مشاورهٔ رایگان با ال و ویکتوریا
☰
FarsiRealtor.com ‹ همه‌چیز دربارهٔ هوش مصنوعی
همه‌چیز درباره هوش مصنوعی · فصل 3 · مدل‌های جدید · قسمت 8

LTX Video برای مشاوران املاک: ویدیوی متن‌بازی که می‌توانید رایگان اجرا کنید

LTX یک مدل ویدیویی با وزن‌های متن‌باز از Lightricks است و دلیل اینکه در این فصل جایش هست این است که می‌توانید آن را رایگان روی یک GPU اجاره‌ای اجرا کنید، بدون هزینه برای هر کلیپ. ما نسخه کوچک‌تر را روی یک GPU ابری سطح رایگان آزمایش کردیم: حدود هفت و نیم ثانیه برای تولید هر کلیپ پنج‌ثانیه‌ای، بدون هزینه.

01 چیست

LTX-2.5 پرچمدار فعلی Lightricks است: یک مدل 22 میلیارد پارامتری با وزن‌های متن‌باز که ویدیو و صدای هماهنگ را با هم، از متن، تصویر یا ویدیوی موجود تولید می‌کند. دنباله‌های چندنمای متصل را در یک گذر تولید می‌کند؛ یک نمای باز، یک نمای متوسط، یک نمای نزدیک، که کنار هم بریده شده‌اند؛ در حالی که همان شخصیت، محیط و صدا را در همه برش‌ها ثابت نگه می‌دارد. تا وضوح 4K اجرا می‌شود و روی سخت‌افزاری که Lightricks برای بنچمارک خودش استفاده کرد، یک کلیپ 10 ثانیه‌ای 720p را در کمتر از هفت ثانیه تولید کرد.

LTX-Video 0.9.8 13B distilled مدل کوچک‌تر و قدیمی‌تر همان خانواده است: 13 میلیارد پارامتر، فقط تصویر به ویدیو، بدون صدا، ساخته‌شده تا سریع‌تر و سبک‌تر از نسخه تمام‌عیار باشد، با هزینه‌ای کوچک در کیفیت. این همان نسخه‌ای است که ما واقعاً اندازه‌گیری‌اش کردیم.

02 چطور به آن می‌رسید

چون وزن‌ها متن‌باز و منتشرشده‌اند، بیش از یک در به همان مدل وجود دارد.

خودتان اجراش کنید، رایگان

وزن‌های متن‌باز از Hugging Face دانلود می‌شوند و از طریق کتابخانه Diffusers یا ComfyUI یا مخزن GitHub مربوط به LTX-Video اجرا می‌شوند، روی سخت‌افزاری که ساعتی برایش می‌پردازید یا همین حالا دارید. ما LTX-Video 0.9.8 13B distilled را روی یک GPU ابری سطح رایگان که در یک اشتراک موجود بود اجرا کردیم؛ بدون هزینه جداگانه برای خود رندر.

یک سرویس میزبانی‌شده

LTX Studio، اپ مرورگر همان شرکت، یک سطح رایگان با 800 اعتبار یک‌باره ارائه می‌دهد، هرچند آن سطح رایگان فقط برای استفاده شخصی مجوز دارد، نه کار تجاری یا پولی. سطح‌های پولی از 15 دلار در ماه شروع می‌شوند (سطح Lite)؛ مجوز استفاده تجاری از سطح 35 دلار در ماه Standard به بالا تأیید شده است. مدل از طریق یک API هم در دسترس است، با قیمت 0.09 تا 0.37 دلار برای هر ثانیه، بسته به وضوح، و از طریق میزبان‌های شخص ثالث مثل fal.ai و Replicate.

03 چرا ویژگی چندنما ارزش دانستن دارد

بیشتر مدل‌های ویدیویی در هر درخواست یک نمای پیوسته تولید می‌کنند، یعنی یک دنباله باز-متوسط-نزدیک باید از چند تولید جداگانه سرهم شود که هر کدام یک پرتاب تازه تاس است برای اینکه آیا سوژه هنوز همان به نظر می‌رسد یا نه. چندنمای بومی LTX-2.5 کل دنباله متصل را در یک گذر تولید می‌کند و همان شخصیت، محیط و صدا را در همه برش‌های آن یک تولید ثابت نگه می‌دارد.

از یک رمزگذار متن با یک بهبوددهنده پرامپت داخلی استفاده می‌کند، پس یک پرامپت کوتاه‌تر با جزئیات بیشتری پر می‌شود که یک پرامپت طولانی‌تر و دقیق‌تر با دست مشخص می‌کرد. برای یک مشاور، این تفاوت بین یک دنباله تمیز و سرهم کردن چند کلیپ جداگانه است که کاملاً با هم جور نیستند.

04 برای چه چیزی از آن استفاده کنید

پروفایلش ویدیوی B-roll و حرکت پس‌زمینه رایگان است، نه سخنگو.

05 کجا ضعیف‌تر است

دو محدودیت صادقانه که ارزش دانستن دارد، پیش از اینکه دور آن بسازید. مدل کوچک‌تر 0.9.8 اصلاً آهنگ صوتی ندارد؛ LTX-2.5 همان نسخه‌ای است که برای صدا و ویدیوی هماهنگ با هم ساخته شده.

به‌طور خاص برای سخنگو، یک دمو رایگان قدیمی‌تر از مدل صدا به ویدیوی LTX حرکت لب تولید کرد که در بررسی نزدیک دوام نیاورد. قدرت این مدل حرکت و صحنه است، نه چهره‌ای که هماهنگ حرف می‌زند؛ برای آن کار، یک ابزار مخصوص صدا و آواتار مناسب‌تر است.

06 هزینه‌اش چقدر است

خود وزن‌های متن‌باز تحت مجوز Community شرکت Lightricks برای هر سازمانی با درآمد سالانه کمتر از 10 میلیون دلار رایگان‌اند، بدون صورتحساب برای هر تولید، وقتی خودتان میزبانی می‌کنید. اجاره GPUای که روی آن اجراش می‌کنید ممکن است بسته به ارائه‌دهنده هزینه خودش را داشته باشد، هرچند یک جلسه GPU سطح رایگان، همان‌طور که ما استفاده کردیم، آن را هم به صفر می‌رساند.

گزینه‌های میزبانی‌شده از یک سطح رایگان محدود در LTX Studio شروع می‌شوند، تا سطح‌های پولی 15 تا 125 دلار در ماه، تا هزینه API برای هر ثانیه 0.09 تا 0.37 دلار برای کسی که ترجیح می‌دهد سخت‌افزار را مدیریت نکند.

07 اجرا روی سخت‌افزار متوسط

مدل کامل گزینه‌هایی دارد که برای دستگاه‌هایی ساخته شده‌اند که پشت‌شان GPU مرکز داده نیست: یک حالت کوانتیزه fp8 که کمی دقت را با ردپای حافظه بسیار کوچک‌تر معاوضه می‌کند و CPU offload برای GPUای که به‌تنهایی حافظه کافی برای نگه داشتن کل مدل را ندارد. بین این دو گزینه و مدل تقطیرشده کوچک‌تر، نسخه‌ای از LTX هست که روی سخت‌افزاری بسیار کمتر از آنچه بنچمارک پرچمدار استفاده کرد جا می‌شود.

08 کجا اشتباه می‌شود

یک عادت که باید مراقبش بود: استفاده از سطح رایگان LTX Studio برای هر چیزی که واقعاً منتشرش می‌کنید یا می‌فروشید. مجوز همان سطح استفاده‌اش را به استفاده شخصی محدود می‌کند، نه کار تجاری یا بازاریابی؛ گزینه رایگان برای استفاده تجاری اجرای وزن‌های متن‌باز توسط خودتان است، نه سطح رایگان میزبانی‌شده.

09 چیزی که واقعاً اندازه‌گیری کردیم

ما مدل کوچک‌تر LTX-Video 0.9.8 13B distilled را روی یک GPU ابری سطح رایگان که در یک اشتراک موجود بود اجرا کردیم.

47.6 گیگابایتحجم راه‌اندازی؛ نصب نرم‌افزار و دانلود وزن‌های مدل
حدود 2.5 دقیقهکل زمان راه‌اندازی، از ابتدا تا آماده شدن
7.6 ثانیهرندر هر کلیپ عمودی 5 ثانیه‌ای
512×896وضوح کلیپ‌های عمودی آزمایشی
هزینه صفرروی یک GPU ابری سطح رایگان

بعد از راه‌اندازی، هر کلیپ عمودی 5 ثانیه‌ای با وضوح 512×896 در حدود 7.6 ثانیه رندر شد. حرکت خوب بود: حرکت واقعی شبیه پرواز پهپاد، بخار و برگ‌هایی که طبیعی حرکت می‌کردند، هرچند تصویر در آن وضوح نسبت به یک تصویر ثابت تیزتر، به‌طور محسوسی نرم‌تر بود.

آن ترکیب؛ راه‌اندازی یک‌باره دو و نیم دقیقه‌ای، بعد کمتر از هشت ثانیه برای هر کلیپ، با هزینه صفر؛ همان دلیل واقعی برای امتحان کردن این، پیش از پرداخت برای تولید ویدیو در هر جای دیگری است.

10 در هفته اول چه چیزی را امتحان کنید

یک تمرین، به اندازه سطح رایگان. یک کلیپ کوتاه منظره‌ای یا محیطی روی یک جلسه GPU ابری رایگان تولید کنید و از ابتدا تا انتها زمان بگیرید؛ راه‌اندازی، دانلود و خود رندر. وقتی یک بار کل آن روند را دیدید، دقیقاً می‌دانید «ویدیوی رایگان» در وقت خودتان واقعاً چقدر هزینه دارد؛ همان عددی که تصمیم می‌گیرد این به عادت تبدیل می‌شود یا نه.

11 در کنار بقیه چطور قرار می‌گیرد

در برابر یک API ویدیویی پولی برای هر ثانیه، برتری LTX همان برتری‌ای است که هر مدل با وزن‌های متن‌باز ارائه می‌دهد: وقتی خودتان میزبانی می‌کنید، هزینه نهایی کلیپ بعدی صفر است، نه یک هزینه هر ثانیه که در طول یک فصل محتوا روی هم انباشته می‌شود.

در برابر مدلی که به‌طور خاص برای ویدیوی سخنگو یا آواتار ساخته شده، قدرت LTX صحنه و حرکت است؛ فایل محیطی، دنباله‌های چندنما، ویدیوی پس‌زمینه؛ نه چهره‌ای که متنی را هماهنگ می‌خواند.

؟ پرسش‌های پرتکرار

وزن‌های متن‌باز تحت مجوز Community شرکت Lightricks برای هر سازمانی با درآمد سالانه کمتر از 10 میلیون دلار رایگان‌اند، بدون هزینه برای هر تولید، وقتی خودتان میزبانی می‌کنید. سطح رایگان میزبانی‌شده LTX Studio هم هست، اما مجوزش آن سطح را به استفاده شخصی محدود می‌کند، نه کار تجاری.

ما مدل کوچک‌تر LTX-Video 0.9.8 13B distilled را با حدود هفت و نیم ثانیه برای تولید یک کلیپ پنج‌ثانیه‌ای روی یک GPU ابری سطح رایگان اندازه‌گیری کردیم. بنچمارک خود Lightricks برای مدل جدیدتر LTX-2.5 یک کلیپ 10 ثانیه‌ای 720p را در کمتر از هفت ثانیه روی سخت‌افزار اختصاصی گزارش می‌کند.

نه به‌طور قابل‌اعتماد. یک دمو رایگان قدیمی‌تر از مدل صدا به ویدیوی LTX حرکت لبی تولید کرد که در بررسی نزدیک دوام نیاورد. قدرت LTX صحنه و حرکت است؛ کلیپ‌های محیطی، دنباله‌های چندنما؛ نه چهره‌ای که متنی را هماهنگ می‌خواند.

میزبانی‌شده توسط خودتان، از طریق وزن‌های Hugging Face یا Diffusers یا ComfyUI، روی GPU خودتان یا اجاره‌ای، بدون هزینه برای هر کلیپ. یا میزبانی‌شده، از طریق LTX Studio یا یک API با قیمت هر ثانیه، یا سرویس‌های شخص ثالث مثل fal.ai و Replicate.

بله. ویژگی چندنمای بومی LTX-2.5 یک دنباله متصل باز-متوسط-نزدیک را در یک تولید واحد تولید می‌کند و همان شخصیت، محیط و صدا را در همه برش‌ها ثابت نگه می‌دارد، به‌جای اینکه کلیپ‌های جداگانه را با دست سرهم کنید.

مدل کامل کوانتیزاسیون fp8 و CPU offload را برای سخت‌افزار با حافظه کمتر پشتیبانی می‌کند و مدل تقطیرشده کوچک‌تر 13 میلیارد پارامتری به‌طور خاص ساخته شده تا سریع‌تر و سبک‌تر از پرچمدار اجرا شود، با هزینه‌ای کوچک در کیفیت.

مشاوره رایگان 15 دقیقه‌ای به فارسی

با ال و ویکتوریا پیندر، مشاوران ICON در eXp Realty، به فارسی صحبت کنید؛ درباره آموزش، منتورینگ و جامعه حرفه‌ای سیمرغ، و اینکه چطور این ابزارها را در کار روزانه‌تان به کار بگیرید.