هوش مصنوعی مولد (Generative AI) امروزه در خلق تصاویر و ویدیوهای خلاقانه کاربرد فراوانی دارد. مدلهای پیشرفته تصویرسازی نتایج بسیار واقعگرایانهای تولید میکنند و مدلهای ویدیویی میتوانند کلیپهای طولانی و منسجمی ایجاد کنند. بسیاری از سازندگان محتوا ترجیح میدهند این فرآیندها را بهجای سرویسهای ابری در کامپیوتر شخصی خود اجرا کنند تا کنترل کامل بر دادهها داشته باشند و هزینههای سرویسهای ابری را حذف کنند. در نتیجه، انتخاب سختافزار و نرمافزار مناسب برای اجرای لوکال این مدلها اهمیت بالایی دارد.
تولید تصاویر AI نیازمند قدرت محاسباتی بالاست. در این میان کارت گرافیک (GPU) مهمترین بخش است. حداقل ۴ گیگابایت حافظه اختصاصی (VRAM) برای کارت گرافیک مورد نیاز است؛ اما برای عملکرد مناسبتر و امکان پردازش مدلهای بزرگتر، توصیه میشود از کارتهای NVIDIA سری RTX با ۸ گیگابایت به بالا استفاده کنید.
بهعنوان مثال، کارتهای قدرتمندی مانند RTX 4080 (۱۶GB) یا RTX 4090 (۲۴GB) بهترین انتخاب برای تولید تصاویر پیچیده و ویدیوهای کوتاه هستند. اگر از چند کارت گرافیک استفاده شود، میتوان بهصورت همزمان چند تصویر را در یک زمان تولید کرد (افزایش توان پردازش)؛ اما افزایش تعداد کارتها زمان لازم برای تولید یک تصویر واحد را سریعتر نمیکند. همچنین نیازی به استفاده از ارتباط NVLink نیست. بهطور کلی، برند NVIDIA (با پشتیبانی CUDA/Tensor) در کارهای تولید تصویر عملکرد بهتری نسبت به AMD دارد؛ هرچند برخی پروژهها از فناوری ROCm روی کارتهای AMD نیز پشتیبانی میکنند.
پردازنده (CPU): به دلیل اینکه بار اصلی پردازشی بر عهده GPU است، استفاده از پردازندههای چند هستهای معمولی (مانند Intel Core i5/i7 یا AMD Ryzen 5/7) کفایت میکند. در آزمایشهای مختلف مشاهده شده که انتخاب پردازنده تأثیر معنیداری بر سرعت تولید تصویر ندارد. با این حال، اگر در پروژههای بزرگ به پردازش داده و پیشپردازش نیاز باشد یا از چند کارت گرافیک استفاده کنید، پردازندههای با هستههای بیشتر (مانند Threadripper یا Xeon) ممکن است در مبحث مدیریت پلها و پهنای باند حافظه مفید باشند.
حافظه اصلی (RAM): توصیه میشود مقدار رم سیستم حداقل دو برابر مجموع VRAM کارتهای گرافیک باشد. برای مثال، اگر از یک کارت ۸ گیگابایتی استفاده میشود، حداقل ۱۶ گیگابایت رم مناسب است. در صورت اجرای همزمان نرمافزارهای سنگین دیگر (ویرایش ویدیو، مرورگر با تبهای زیاد و غیره)، ممکن است به ۳۲ یا ۶۴ گیگابایت RAM نیاز پیدا کنید.
ذخیرهسازی (Storage): یک درایو SSD پرسرعت (ترجیحاً NVMe) با حجم بالا (حداقل ۵۰۰ گیگابایت تا ۱ ترابایت) مورد نیاز است. مدلهای بهروز تولید تصویر (مانند FLUX.2) میتوانند بیش از ۳۰ گیگابایت فضای دیسک برای فایل وزن مدل اشغال کنند، بنابراین باید فضای کافی در نظر گرفت.
سایر قطعات: منبع تغذیه (PSU) قوی با توان کافی (۸۰۰ وات به بالا برای یک GPU ردهبالا، و ۱۲۰۰+ وات برای سیستمهای چندGPU) و خنککننده مناسب ضروری است. همچنین مطمئن شوید مادربورد از تعداد کافی اسلات PCIe برای کارتهای گرافیک و پهنای باند لازم پشتیبانی کند. استفاده از کیس با تهویه خوب نیز به خنکماندن سیستم کمک میکند.
بخشی از این فرآیند به نرمافزارهایی برمیگردد که مدلهای هوش مصنوعی را اجرا میکنند. در ادامه مهمترین ابزارها و سرویسهای رایگان و تجاری مورد استفاده بر روی ویندوز را بررسی میکنیم:
Stable Diffusion (لوکال): یک خانواده مدل متنباز برای تبدیل متن به تصویر است. واسطهای کاربری محلی متنوعی برای آن وجود دارد، از جمله AUTOMATIC1111 WebUI و InvokeAI. به عنوان مثال، InvokeAI یک موتور خلاقیت رایگان و متنباز برای تولید تصویر است که از مدلهای مختلفی مثل SDXL پشتیبانی میکند.
ComfyUI: ابزار رایگان و متنباز مبتنی بر رابط گرافیکی گرهمحور (Node) است که به کاربران امکان ساخت گردش کار پیچیده را میدهد. ComfyUI از مدلهای قدرتمندی مانند FLUX.2 پشتیبانی میکند و حتی در نسخههای جدید امکان تولید ویدیو با مدل LTX-2 را فراهم کرده است. راهاندازی اولیه آن آسان است؛ کافی است نسخه ویندوز را از سایت رسمی دانلود و نصب کنید.
Adobe Photoshop / Firefly: ابزارهای تجاری Adobe برای ویرایش و تولید تصویر با کمک هوش مصنوعی. فتوشاپ نسخه آزمایشی دارای قابلیت «Generative Fill» است که با وارد کردن توضیح متنی بخشی از تصویر را تولید یا ویرایش میکند. Adobe Firefly پلتفرم ابری تولید تصویر و ویدیو با AI است که در ایران با فیلترشکن قابل استفاده است. استفاده از آنها مستلزم اشتراک Creative Cloud و اتصال اینترنت است.
نرمافزارهای ویرایش تصویر دیگر: برخی نرمافزارهای معمول گرافیکی مانند Corel PaintShop Pro و Luminar Neo افزونههای هوش مصنوعی برای بهبود تصویر دارند، اما قابلیت تولید از متن آنها محدود است. NVIDIA Canvas (رایگان) نیز به صورت برخط قابلیت تبدیل نقاشی ساده به مناظر واقعگرایانه را دارد.
تولید ویدیو با AI: مدلهای جدیدی قابلیت تولید ویدیو از متن را فراهم کردهاند. برای مثال Stable Video Diffusion توسط Stability AI معرفی شده که ویدیوها را در نرخ فریم تا ۳۰fps با متن توضیحی تولید میکند. در ابزار ComfyUI نیز با مدل LTX-2 میتوان ویدیوهای کوتاه داستانی ایجاد کرد.
سایر پلتفرمها و سرویسهای محبوب ویدیویی عبارتند از Runway ML (Gen-2/3)، Veo 3 (ادغامشده در Canva) و Pika Labs؛ این سرویسها بهصورت آنلاین هستند و برای تولید ویدیو نیاز به پرداخت حق اشتراک دارند. سیستمهایی مانند Synthesia و HeyGen نیز ویدیوهای سخنرانِ مجازی (avatar) تولید میکنند که برای ویدیوهای کوتاه آموزشی یا تبلیغاتی رایجاند. ابزارهایی مانند Topaz Video Enhance AI برای بهبود کیفیت ویدیوهای تولیدشده (Upscaling و رفع بلور) استفاده میشوند.
برای اجرای تمام این مدلها بهصورت لوکال روی ویندوز، کافی است نرمافزار مورد نظر را نصب و مدلهای مورد نیاز را دانلود کنید. بهعنوان مثال، پس از نصب ComfyUI میتوانید با انتخاب یک قالب (Template) آماده مانند «Text to Image» یک گردش کاری اولیه بسازید. سپس باید مدلهای وزندار (weights) مربوطه را از مخازنی مانند Hugging Face دانلود کنید؛ مثلاً مدل FLUX.2 چند ده گیگابایت حجم دارد.
بدین ترتیب تمام پردازشها بهصورت آفلاین در سیستم شما انجام میشود و نیازی به ارسال اطلاعات به سرورهای خارجی نیست. شایان ذکر است که در سیستمهای قدرتمند با کارتهای RTX (نسل ۴۰ و ۵۰) میتوان از ویژگیهای جدید تراشههای جدید مثل FP4 استفاده کرد که سرعت و مصرف حافظه را بهینه میکند.
در مجموع، با توجه به بودجه میتوان از ترکیبهای مختلف سختافزاری استفاده کرد: از یک سیستم ارزانقیمت با یک GPU میانرده (مثلاً RTX 3060) و ۱۶GB RAM برای شروع کار، تا سیستمهای حرفهای با چند کارت RTX 4090 و پردازندههای Threadripper و رم بسیار زیاد.
همچنین ترکیبی از ابزارهای متنباز رایگان (مانند ComfyUI و InvokeAI) و سرویسهای تجاری (مانند Adobe Firefly یا Runway) بهترین پشتیبانی را برای تولید خلاقانه محتوا فراهم میکند. با رعایت نکات فوق و استفاده از سختافزار و نرمافزار مناسب، تولید تصاویر و ویدیوهای مبتنی بر هوش مصنوعی روی ویندوز بهسادگی امکانپذیر است
