All Products
Search
Document Center

Platform For AI:Hasilkan video panjang berdefinisi tinggi menggunakan EasyAnimate

Last Updated:Mar 11, 2026

EasyAnimate adalah framework pembuatan video yang dikembangkan oleh Alibaba Cloud PAI berdasarkan arsitektur Diffusion Transformer (DiT). Framework ini menyediakan solusi lengkap untuk menghasilkan video panjang berdefinisi tinggi secara cepat dari teks atau gambar, serta mencakup kemampuan penyempurnaan model guna memenuhi kebutuhan personalisasi.

Ikhtisar solusi

Solusi

Keunggulan dan Skenario

Informasi Penagihan

Solusi 1: Hasilkan video menggunakan DSW

Menyediakan lingkungan pengembangan terintegrasi berbasis cloud (IDE) dengan tutorial dan kode bawaan. Solusi ini ideal untuk skenario yang memerlukan pemahaman mendalam tentang model atau pengembangan kustom.

Tutorial ini menggunakan sumber daya publik untuk membuat instans DSW yang ditagih dalam mode bayar sesuai penggunaan. Untuk informasi lebih lanjut tentang penagihan, lihat penagihan DSW.

Solusi 2: Hasilkan video menggunakan Model Gallery

Tidak diperlukan konfigurasi lingkungan. Anda dapat menerapkan atau menyempurnakan model dengan satu klik dan segera memanggilnya melalui WebUI atau API. Solusi ini cocok untuk skenario yang memerlukan validasi cepat atau integrasi aplikasi.

Tutorial ini menggunakan sumber daya publik untuk membuat layanan EAS (untuk penerapan model) dan pekerjaan DLC (untuk penyempurnaan model), keduanya ditagih dalam mode bayar sesuai penggunaan. Untuk informasi lebih lanjut tentang penagihan, lihat penagihan DLC dan penagihan EAS.

Solusi 1: Hasilkan video menggunakan DSW

Langkah 1: Buat instans DSW

  1. Masuk ke Konsol PAI dan pilih wilayah tujuan Anda. Di panel navigasi sebelah kiri, klik Workspaces, lalu pilih dan masuk ke ruang kerja target.

  2. Di panel navigasi sebelah kiri, klik Model Training > Interactive Modeling (DSW) untuk mengakses halaman DSW.

  3. Klik Create instance dan konfigurasikan parameter utama berikut. Biarkan parameter lain pada nilai default-nya.

    Parameter

    Deskripsi

    Instance Name

    Nilai contoh yang digunakan dalam tutorial ini: AIGC_test_01.

    Resource Type

    Pilih Public Resources.

    Instance Type

    Di bawah GPU specifications, pilih ecs.gn7i-c8g1.2xlarge atau instans lain dengan GPU A10 atau GU100.

    Image

    Pilih Alibaba Cloud Image, lalu cari dan pilih easyanimate:1.1.5-pytorch2.2.0-gpu-py310-cu118-ubuntu22.04.

  4. Klik OK untuk membuat instans. Tunggu hingga status instans berubah menjadi Running.

Langkah 2: Unduh tutorial dan model EasyAnimate

  1. Klik Actions untuk instans DSW Anda, lalu klik Open untuk mengakses lingkungan pengembangan DSW.

  2. Di tab Notebook, buka halaman Launcher dan klik untuk membuka DSW Gallery.

  3. Di halaman DSW Gallery, cari AI video generation example based on EasyAnimate (V5). Klik Open in DSW untuk mengunduh sumber daya yang diperlukan ke instans DSW Anda secara otomatis.

    Contoh pembuatan video AI berbasis EasyAnimate memiliki beberapa versi. Topik ini menggunakan versi V5 sebagai contoh.

    image

  4. Unduh dan instal kode serta model terkait EasyAnimate.

    Di file tutorial EasyAnimate, klik image untuk menjalankan sel-sel berjudul Function Definitions, Download Code, dan Download Model secara berurutan.

Langkah 3: Jalankan WebUI dan hasilkan video

  1. Klik image untuk menjalankan sel berjudul Launch UI guna memulai layanan WebUI.

  2. Klik tautan yang dihasilkan untuk mengakses WebUI.

    image

  3. Di antarmuka WebUI, pilih path model pra-latih dari daftar dropdown. Konfigurasikan parameter lain sesuai kebutuhan.

    image

  4. Klik Generate. Setelah sekitar 5 menit, Anda dapat melihat atau mengunduh video yang dihasilkan di sebelah kanan.

    image

Solusi 2: Hasilkan video menggunakan Model Gallery

Langkah 1: Terapkan model pra-latih

  1. Masuk ke Konsol PAI, lalu pilih wilayah tujuan Anda. Di panel navigasi sebelah kiri, klik Workspaces, kemudian pilih dan masuk ke ruang kerja target.

  2. Di panel navigasi sebelah kiri, klik Quick Start > Model Gallery. Cari EasyAnimate high-definition long video generation model, klik Deploy, gunakan konfigurasi default, lalu konfirmasi penerapan. Ketika status layanan berubah menjadi Running, model berhasil diterapkan.

    image

Langkah 2: Hasilkan video menggunakan WebUI atau API

Setelah model berhasil diterapkan, Anda dapat menghasilkan video menggunakan WebUI atau API.

Untuk melihat detail tugas penerapan nanti, buka panel navigasi sebelah kiri, klik Model Gallery > Job Management > Deployment Jobs, lalu klik Service name.

Metode WebUI

  1. Di halaman Service details, klik View Web App.

    image

  2. Di antarmuka WebUI, pilih path model pra-latih. Konfigurasikan parameter lain sesuai kebutuhan.

    image

  3. Klik Generate. Setelah sekitar 5 menit, Anda dapat melihat atau mengunduh video yang dihasilkan di sebelah kanan.

    image

Metode API

  1. Di halaman Service details, pada bagian Resource Details, klik View Call Information untuk mendapatkan titik akhir layanan dan token.

    image

  2. Anda dapat memanggil layanan untuk menghasilkan video. Berikut contoh permintaan Python:

    import os
    import requests
    import json
    import base64
    from typing import Dict, Any
    
    
    class EasyAnimateClient:
        """
        EasyAnimate EAS service API client.
        """
    
        def __init__(self, service_url: str, token: str):
            if not service_url or not token:
                raise ValueError("Service URL and token cannot be empty")
            self.base_url = service_url.rstrip('/')
            self.headers = {
                'Content-Type': 'application/json',
                'Authorization': token
            }
    
        def update_model(self, model_path: str, edition: str = "v3", timeout: int = 300) -> Dict[str, Any]:
            """
            Update dan muat versi serta path model yang ditentukan.
    
            Args:
                model_path: Path ke model dalam layanan, seperti "/mnt/models/Diffusion_Transformer/EasyAnimateV3-XL-2-InP-512x512".
                edition: Versi model, default adalah "v3".
                timeout: Batas waktu permintaan dalam detik. Pemuatan model lambat, jadi atur batas waktu yang lebih lama.
            """
            # 1. Update edition
            requests.post(
                f"{self.base_url}/easyanimate/update_edition",
                headers=self.headers,
                json={"edition": edition},
                timeout=timeout
            ).raise_for_status()
    
            # 2. Update path model dan tunggu pemuatan
            print(f"Mengirim permintaan pemuatan model: {model_path}")
            response = requests.post(
                f"{self.base_url}/easyanimate/update_diffusion_transformer",
                headers=self.headers,
                json={"diffusion_transformer_path": model_path},
                timeout=15000
            )
            response.raise_for_status()
            return response.json()
    
        def generate_video(self, prompt_textbox: str, **kwargs) -> bytes:
            """
            Hasilkan video berdasarkan prompt.
    
            Args:
                prompt: Prompt positif dalam bahasa Inggris.
                **kwargs: Parameter opsional. Lihat tabel deskripsi parameter di bawah.
    
            Returns:
                Data biner video dalam format MP4.
            """
            payload = {
                "prompt_textbox": prompt_textbox,
                "negative_prompt_textbox": kwargs.get("negative_prompt",
                                                      "The video is not of a high quality, it has a low resolution..."),
                "width_slider": kwargs.get("width_slider", 672),
                "height_slider": kwargs.get("height_slider", 384),
                "length_slider": kwargs.get("length_slider", 144),
                "sample_step_slider": kwargs.get("sample_step_slider", 30),
                "cfg_scale_slider": kwargs.get("cfg_scale_slider", 6.0),
                "seed_textbox": kwargs.get("seed_textbox", 43),
                "sampler_dropdown": kwargs.get("sampler_dropdown", "Euler"),
                "generation_method": "Video Generation",
                "is_image": False,
                "lora_alpha_slider": 0.55,
                "lora_model_path": "none",
                "base_model_path": "none",
                "motion_module_path": "none"
            }
    
            response = requests.post(
                f"{self.base_url}/easyanimate/infer_forward",
                headers=self.headers,
                json=payload,
                timeout=1500
            )
            response.raise_for_status()
    
            result = response.json()
            if "base64_encoding" not in result:
                raise ValueError(f"Format respons API tidak valid: {result}")
    
            return base64.b64decode(result["base64_encoding"])
    
    
    # --- Contoh penggunaan ---
    if __name__ == "__main__":
        try:
            # 1. Konfigurasikan informasi layanan. Ganti dengan URL layanan dan token aktual Anda. Kami menyarankan menyetelnya sebagai variabel lingkungan.
            EAS_URL = "<eas-service-url>"
            EAS_TOKEN = "<eas-service-token>"
    
            # 2. Buat klien
            client = EasyAnimateClient(service_url=EAS_URL, token=EAS_TOKEN)
    
            # 3. Muat model (Setelah penerapan layanan, tidak ada model yang dimuat secara default. Anda harus memanggil update_model setidaknya sekali sebelum menghasilkan video. Panggil metode ini lagi untuk mengganti model.)
            client.update_model(model_path="/mnt/models/Diffusion_Transformer/EasyAnimateV3-XL-2-InP-512x512")
    
            # 4. Hasilkan video
            video_bytes = client.generate_video(
                prompt_textbox="A beautiful cat playing in a sunny garden, high quality, detailed",
                width_slider=672,
                height_slider=384,
                length_slider=72,
                sample_step_slider=20
            )
    
            # 5. Simpan file video
            with open("api_generated_video.mp4", "wb") as f:
                f.write(video_bytes)
            print("Video berhasil disimpan sebagai api_generated_video.mp4")
    
        except requests.RequestException as e:
            print(f"Kesalahan permintaan jaringan: {e}")
        except (ValueError, KeyError) as e:
            print(f"Kesalahan data atau parameter: {e}")
        except Exception as e:
            print(f"Kesalahan tak terduga: {e}")

    Parameter input untuk API layanan dijelaskan di bawah ini:

    Deskripsi Parameter API

    Nama Parameter

    Deskripsi

    Jenis

    Default

    prompt_textbox

    Prompt positif yang dimasukkan pengguna.

    string

    Wajib diisi, tidak ada nilai default

    negative_prompt_textbox

    Prompt negatif yang dimasukkan pengguna.

    string

    "The video is not of a high quality, it has a low resolution, and the audio quality is not clear. Strange motion trajectory, a poor composition and deformed video, low resolution, duplicate and ugly, strange body structure, long and strange neck, bad teeth, bad eyes, bad limbs, bad hands, rotating camera, blurry camera, shaking camera. Deformation, low-resolution, blurry, ugly, distortion."

    sample_step_slider

    Jumlah langkah pengambilan sampel penghilangan derau dalam model penyebaran. Lebih banyak langkah dapat menghasilkan detail yang lebih kaya tetapi memerlukan waktu lebih lama.

    int

    30

    cfg_scale_slider

    Skala panduan prompt. Nilai yang lebih tinggi meningkatkan keselarasan dengan prompt tetapi dapat mengurangi keragaman.

    float

    6

    sampler_dropdown

    Jenis sampler.

    Nilai valid: Euler, EulerA, DPM++, PNDM, DDIM

    string

    Euler

    width_slider

    Lebar video.

    int

    672

    height_slider

    Tinggi video.

    int

    384

    length_slider

    Jumlah frame video.

    int

    144

    is_image

    Apakah input berupa gambar.

    bool

    False

    lora_alpha_slider

    Bobot parameter model LoRA.

    float

    0.55

    seed_textbox

    Seed acak.

    int

    43

    lora_model_path

    Path ke model LoRA tambahan.

    Jika diberikan, model LoRA akan diterapkan selama permintaan dan dihapus setelahnya.

    string

    none

    base_model_path

    Path ke model transformer yang akan diperbarui.

    string

    none

    motion_module_path

    Path ke model modul gerak yang akan diperbarui.

    string

    none

    generation_method

    Jenis generasi. Nilai valid: Video Generation, Image Generation

    string

    none

Langkah 3: (Opsional) Sempurnakan model pra-latih

Penyempurnaan model pada dataset kustom memungkinkan pembuatan video dengan gaya atau konten tertentu. Ikuti langkah-langkah berikut untuk menyempurnakan model:

  1. Masuk ke Konsol PAI. Di panel navigasi sebelah kiri, klik Workspaces, lalu pilih dan masuk ke ruang kerja target.

  2. Di panel navigasi sebelah kiri, klik Quick Start > Model Gallery.

  3. Di halaman Model Gallery, cari EasyAnimate high-definition long video generation model, lalu klik Fine-tune untuk mengakses halaman konfigurasi.

    image

  4. Atur Source ke Public Resources. Untuk Instance type, pilih instans dengan GPU A10 atau lebih tinggi. Konfigurasikan hiperparameter sesuai kebutuhan. Biarkan parameter lain pada nilai default-nya.

    Jika Anda ingin menyempurnakan model menggunakan dataset kustom, ikuti instruksi berikut:

    Gunakan Dataset Kustom

    1. Siapkan folder data dan file meta. Folder data berisi gambar dan video untuk pelatihan. File meta dalam format JSON. Setiap entri data mencakup path file, deskripsi teks, dan tipe data, direpresentasikan oleh bidang "file_path", "text", dan "type". Contohnya:

      [
          {
              "file_path": "00031-3640797216.png",
              "text": "1girl, black_hair",
              "type": "image"    },
          {
              "file_path": "00032-3838108680.png",
              "text": "1girl, black_hair",
              "type": "image"    }
      ]

      Atur "type":"video" untuk data video dan "type":"image" untuk data gambar.

    2. Unggah dan pilih folder data serta file meta. Di halaman konfigurasi pelatihan, klik Select OSS File or Directory, lalu unggah dan pilih folder data serta file meta.

      image

  5. Klik Train > Confirm untuk membuat pekerjaan pelatihan. Dengan konfigurasi lingkungan yang digunakan dalam tutorial ini, pelatihan memerlukan waktu sekitar 40 menit. Ketika status pekerjaan berubah menjadi Successful, model berhasil dilatih.

    Untuk melihat detail pekerjaan pelatihan nanti, buka panel navigasi sebelah kiri, klik Model Gallery > Job Management > Training Jobs, lalu klik nama pekerjaan.
  6. Klik tombol Deploy di pojok kanan atas untuk menerapkan model yang telah disempurnakan. Ketika status berubah menjadi Running, model berhasil diterapkan.

    image

  7. Di halaman Service details, klik View Web Application di bagian atas halaman.

    Untuk melihat detail layanan nanti, buka panel navigasi sebelah kiri, klik Model Gallery > Job Management > Deployment Jobs, lalu klik Service name.
  8. Di antarmuka WebUI, pilih model LoRA yang telah dilatih untuk menghasilkan video. Untuk pemanggilan API, lihat Langkah 2.

    image

Rekomendasi lingkungan produksi

  • Hentikan atau hapus instans atau layanan segera untuk menghemat biaya: Tutorial ini menggunakan sumber daya publik untuk membuat instans DSW dan layanan model EAS. Hentikan atau hapus instans atau layanan segera jika tidak diperlukan lagi untuk menghindari tagihan berkelanjutan.

    • Hentikan atau hapus instans DSW:

      image

    • Hentikan atau hapus layanan model EAS:

      image

  • Gunakan EAS untuk penerapan produksi: Untuk menerapkan model di lingkungan produksi, gunakan Solusi 2 untuk menerapkan model ke EAS dengan satu klik. Jika Anda menggunakan Solusi 1, Anda dapat menerapkan model ke EAS dengan membuat gambar kustom. Untuk detailnya, lihat Terapkan model sebagai layanan online.

    EAS menyediakan fitur-fitur berikut untuk menangani lingkungan produksi yang kompleks:

    • Gunakan uji stres EAS untuk menguji tingkat konkurensi yang didukung oleh titik akhir layanan Anda.

    • Gunakan Auto Scaling EAS untuk secara otomatis menyesuaikan jumlah instans naik atau turun berdasarkan puncak dan lembah trafik, memastikan operasi yang stabil.

    • Gunakan Pemantauan Peringatan log EAS untuk memantau status layanan secara real-time dan meningkatkan stabilitas serta keamanan sistem.

Referensi

EAS menyediakan metode penerapan berbasis skenario untuk menerapkan layanan pembuatan video AI berbasis model ComfyUI dan Stable Video Diffusion dengan satu klik. Untuk detailnya, lihat Pembuatan video AI - Penerapan ComfyUI.