक के लिए ACE-Step 1.5 और MiniMax Music 3। YuE2 के weights CC BY-NC 4.0 हैं, इसलिए अनुमति के बिना वे commercial इस्तेमाल के लिए नहीं हैं (2026-11-04 को पढ़ा गया)।
AI वीडियो को अपस्केल और स्मूद कैसे करें?
अपस्केलिंग के लिए SeedVR2 या Real-ESRGAN, और फ़्रेम इंटरपोलेशन के लिए RIFE। SeedVR2 का ComfyUI node 24 GB या ज़्यादा पर FP16 models और 12–16 GB पर BlockSwap या VAE tiling के साथ FP8 models सुझाता है (2026-11-04 को पढ़ा गया)।
स्रोत (2026-11-04 को पढ़े गए, Asia/Shanghai)
- Wan2.2 README: https://github.com/Wan-Video/Wan2.2 ; ComfyUI Wan 2.2 tutorial: https://docs.comfy.org/tutorials/video/wan/wan2_2
- MiniMax H3 model card और LICENSE: https://huggingface.co/MiniMaxAI/MiniMax-H3 ; diffusers H3 docs: https://huggingface.co/docs/diffusers/main/en/api/pipelines/minimax_h3
- LTX-2 README और लाइसेंस: https://github.com/Lightricks/LTX-2
- HunyuanVideo 1.5 model card और LICENSE: https://huggingface.co/tencent/HunyuanVideo-1.5 ; https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5/blob/master/LICENSE
- musubi-tuner: https://github.com/kohya-ss/musubi-tuner ; ai-toolkit: https://github.com/ostris/ai-toolkit
- Wan-Animate-2 model card: https://huggingface.co/Wan-AI/Wan2.2-Animate-2-14B
- CosyVoice: https://github.com/FunAudioLLM/CosyVoice ; IndexTTS: https://github.com/index-tts/index-tts ; VibeVoice: https://github.com/microsoft/VibeVoice ; Chatterbox: https://github.com/resemble-ai/chatterbox
- LatentSync: https://github.com/bytedance/LatentSync ; MuseTalk: https://github.com/TMElyralab/MuseTalk ; InfiniteTalk: https://github.com/MeiGen-AI/InfiniteTalk
- ACE-Step 1.5: https://github.com/ace-step/ACE-Step-1.5 ; MiniMax Music 3: https://huggingface.co/MiniMaxAI/MiniMax-Music3 ; YuE: https://github.com/multimodal-art-projection/YuE
- SeedVR2 ComfyUI node: https://github.com/numz/ComfyUI-SeedVR2_VideoUpscaler ; Real-ESRGAN: https://github.com/xinntao/Real-ESRGAN ; Practical-RIFE: https://github.com/hzwer/Practical-RIFE ; GIMM-VFI: https://github.com/GSeanCDAT/GIMM-VFI
जिन कार्ड को आप शुरू कर सकते हैं, वे Deploy पेज पर हैं। कीमतें https://cloudgpu.app/hi/pricing पर हैं।
अंतिम अपडेट: 2026-11-04 (Asia/Shanghai)।