Open Sora 2.0: मुफ़्त ओपन सोर्स वीडियो जनरेटर, ऑनलाइन डेमो, सीमाएँ और विकल्प

Open Sora 2.0 एक 11B ओपन सोर्स वीडियो मॉडल है जिसे आप मुफ़्त में डाउनलोड कर सकते हैं, लेकिन इसे चलाने के लिए गंभीर हार्डवेयर चाहिए। यहाँ जानें कि ऑनलाइन डेमो क्या देता है, मॉडल कहाँ संघर्ष करता है, और आज कौन से वीडियो जनरेटर तेज़ और लंबे क्लिप देते हैं।

Open Sora 2.0: मुफ़्त ओपन सोर्स वीडियो जनरेटर, ऑनलाइन डेमो, सीमाएँ और विकल्प
Cristian Da Conceicao

Open Sora 2.0 सुनने में सपने जैसा लगता है: एक मुफ़्त, ओपन सोर्स वीडियो जनरेटर जिसके वेट्स आप डाउनलोड कर सकते हैं, एक ट्रेनिंग रेसिपी जिसे कोई भी पढ़ सकता है, और ऐसा आउटपुट जिसे इसके निर्माता पेड टूल्स से मुकाबले का बताते हैं। फिर आप इसे चलाने की कोशिश करते हैं और असली पेच सामने आता है। इसे कई महंगे GPU चाहिए, होस्टेड डेमो में कतार लगती है, और क्लिप कुछ सेकंड के बाद रुक जाते हैं।

यह लेख मार्केटिंग को हकीकत से अलग करके दिखाता है। आप जानेंगे कि यह मॉडल क्या है, इसके आँकड़ों का क्या मतलब है, ऑनलाइन डेमो कैसा व्यवहार करता है, असली सीमाएँ कहाँ हैं, और कौन से विकल्प आपको घंटों के बजाय मिनटों में काम का वीडियो देते हैं।

💡 त्वरित नामकरण नोट: Open Sora HPC-AI Tech का एक कम्युनिटी प्रोजेक्ट है। यह OpenAI का Sora 2 नहीं है, भले ही नाम एक जैसे लगें। ये दो अलग टीमों के अलग मॉडल हैं।

Open Sora 2.0 असल में क्या है

एक सॉफ़्टवेयर इंजीनियर ग्राफ़िक्स कार्ड के डिब्बे के बगल में टर्मिनल में टाइप करते हुए

छोटा जवाब

Open Sora 2.0 एक ओपन सोर्स टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो मॉडल है जो मार्च 2025 में जारी हुआ। इसमें लगभग 11 बिलियन पैरामीटर हैं और यह 720p और 24 fps तक के क्लिप बनाता है। टीम ने चेकपॉइंट, इनफ़रेंस कोड और डिस्ट्रीब्यूटेड ट्रेनिंग पाइपलाइन प्रकाशित की हैं, और यही इसे सार्थक अर्थ में "ओपन" बनाता है। ज़्यादातर वीडियो मॉडल इन तीनों में से कम से कम एक चीज़ बंद रखते हैं।

इसकी मुख्य खासियत दक्षता है। डेवलपर्स ने 224 GPUs पर लगभग $200,000 के ट्रेनिंग खर्च की रिपोर्ट दी है, जो उस खर्च के मुकाबले छोटा है जो बंद लैब्स पर माना जाता है। उनके बेंचमार्क दावे इसे HunyuanVideo और 30B Step-Video जैसे कहीं बड़े मॉडलों के करीब रखते हैं, VBench और ह्यूमन प्रेफ़रेंस टेस्ट पर।

इसे किसने बनाया और क्यों मायने रखता है

यह प्रोजेक्ट HPC-AI Tech से आता है, एक ऐसी कंपनी जो GPU क्लाउड टाइम और ट्रेनिंग सॉफ़्टवेयर बेचती है। यह संदर्भ उपयोगी है। ओपन रिलीज़ रिसर्चर्स के लिए असली योगदान है, लेकिन यह उनके इंफ़्रास्ट्रक्चर का प्रदर्शन भी है। इनमें से कोई भी तथ्य मॉडल को खराब नहीं बनाता। यह बस बताता है कि ट्रेनिंग लागत पिच का इतना केंद्रीय हिस्सा क्यों है।

शौकीनों के लिए मूल्य अलग है। आप कोड पढ़ सकते हैं, अपने फ़ुटेज पर मॉडल को फाइन-ट्यून कर सकते हैं, और बिना एक भी प्रॉम्प्ट किसी और के सर्वर पर भेजे इसे ऑफ़लाइन चला सकते हैं।

स्पेक्स, लागत और उनका मतलब

मॉडल का आकार और आउटपुट

रिलीज़ के समय डेवलपर्स द्वारा प्रकाशित जानकारी के आधार पर यह सारांश है:

फ़ीचरOpen Sora 2.0
पैरामीटरलगभग 11B
मोडटेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो
रेज़ोल्यूशन720p क्लास तक का आउटपुट
फ्रेम रेट24 fps
आम क्लिप की लंबाईडेमो गैलरी में लगभग 5 सेकंड
ऑडियोकोई ऑडियो जनरेट नहीं होता
वेट्ससार्वजनिक डाउनलोड
ट्रेनिंग लागत (रिपोर्ट के अनुसार)लगभग $200,000

ट्रेनिंग लागत को ऑडिट किए गए आँकड़े के बजाय डेवलपर्स का अपना आँकड़ा मानें। फिर भी यह प्रभावशाली है, और यह दिखाता है कि मज़बूत वीडियो मॉडल अब अरबों डॉलर के बजट की ज़रूरत नहीं रखते।

मुफ़्त वाला हिस्सा सच है, पर एक पेच है

यहाँ मुफ़्त का मतलब है मुफ़्त में डाउनलोड। इसका मतलब मुफ़्त में चलाना नहीं है। आपकी मशीन पर बनने वाला हर क्लिप बिजली और GPU समय लेता है, और अगर आप क्लाउड GPU किराए पर लेते हैं, तो घंटे के हिसाब से भुगतान करते हैं। आउटपुट को व्यावसायिक रूप से इस्तेमाल करने से पहले रिपॉज़िटरी का लाइसेंस पढ़ें, क्योंकि ओपन वेट्स और बिना प्रतिबंध के व्यावसायिक अधिकार हमेशा एक ही चीज़ नहीं होते।

इसे खुद चलाना

सर्वर रैक की कतारों वाला एक डेटा सेंटर गलियारा

हार्डवेयर की हकीकत

11B वीडियो मॉडल भारी है। पूरी क्वालिटी पर आपको हाई-मेमोरी डेटा सेंटर श्रेणी के GPU की योजना बनानी होगी, आम गेमिंग कार्ड की नहीं। कम्युनिटी बिल्ड और ऑप्टिमाइज़ेशन इसे छोटे हार्डवेयर पर भी फिट कर सकते हैं, लेकिन ऐसा करने में आप स्पीड, रिज़ॉल्यूशन या क्लिप की लंबाई में समझौता करते हैं। एक छोटे क्लिप में सेकंड नहीं, मिनट लगने की उम्मीद रखें, और रिज़ॉल्यूशन बढ़ाने पर और ज़्यादा समय की योजना बनाएँ।

समझौते का एक मोटा अंदाज़ा:

  • कंज़्यूमर 12 से 16 GB कार्ड: केवल भारी ऑफ़लोडिंग और कम रिज़ॉल्यूशन के साथ, और जनरेशन धीमा है।
  • 24 GB कार्ड: कम रिज़ॉल्यूशन के टेस्ट के लिए चलता है, सबसे ऊँची सेटिंग पर अब भी धीमा।
  • हाई-मेमोरी क्लाउड GPU: आरामदायक रास्ता, जिसका बिल घंटे के हिसाब से आता है।

इंस्टॉल का तरीका

आम वर्कफ़्लो कुछ ऐसा दिखता है:

  1. प्रोजेक्ट रिपॉज़िटरी क्लोन करें और एक साफ़ Python एनवायरनमेंट बनाएँ।
  2. पिन की गई डिपेंडेंसी इंस्टॉल करें, जिसमें मेल खाता PyTorch और CUDA बिल्ड शामिल है।
  3. मॉडल हब से चेकपॉइंट डाउनलोड करें।
  4. रिज़ॉल्यूशन, फ़्रेम की संख्या और सैंपलिंग स्टेप्स के लिए कॉन्फ़िग फ़ाइल संपादित करें।
  5. अपने प्रॉम्प्ट के साथ, या इमेज-टू-वीडियो के लिए रेफ़रेंस इमेज के साथ इनफ़रेंस स्क्रिप्ट चलाएँ।

डेवलपर के लिए इसमें कुछ भी कठिन नहीं है। किसी डिज़ाइनर या मार्केटर के लिए, जिसे कल की पोस्ट के लिए बस एक क्लिप चाहिए, यह एक दीवार है। CUDA, ड्राइवरों और लाइब्रेरी के बीच वर्ज़न का बेमेल मॉडल से ज़्यादा शामें खा जाता है।

💡 टिप: अगर आप सच में खुद होस्ट करना चाहते हैं, तो पहले GPU घंटे के हिसाब से किराए पर लें। एक दोपहर में आप जान जाएँगे कि आउटपुट स्थायी सेटअप बनाने लायक है या नहीं।

ऑनलाइन डेमो का अनुभव

कैफ़े में एक आदमी लैपटॉप पर एक छोटा वीडियो प्रीव्यू देखते हुए

होस्टेड डेमो की मूल बातें

जो लोग इंस्टॉल छोड़ना चाहते हैं, उनके लिए एक कम्युनिटी होस्टिंग प्लेटफ़ॉर्म पर सार्वजनिक डेमो मौजूद है। आप प्रॉम्प्ट लिखते हैं, चाहें तो शुरुआती इमेज अपलोड करते हैं, कुछ सेटिंग्स चुनते हैं, और एक छोटे क्लिप का इंतज़ार करते हैं। कुछ भी और तय करने से पहले मॉडल की स्टाइल जाँचने का यह सबसे तेज़ तरीका है।

होस्टेड डेमो पर रोज़ाना कोटा, कतार के नियमों या अधिकतम सेटिंग्स के लिए मुझे कोई आधिकारिक संख्या पुष्ट नहीं मिली, इसलिए मौजूदा सीमाओं के लिए डेमो पेज खुद देखें। कम्युनिटी डेमो अक्सर बदलते हैं, और पिछले महीने काम करने वाली सेटिंग अब गायब हो सकती है।

कतार और कोटा की सच्चाई

मुफ़्त कम्युनिटी डेमो GPUs का एक पूल साझा करते हैं। व्यवहार में इसका मतलब है:

  • कतार में इंतज़ार जब बहुत से लोग एक साथ मॉडल आज़मा रहे हों।
  • टाइमआउट लंबे या उच्च-रिज़ॉल्यूशन वाले जॉब पर।
  • अपटाइम की कोई गारंटी नहीं, क्योंकि स्पेस रुक सकता है या रीस्टार्ट हो सकता है।
  • प्राइवेसी का कोई वादा नहीं, इसलिए क्लाइंट का फ़ुटेज या अप्रकाशित प्रोडक्ट अपलोड करने से बचें।

डेमो दस मिनट के टेस्ट के लिए बढ़िया है। कंटेंट कैलेंडर के लिए यह कमज़ोर आधार है।

असली सीमाएँ

एक वीडियो एडिटर रुके हुए फ़्रेम की जाँच करते हुए, जिसमें एक आकृति थोड़ी टेढ़ी दिख रही है

क्लिप की लंबाई और मोशन

छोटे क्लिप ही आम हैं। प्रोजेक्ट की गैलरी में लगभग पाँच सेकंड की लंबाई दिखाई गई है, जो लूपिंग बैकग्राउंड या एक ही शॉट के लिए ठीक है, पर किसी ऐसी सीन के लिए नहीं जिसमें कहानी का आर्क हो। जटिल मोशन वह जगह है जहाँ ओपन मॉडल अब भी डगमगाते हैं: हाथ, भीड़, तेज़ कैमरा मूव और ऐसी चीज़ें जो फ़्रेम-दर-फ़्रेम आकार बदलती हैं। कई वर्ज़न बनाकर सबसे अच्छा चुनने की उम्मीद रखें।

कोई नेटिव ऑडियो नहीं

Open Sora 2.0 बिना आवाज़ वाला वीडियो बनाता है। अगर आपको डायलॉग, बैकग्राउंड साउंड या संगीत चाहिए, तो उसे बाद में अलग टूल्स से जोड़ना होगा। अब कई कमर्शियल मॉडल उसी जनरेशन में सिंक्रोनाइज़्ड ऑडियो बना देते हैं, जिससे एक पूरा एडिटिंग चरण बच जाता है।

प्रॉम्प्ट की संवेदनशीलता

एक डेस्क पर शॉट लिस्ट, स्टोरीबोर्ड नोटबुक और एक पेंसिल

ओपन मॉडल आम तौर पर लंबे, ठोस प्रॉम्प्ट का इनाम देते हैं और अस्पष्ट प्रॉम्प्ट को सज़ा। "एक औरत चल रही है" जैसी पंक्ति एक आम नतीजा देती है। ऐसी पंक्ति जो लेंस, रोशनी, चलने की दिशा और मूड बताती है, आपको कुछ ऐसा देती है जो काम आए। अपना प्रॉम्प्ट शॉट लिस्ट की तरह लिखें:

  • सब्जेक्ट और एक्शन: कौन क्या कर रहा है।
  • सेटिंग: कहाँ, और दिन के किस समय।
  • कैमरा: स्थिर, धीरे पुश-इन, हैंडहेल्ड, ट्रैकिंग।
  • रोशनी और रंग: मुलायम बादल वाली रोशनी, गोल्डन आवर, गर्म ट्यूंगस्टन।
  • मूड: शांत, तनावपूर्ण, चंचल।

यह सबसे अच्छी तरह कहाँ फ़िट बैठता है

Open Sora 2.0 रिसर्च, प्रयोग, फाइन-ट्यूनिंग और यह सीखने के लिए सबसे मज़बूत है कि वीडियो डिफ्यूज़न कैसे काम करता है। डेडलाइन वाले काम के लिए यह कमज़ोर है, जहाँ आपको लंबे क्लिप, साउंड और पहली या दूसरी कोशिश में अनुमानित नतीजे चाहिए।

आज के बेहतर विकल्प

एक बड़े मॉनिटर पर वीडियो क्लिप की तुलना करते दो क्रिएटर

Open Sora 2.0 PicassoIA पर नहीं है, इसलिए इसके लिए लिंक करने को कोई पेज नहीं है। आज मिलते-जुलते नतीजों के लिए ये वीडियो मॉडल PicassoIA पर हैं और बिना GPU, बिना इंस्टॉल और बिना दूसरों की कतार के ब्राउज़र में चलते हैं।

मॉडलसबसे अच्छा किसके लिएखासियत
Wan 3सिनेमाई टेक्स्ट और इमेज-टू-वीडियो480p से 1080p, 30 सेकंड तक की क्लिप
LTX 2.5 Fastत्वरित ड्राफ़्ट और इटरेशनबहुत तेज़ जनरेशन
Sora 2आवाज़ के साथ यथार्थवादी दृश्यसिंक्रोनाइज़्ड ऑडियो
Kling v1.5 Proचिकनी, परिष्कृत मोशन1080p आउटपुट

ओपन सोर्स वाली फ़ीलिंग के लिए Wan 3

अगर आपको Open Sora इसलिए पसंद आया क्योंकि यह ओपन मॉडल की दुनिया से आता है, तो Wan 3 भावना में सबसे करीब है। यह टेक्स्ट प्रॉम्प्ट और एक शुरुआती इमेज संभालता है, कई ओपन पाइपलाइन की तरह नेगेटिव प्रॉम्प्ट सपोर्ट करता है, और 1080p तक और 30 सेकंड तक जाता है, जो Open Sora डेमो में दिखने वाली पाँच सेकंड की सीमा से कहीं आगे है।

स्पीड के लिए LTX 2.5 Fast

LTX 2.5 Fast इटरेशन के लिए बना है। जब आप किसी प्रॉम्प्ट के दस वर्ज़न टेस्ट कर रहे हों, तो हर एक का इंतज़ार थोड़ा कम करने से कुल मिलाकर बड़ा फ़र्क पड़ता है। इससे शॉट खोजें, फिर विजेता को किसी भारी मॉडल पर दोबारा रेंडर करें।

साउंड के लिए Sora 2

Sora 2 OpenAI का मॉडल है, और यह Open Sora से अलग चीज़ है। इसकी खासियत एक ही जनरेशन में सिंक्रोनाइज़्ड ऑडियो है, जो बिना डायलॉग वाले विज्ञापनों, सोशल क्लिप और मूड वाले वीडियो के लिए ठीक बैठता है। ज़्यादा हाई-फ़िडेलिटी टियर के लिए Sora 2 Pro इसके साथ मौजूद है।

पॉलिश के लिए Kling v1.5 Pro

Kling v1.5 Pro प्राकृतिक कैमरा मूवमेंट और साफ़ 1080p आउटपुट के लिए भरोसेमंद विकल्प है। प्रोडक्ट शॉट और कैरेक्टर क्लिप के लिए यह अच्छा चुनाव है, जहाँ लंबाई से ज़्यादा स्मूथनेस मायने रखती है।

Wan 3 से मिलते-जुलते नतीजे कैसे पाएँ

माउस पर हाथ, और पीछे मॉनिटर पर जंगल का वीडियो प्रीव्यू

चूँकि Open Sora 2.0 PicassoIA पर उपलब्ध नहीं है, इसलिए वही काम करने के लिए Wan 3 सबसे अच्छा विकल्प है: किसी प्रॉम्प्ट या स्थिर इमेज को एक छोटे सिनेमैटिक क्लिप में बदलना।

चरण दर चरण

  1. मॉडल पेज खोलें। PicassoIA पर Wan 3 पर जाएँ।
  2. प्रॉम्प्ट लिखें। पहले बताया गया शॉट लिस्ट फ़ॉर्मैट इस्तेमाल करें: सब्जेक्ट, एक्शन, सेटिंग, कैमरा, रोशनी, मूड।
  3. पहला फ़्रेम जोड़ें (वैकल्पिक)। अगर आप चाहते हैं कि क्लिप किसी खास इमेज से शुरू हो, तो 10 MB से छोटी JPG, PNG, BMP या WebP फ़ाइल अपलोड करें। इमेज देने पर मॉडल उसी इमेज का आस्पेक्ट रेशियो इस्तेमाल करता है।
  4. रिज़ॉल्यूशन चुनें। त्वरित टेस्ट के लिए 480p, सोशल पोस्ट के लिए 720p और अंतिम डिलीवरी के लिए 1080p चुनें।
  5. अवधि तय करें। डिफ़ॉल्ट 5 सेकंड है, जो Open Sora के विकल्प से मेल खाता है। जब आपके शॉट को खुलने के लिए ज़्यादा समय चाहिए, तब इसे बढ़ाएँ।
  6. आस्पेक्ट रेशियो चुनें। वाइडस्क्रीन के लिए 16:9, वर्टिकल स्टोरी के लिए 9:16 चुनें, या इसे adaptive पर छोड़ दें और मॉडल को तय करने दें।
  7. नेगेटिव प्रॉम्प्ट जोड़ें। लिखें कि आपको क्या नहीं चाहिए, जैसे "blurry, distorted hands, text, watermark".
  8. जनरेट करें, तुलना करें, दोहराएँ। जब कोई नतीजा पसंद आ जाए तो सीड लॉक करें, ताकि एक बार में एक ही चीज़ बदल सकें।

पैरामीटर के सुझाव

सेटिंगअनुशंसित शुरुआती बिंदुक्यों
रेज़ोल्यूशन720pइटरेट करने के लिए काफ़ी तेज़, और परखने के लिए काफ़ी साफ़
अवधि5 सेकंडटेस्ट करते समय मोशन को सुसंगत रखता है
प्रॉम्प्ट एक्सपैंशनछोटे प्रॉम्प्ट के लिए चालू, विस्तृत प्रॉम्प्ट के लिए बंदछोटे प्रॉम्प्ट को अधिक डिटेल मिलती है, लंबे प्रॉम्प्ट सटीक रहते हैं
सीडअच्छे रन के बाद फ़िक्स करेंदोहराए जा सकने वाले एडिट
नेगेटिव प्रॉम्प्टछोटा और विशिष्टलंबी सूचियाँ स्टाइल को सपाट कर सकती हैं

💡 प्रो वर्कफ़्लो: पहले एक टेक्स्ट-टू-इमेज मॉडल से स्टिल फ़्रेम बनाएँ, कंपोज़िशन और रोशनी जाँचें, फिर वह इमेज पहले फ़्रेम के रूप में Wan 3 में डालें। इससे आपको सिर्फ़ टेक्स्ट प्रॉम्प्ट से कहीं ज़्यादा कंट्रोल मिलता है।

कौन क्या चुने

लैपटॉप के बगल में प्रोडक्ट क्लिप शूट करते एक सिरेमिक्स दुकान के मालिक

Open Sora 2.0 कब चुनें

  • आप डेवलपर या रिसर्चर हैं जो वीडियो मॉडल को पढ़ना, बदलना या फाइन-ट्यून करना चाहते हैं।
  • आपके पास पहले से हाई-मेमोरी GPU हैं या आप उन्हें किराए पर लेते हैं।
  • आपके लिए डेटा का आपकी अपनी मशीन पर रहना मायने रखता है।
  • आप छोटे बिना आवाज़ वाले क्लिप और बहुत सारे ट्रायल-एंड-एरर से खुश हैं।

ब्राउज़र मॉडल कब चुनें

  • आपको आज तैयार क्लिप चाहिए, काम करने वाला एनवायरनमेंट नहीं।
  • आपको 1080p, लंबी अवधि या बिल्ट-इन ऑडियो चाहिए।
  • आप शेड्यूल पर कंटेंट बनाते हैं: विज्ञापन, शॉर्ट्स, प्रोडक्ट डेमो, सोशल पोस्ट।
  • आप CUDA की गड़बड़ियों के बजाय आइडिया पर समय लगाना पसंद करते हैं।

मिट्टी के बर्तनों का एक छोटा दुकानदार जब अपना क्लिप बनाता है, तो उसके पास GPU सर्वर संभालने की कोई वजह नहीं है। डिफ्यूज़न ट्रांसफ़ॉर्मर पढ़ रही लैब के पास हर वजह है।

एक व्यावहारिक मिश्रित वर्कफ़्लो

कई क्रिएटर एक हाइब्रिड पर पहुँचते हैं। LTX 2.5 Fast जैसे तेज़ मॉडल में लुक का प्रोटोटाइप बनाएँ, अंतिम शॉट Wan 3 या Kling v1.5 Pro पर रेंडर करें, और प्रयोगों के लिए एक ओपन मॉडल साथ में रखें। इस तरह आप कभी किसी एक टूल की सीमा से रुकते नहीं।

अपने क्लिप बनाना शुरू करें

सूर्यास्त के समय एक छत पर टैबलेट में वीडियो फ़्रेम थामे एक क्रिएटिव प्रोफ़ेशनल

Open Sora 2.0 ओपन वीडियो रिसर्च के लिए एक मील का पत्थर होने की अपनी साख का हकदार है। यह दिखाता है कि एक छोटी टीम गंभीर मॉडल ट्रेन करके सब कुछ साझा कर सकती है। लेकिन रोज़मर्रा के क्रिएटिव काम के लिए सबसे तेज़ रास्ता वही है जो सेटअप छोड़ देता है।

Picasso IA Wan 3, LTX 2.5 Fast, Sora 2 और Kling v1.5 Pro को एक ही ब्राउज़र टैब में रखता है। एक प्रॉम्प्ट लिखें, उसे दो-तीन मॉडलों पर चलाएँ, और नतीजों की साथ-साथ तुलना करें। आप इन्हें टेक्स्ट-टू-इमेज मॉडलों के साथ जोड़कर पहला फ़्रेम भी बना सकते हैं, और फिर उसे एनिमेट कर सकते हैं।

अपने किसी प्रोजेक्ट का एक सीन चुनें, एक शॉट-लिस्ट प्रॉम्प्ट लिखें, और आज ही अपना पहला क्लिप बनाएँ। उपलब्ध सब कुछ picassoia.com/en/all-models पर देखें और जानें कि कौन सा मॉडल आपकी स्टाइल में फ़िट बैठता है।

यह लेख शेयर करें

अपनी भाषा चुनें

FreeAI से इमेज और वीडियो बनाएँमुफ़्त, क्रेडिट कार्ड नहीं चाहिएशुरुआत के लिए मुफ़्त जनरेशनSeedance 2.5 Lite शामिलअभी मुफ़्त शुरू करें

संबंधित लेख