> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/videogenerierung/framepack.md).

# FramePack-Videogenerierung

Generiere KI-Videos mit nur 6 GB VRAM mithilfe von FramePack auf Clore.ai

FramePack ist ein Durchbruch in der KI-Videogenerierung: Es kann Videos mit einer Länge von bis zu 2 Minuten erstellen unter Verwendung von **nur 6 GB VRAM**. Auf der HunyuanVideo-Architektur aufgebaut, ist die zentrale Innovation von FramePack das effiziente Packen von Frames, sodass der GPU-Speicher unabhängig von der Videolänge konstant bleibt. Dadurch wird KI-Videogenerierung auf preisgünstigen GPUs zugänglich, die zuvor zu eingeschränkt waren.

## Hauptfunktionen

* **Mindestens 6 GB VRAM**: Funktioniert auf RTX 3060, RTX 3070, sogar GTX 1060!
* **Videos bis zu 2 Minuten**: Konstanter VRAM-Verbrauch unabhängig von der Videolänge
* **Bild-zu-Video**: Beliebiges Bild mit einem Text-Prompt animieren
* **Web-UI enthalten**: Gradio-basierte Oberfläche für einfache Nutzung
* **Basierend auf HunyuanVideo**: Nutzt Tencents Video-Diffusionsarchitektur
* **Open Source**: GitHub mit aktiver Entwicklung

## Anforderungen

| Komponente | Minimum      | Empfohlen     |
| ---------- | ------------ | ------------- |
| GPU        | GTX 1060 6GB | RTX 4090 24GB |
| VRAM       | 6 GB         | 12 GB+        |
| RAM        | 16 GB        | 32 GB         |
| Festplatte | 30GB         | 50GB          |
| CUDA       | 12.8+        | 12.8+         |
| Python     | 3.10+        | 3.11          |

**Empfohlene Clore.ai-GPU**: RTX 3080 10GB ($0.05–0.19/hr) — großartige Qualität zu geringen Kosten!

### Geschwindigkeitsreferenz

| GPU            | Zeit pro Frame | 60-Frame-Video (\~2s bei 30fps) |
| -------------- | -------------- | ------------------------------- |
| RTX 3060 12 GB | \~30 Sek.      | \~30 Min.                       |
| RTX 3080 10GB  | \~18 Sek.      | \~18 Min.                       |
| RTX 4080 16 GB | \~12 Sek.      | \~12 Min.                       |
| RTX 4090 24GB  | \~8 Sek.       | \~8 Min.                        |
| RTX 5090 32 GB | \~5 Sek.       | \~5 min                         |

## Installation

```bash
# Repository klonen
git clone https://github.com/lllyasviel/FramePack.git
cd FramePack

# conda-Umgebung erstellen (empfohlen)
conda create -n framepack python=3.11 -y
conda activate framepack

# Abhängigkeiten installieren
pip install -r requirements.txt

# PyTorch mit CUDA installieren
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128
```

### Docker-Setup

```bash
docker run --gpus all -p 7860:7860 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \\
  -v ./outputs:/app/outputs \
  ghcr.io/lllyasviel/framepack:latest
```

## Schnellstart — Web-UI

Der einfachste Weg, FramePack zu verwenden:

```bash
cd FramePack
python app.py --port 7860

# Für wenig VRAM (6 GB):
python app.py --port 7860 --low-vram

# Aufruf unter http://localhost:7860
```

**Web-UI-Workflow:**

1. Lade ein Quellbild hoch (der erste Frame)
2. Gib einen Text-Prompt ein, der die Bewegung beschreibt ("die Kamera zoomt langsam hinein", "Person geht nach vorne")
3. Videolänge festlegen (Anzahl der Frames)
4. Auf Generieren klicken
5. MP4 herunterladen

## Verwendung

FramePack ist eine **Gradio-Webanwendung**, keine Python-Bibliothek. Die primäre Oberfläche ist die Web-UI.

### Web-UI-Workflow

1. Öffnen `http://localhost:7860` nach dem Start
2. Lade ein Quellbild hoch (wird der erste Frame sein)
3. Gib einen Text-Prompt ein, der die gewünschte Bewegung beschreibt
4. Anzahl der Frames festlegen (mehr = längeres Video)
5. Klicken Sie auf **Generieren** → warten → MP4 herunterladen

### API-Zugriff über den Gradio-Client

Du kannst FramePack programmatisch über die Gradio-API aufrufen:

```python
from gradio_client import Client

# Mit einer laufenden FramePack-Instanz verbinden
client = Client("http://localhost:7860")

# Video aus Bild + Prompt erzeugen
result = client.predict(
    "input_photo.jpg",                              # Quellbild
    "the person smiles and turns their head slowly", # Prompt
    60,                                              # Anzahl der Frames
    7.5,                                             # Guidance-Scale
    30,                                              # Inferenzschritte
    42,                                              # Seed
    api_name="/generate"
)
print(f"Video saved to: {result}")
```

### Stapelverarbeitung mit Gradio-Client

```python
from gradio_client import Client
import glob

client = Client("http://localhost:7860")

prompts = [
    ("photo1.jpg", "sanfter Kamerazoom mit weicher Beleuchtung"),
    ("photo2.jpg", "Wind weht durch die Haare, Wolken bewegen sich"),
    ("photo3.jpg", "langsames Herauszoomen, das die gesamte Szene enthüllt"),
]

for img_path, prompt in prompts:
    result = client.predict(img_path, prompt, 60, 7.5, 30, -1, api_name="/generate")
    print(f"Fertig: {img_path} → {result}")
```

## Auflösungsleitfaden

| VRAM  | Maximale Auflösung | Qualität                     |
| ----- | ------------------ | ---------------------------- |
| 6 GB  | 512×512            | Gut für soziale Medien       |
| 8 GB  | 640×640            | Mehr Details                 |
| 10 GB | 512×768            | Hochformat/Landschaftsformat |
| 12 GB | 768×768            | Hohe Qualität                |
| 24 GB | 1024×768           | Beste Qualität               |

## Tipps für Clore.ai-Nutzer

* **Preisgünstig**: Dies ist eines der wenigen KI-Videomodelle, das auf günstigen GPUs funktioniert ($0.03–0.07/hr für RTX 3060!)
* **Verwende `--low-vram` Schalter**: Unverzichtbar für 6–8-GB-GPUs — aktiviert automatisch CPU-Offloading
* **512×512 ist in Ordnung**: Für soziale Medien (TikTok, Reels) sind 512 px völlig akzeptabel
* **Länger ≠ mehr VRAM**: Anders als andere Videomodelle hält FramePack den VRAM konstant — längere Videos frei erzeugen
* **Modelle vorab herunterladen**: Beim ersten Start werden \~15 GB heruntergeladen. Einmal ausführen, dann sind die Modelle in deiner Clore-Sitzung zwischengespeichert
* **Mit Upscaling kombinieren**: Bei 512×512 erzeugen und dann Real-ESRGAN verwenden, um auf 2K/4K hochzuskalieren

## Prompt-Tipps

Gute Prompts beschreiben **Bewegung**, nicht nur das Aussehen:

```
✅ "die Kamera schwenkt langsam nach rechts und enthüllt eine Berglandschaft"
✅ "die Person blinzelt und lächelt sanft, Wind bewegt ihre Haare"
✅ "langsam herauszoomen und das gesamte Gebäude zeigen"

❌ "ein schöner Sonnenuntergang" (keine Bewegung beschrieben)
❌ "hohe Qualität, 4K, detailliert" (Stilwörter helfen nicht viel)
```

## Fehlerbehebung

| Problem                     | Lösung                                                                                  |
| --------------------------- | --------------------------------------------------------------------------------------- |
| CUDA-Speicher erschöpft     | Verwende `--low-vram` Schalter, Auflösung auf 512×512 reduzieren                        |
| Sehr langsame Generierung   | Normal für 6-GB-GPUs (\~30 s/Frame). Verwende eine RTX 4090 für 4-fache Geschwindigkeit |
| Schwarze/beschädigte Frames | PyTorch aktualisieren: `pip install torch --upgrade`                                    |
| Modelldownload hängt        | Prüfe den Speicherplatz (benötigt 30 GB frei). Versuche `HF_HUB_ENABLE_HF_TRANSFER=1`   |
| Die Web-UI startet nicht    | Prüfe, ob Port 7860 frei ist: `lsof -i :7860`                                           |

## Weiterführende Lektüre

* [GitHub-Repository](https://github.com/lllyasviel/FramePack)
* [HunyuanVideo (Basismodell)](https://github.com/Tencent/HunyuanVideo)
* [GPU-Vergleich von Clore.ai](/guides/guides_v2-de/erste-schritte/gpu-comparison.md) — finde die günstigste GPU für deine Anforderungen


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-de/videogenerierung/framepack.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.