一年前说"在Mac上跑AI视频",意思基本是开个云服务标签页,盯着积分计数器往下掉。现在,一台Apple Silicon的Mac可以离线渲染一段带画面和声音的短片,不需要联网。这里讲清楚三件事:你的Mac需要什么、大概能期待什么、第一段片子怎么跑出来。
所有示例都基于Phosphene,一个免费、开源(MIT协议)的Mac应用,把开放视频模型包进一个简单面板。如果你更愿意自己写脚本调模型,思路是一样的。
为什么Mac能跑得动
视频模型很大。LTX-2.5的基础下载量约27.5 GB。在PC上,这些权重得塞进显卡自己的显存里。而在Apple Silicon上,CPU和GPU共享同一池统一内存,所以一台64 GB的Mac能装下在别处需要极贵显卡才装得下的权重。
苹果的MLX框架就是围绕这块共享内存设计的:数组只存在一个地方,GPU直接读取,不需要来回拷贝。这也是这些模型的MLX移植版在Mac上跑得不错的原因,也是为什么第一个该检查的是内存,而不是芯片速度。
你的Mac需要什么
- Apple Silicon(M1或更新)。Intel Mac不支持。
- 起步16 GB内存,这个档位能跑较小尺寸的LTX-2.5。
- 内存越多,能开的设置越多:48到64 GB是视频跑得舒服的区间。
- 磁盘空间:基础模型约27.5 GB;再加Hailuo H3约需多75 GB;歌曲模型约11 GB
大概能期待什么
以下是一段5秒LTX-2.5带声视频在Balanced设置下的典型耗时(取整)。启动后的第一次渲染总是更慢,因为引擎要加载和预热。计时请以第二次为准。
两个引擎,都带声音
LTX-2.5(来自Lightricks)一次就能把文字或图片变成带声音的视频。你描述镜头和应该听到什么,音频会与画面匹配输出:脚步声、雨声、一扇门、房间底噪。它还支持关键帧、延长镜头、对口型到你自己的音频、放大和修脸。
Hailuo H3(来自MiniMax)更重更慢,但能做可听见的对话。在引号里写一句台词,角色就会说出来。在M4 Max上,一段5秒的H3草稿大约要5分钟。它的模型许可有地域限制,下载前先看看你所在国家是否适用。
第一段片子,一步步来
- 从phosphene.video下载Mac应用(如果你已经在用Pinokio,也可以通过它安装)。
- 等第一次下载完成。基础模型到位后,Start按钮才会出现。
- 打开Video,选Text,再选Balanced和5 s。
- 写场景、镜头和声音。例如:
黄昏,一艘灯笼小船漂过平静的峡湾。镜头从岸边缓慢推进。
水拍打着船身,远处一只海鸥,风掠过水面。
按下Generate。用同一个提示词再生成一条,对比一下。
小内存Mac上好用的提示词技巧
- 把声音写明确。不写的话模型会自己猜,猜出来往往是笼统的嗡嗡声。
- 一个镜头只放一个动作。五秒很短,两个动作通常会糊成两个都不像。
- 能的话从图片起步。图生视频比纯文字更能稳住画面观感。
- 探索阶段用Draft或Balanced,满意的那条再用High重渲。
什么时候本地不是好选择
对取舍要诚实。本地意味着大体积下载、每条片子几分钟、以及工作时会发热的Mac。如果你只有8 GB内存,或者需要一分钟长的4K镜头,托管服务是更合适的工具。如果你要的是隐私、不花积分、以及同一个想法拍五十条的 freedom,本地很难被替代。
代码在GitHub上:mrbizarro/phosphene。如果你试了,很想听听你用的是哪台Mac,以及第二条片子花了多久。
Mr. Bizarro
热门跟贴