‏خط تولید محلی تصویر و ویدیو با ComfyUI؛ بدون قبض API

ایدهٔ این مقاله ساده‌ست: یه خط تولید تصویر-به-ویدیو که کامل روی سخت‌افزار خودت اجرا می‌شه. اسکریپت یه دسته تصویر از روی پرامپت‌ها می‌سازه، بهترین‌ها انتخاب می‌شن و می‌رن به مدل ویدیو تا کلیپ کوتاه ازشون دربیاد — بدون اینکه حتی یه بار به API پولی دست بزنی.

انگیزه‌ش هم اقتصادیه. تولید ویدیو تو کلاد بر اساس ثانیهٔ خروجی حساب می‌شه و وقتی داری ده‌ها یا صدها نسخهٔ مختلف تست می‌کنی، رقم خیلی زود بالا می‌ره. اجرای همون فرایند به‌صورت محلی روی ComfyUI با مدل‌های باز، اون هزینهٔ ازای هر تولید رو بعد از خرید سخت‌افزار به صفر می‌رسونه.

خود فرایند چند مرحلهٔ قابل اسکریپت‌شدن داره: اول یه رفرنس برمی‌داری (مثلاً فریمی از یه ویدیوی کوتاه)، بعد اونو به یه مدل زبانی می‌دی تا صحنه رو توصیف کنه و پرامپت اولیه رو بسازه، بعد از همون LLM می‌خوای یه دسته واریاسیون پرامپت تولید کنه که هرکدوم یه ژست یا حرکت مختلف رو توصیف می‌کنه.

بعدش نوبت رندر انبوهه: هر پرامپت از طریق API خود ComfyUI به Qwen Image داده می‌شه و اسکریپت seed و متن پرامپت رو برنامه‌ای عوض می‌کنه تا سیستم بدون دخالت دست پشت سر هم رندر بزنه. برای اینکه حرکت تو کل سکانس یکدست بمونه، یه ControlNet (تشخیص لبهٔ canny یا شبکهٔ اختصاصی تشخیص پوز) ژست تصویر رفرنس رو روی سوژهٔ جدید سوار می‌کنه. آخر سر تصاویر منتخب می‌رن به یه مدل ویدیو مثل LTX Video یا Wan.

کلید تمام ماجرا حالت developer mode تو ComfyUI ـه که API رو در معرض قرار می‌ده. تا اون فعال بشه، یه اسکریپت می‌تونه جاب بفرسته، منتظر تکمیلش بمونه و بره سراغ پرامپت بعدی؛ همینه که یه گردش‌کار دستیِ تک‌تصویری رو به یه بچ‌جاب بدون ناظر تبدیل می‌کنه.

از نظر سخت‌افزار، دمو روی یه سیستم AMD Ryzen AI Max Plus 395 با ۱۲۸ گیگابایت حافظهٔ یکپارچه اجرا شده. نویسنده تأکید می‌کنه لازم نیست دقیقاً همین ماشین رو داشته باشی؛ هر سیستمی که بتونه Qwen Image، یه LLM برای پرامپت‌سازی و یه مدل ویدیو رو هم‌زمان تو حافظه نگه داره کار می‌کنه. مزیت حافظهٔ یکپارچه اینه که سقف اندازهٔ مدل‌ها رو بالا می‌بره، چون کارت مجزای ۳۲ گیگی خیلی زود پر می‌شه.

معامله‌ش سرعت و سقف کیفیته. هر رندر Qwen Image حدود ۱۹ تا ۲۰ ثانیه طول کشیده که به‌ازای هر تصویر کند به نظر می‌رسه، ولی چند صد تصویر رو تو چند ساعت تحویل می‌ده — سریع‌تر از اون «تمام‌شب» ی که اولش پیش‌بینی شده بود. مدل‌های اختصاصی هنوز روی وفاداری و انسجام ویدیوهای بلندتر جلوترن، هرچند مدل‌های باز فاصله رو کم کردن و فاین‌تیون‌کردنشون روی یه سبک مشخص نتیجه رو بهتر می‌کنه.

نقش هر مدل هم روشنه: LLM پرامپت می‌نویسه، Qwen Image با هدایت ControlNet استیل رندر می‌کنه، و LTX Video یا Wan نتیجه رو به حرکت درمیاره. گلوگاه اصلی هم زمان رندره، مخصوصاً تو مرحلهٔ ویدیو که معمولاً از تولید تصویر کندتره.

نکات کلیدی:

• API و developer mode در ComfyUI اجازه می‌دن کل خط تولید اسکریپت و بدون ناظر اجرا شه
• زنجیرهٔ کار: LLM برای پرامپت، Qwen Image برای تصویر، LTX Video یا Wan برای ویدیو
• ControlNet ژست یک رفرنس رو روی سوژهٔ تازه منتقل می‌کنه
• حافظهٔ زیاد لازمه چون مدل تصویر، ControlNet و LLM هم‌زمان بالان
• هر رندر تصویر حدود ۱۹ تا ۲۰ ثانیه؛ گلوگاه اصلی مرحلهٔ ویدیوئه
• بعد از هزینهٔ سخت‌افزار، هزینهٔ هر تولید فقط برقه