《青石劫》第二章（3D 国漫，2 分 06 秒，23 镜）
坠崖、青石吸血、青光射入眉心，然后林焰昏倒，镜头一路推进，没有切镜，靠的是 9 秒的 extend 续拍。人物的脸、发丝、布衣纹理每一帧都清楚，这是本地生成里效果最好的一段。
识海里，玄衡坐在镇天塔顶讲述来历：魂体光晕稳定，口型跟着台词走，镜头从远景慢慢推到近景。
同一个镜头，卡通版和写实版
同一个模型、同样 1080p，写实版明显更清楚、更立体。卡通平涂到了中间帧会发软。原因是 LTX 主要用真实视频训练，画写实是它的强项。
足球写实版成片：《破纪录的一脚》写实版（21 秒，原生 1080p）
打斗测试（短板）
两人对冲、拳剑相撞、龙影和狼影互咬。分段生成再拼起来，动作不连贯；改成一镜到底以后连贯了，但动作发软，拳头会穿过对方的脸。
打斗测试成片：《青石劫》炎帝陵对决；另外一条写实披萨广告（42 秒、13 镜）：点击观看
先说结论
上一篇《AI 漫剧实战：Seedance、MiniMax、Gemini 做一集要花多少钱，怎么用最省》用的是云端视频模型，一集 3 分钟花 76～240 元。这一篇兑现预告：视频改在 Mac 本地跑，用的是开源的 LTX-2.5，不调用任何视频接口。
这次测了 4 个题材：
- 仙侠 3D 国漫《青石劫》第二章
- 少儿足球动漫《破纪录的一脚》，做了卡通版和写实版
- 一条写实披萨广告
- 一段高速打斗测试
下面的数字都来自真实的任务日志和文件时间戳。先看速查表：
方案 | 画质 / 声音 | 1 分钟成片的视频费 | 1 分钟成片的耗时 | 适合场景 |
本地 LTX-2.5，原生 1080p | 3D 国漫和写实近景接近首帧画质，口型由配音驱动 | 0 元 | 约 2.5～3 小时（纯生成） | 对话剧情、不赶时间、想反复试 |
云端 Seedance 2.5，720p | 画质最好，原生配音 | 约 90 元 | 约 6～8 分钟 | 主打画质的正片 |
云端 MiniMax-H3，768P | 质感接近，自带声音 | 约 30 元 | 约 5～6 分钟 | 性价比首选 |
一句话：本地方案用时间换钱。对话类的 3D 国漫，本地能做到可以发布的水平；高速打斗和体育对抗是短板。和上一篇一样，真正决定成本的还是返工次数，只不过本地返工花的是小时，不是钱。
全程由 Claude Code 自动化完成
和上一篇一样，从读小说到出成片，所有执行工作都是 Claude Code 在终端里完成的。人只负责看片、提意见、拍板。
环节 | Claude Code 自动做了什么 |
分镜 | 把小说章节拆成镜头，每镜写画面（中文，给生图用）、动作（英文，给视频模型用）、台词、情绪、时长 |
定妆照 / 首帧 | 调 Gemini 出角色定妆照，同一场戏的首帧串联生成，保证场景和光线连续 |
配音 | 调 MiniMax 生成台词，主角用 "声音设计" 定制音色；再用本地 Whisper 听写，校对有没有读错字 |
视频 | 调本地 LTX 逐镜生成，并按镜头类型选择生成方式：说话镜头用 a2v 驱动口型，空镜和特效用图生视频，连续动作用 extend 续拍 |
质检 | 逐镜抽帧，检查变形、烧录字幕、多出来的物体，有问题自动重做 |
后期 | 用 Python 画字幕，ffmpeg 做转场、混音、响度统一和拼接 |
记录 | 汇总每镜耗时，写会话记录和本文 |
电脑配置
项目 | 配置 |
机器 | MacBook Pro，Apple M5 Max |
CPU / GPU | 18 核 CPU / 40 核 GPU |
内存 | 128 GB 统一内存 |
系统 | macOS 27 |
磁盘 | 模型约 80 GB，加上素材，建议预留 200 GB |
几个要点：
- 内存比芯片重要。 视频模型常驻约 21 GB，生成 1080p 时峰值更高。64 GB 能跑，但要开低内存模式，速度会慢。
- 吃满的是 GPU。 生成时 GPU 一直 100%，CPU 只占 4% 左右。macOS 不能给 GPU 设上限，所以生成期间看视频、剪片子会卡，写代码、办公基本不受影响。建议晚上挂机跑。
- 插电，并且防休眠。 长任务要用 caffeinate -i。我们遇到过一次深夜过热进入睡眠，一个本该 15 分钟的镜头跑了 4.6 小时。
- N 卡也能跑。 本文用的是 Apple 芯片专用的 MLX 版。Windows 加 N 卡可以用官方的 PyTorch 或 ComfyUI 版，显存建议 32 GB 以上。
测试项目与工具链
环节 | 模型 / 工具 | 运行位置 | 费用 |
视频生成 | LTX-2.5 22B 蒸馏版，MLX 8bit 量化（ltx-2-mlx，权重约 70 GB），文本编码用自带的 Gemma 3 12B 4bit | 本地 | 0 |
定妆照 / 首帧 | Gemini 3 Pro Image（2K 定稿）、Gemini 3.1 Flash Image（1K 草图） | 云端 | 约 0.95 元 / 张，草图约 0.48 元 / 张 |
配音 | MiniMax speech-2.8-hd 系统音色，加 "声音设计" 定制音色 | 云端 | 约 3.5 元 / 万字，定制音色 9.9 元 / 个 |
配音（纯离线备选） | CosyVoice 3（0.5B） | 本地 | 0 |
配音校对 | Whisper small | 本地 | 0 |
后期 | ffmpeg、Pillow（字幕图） | 本地 | 0 |
试过但没用上 | Animagine XL 4.0 + ControlNet + IP-Adapter（ComfyUI 本地画首帧）、Real-ESRGAN 超分、LTX 的 DFR 细节增强 | 本地 | — |
为什么首帧和配音还用云端？
- 首帧：本地 SDXL 重画的首帧发软、发雾，还会把号码画错，Gemini 明显更好。一集只要十几张，十几块钱。
- 配音：本地 CosyVoice 用一个音色变调去演多个角色，听起来发僵。MiniMax 一集只要几毛钱，所以配音主力用 MiniMax。
如果要求 100% 离线，可以用 CosyVoice 加 Whisper 校对，效果差一些，但能用。
耗时对比：时间全花在 GPU 上
作品 | 时长 | 镜头 | 纯生成 | 含返工 | 质量 |
青石劫 第二章 | 2 分 06 秒 | 23 | 约 5 小时 | 约 9 小时（跨两晚） | ★★★★ |
披萨广告 | 42 秒 | 13 | 约 25 分钟 | 约 35 分钟 | ★★★★ |
足球 写实版 | 21 秒 | 8 | 约 2 小时 | 约 3.5 小时 | ★★★☆ |
足球 卡通版 | 21 秒 | 8 | 约 1 小时 40 分 | 约 8～10 小时（改了 7 轮） | ★★★ |
打斗测试 | 4～9 秒 | 1～4 | 约 30 分钟 | 约 1 小时 | ★★ |
单个镜头的规律：
镜头 | 耗时 |
3 秒，1080p，图生视频，加高清解码 | 约 8～10 分钟 |
5 秒说话镜头，a2v | 约 7～11 分钟 |
9 秒以上长镜头 | 约 20～37 分钟 |
extend 续拍 3 秒 | 约 5～7 分钟 |
几个结论：
- 每秒成片约 2.5～3 分钟，比云端慢 20～30 倍。
- 镜头越长越不划算：时长翻一倍，耗时大约翻三倍。长台词一定要拆成正反打，每镜控制在 5 秒以内。
- 只能串行：一台机器同时只能跑一个视频任务，两个任务一起跑反而更慢。
- 和云端一样，真正拖时间的是返工。本地返工一次就是 10～30 分钟。
费用对比：一集约 75 秒
方案 | 首帧 | 配音 | 视频 | 合计 | 出片 |
本地 LTX | 约 15 元 | 不到 1 元（定制音色一次性 9.9 元） | 0 元 | 约 16 元（首集约 29 元） | 约 3～5 小时 |
Seedance 2.5，720p | 约 15 元 | 自带 | 约 115 元 | 约 155～180 元（含返工） | 约 20 分钟 |
MiniMax-H3，768P | 约 15 元 | 自带 | 约 38 元 | 约 50～60 元 | 约 15 分钟 |
《青石劫》第二章实际花费：
- Gemini 首帧和定妆照：约 31 张，约 30 元。
- MiniMax 配音：几毛钱。
- 玄衡定制音色：9.9 元。
- 视频：0 元。
用法：本地生成一集的完整流程
第一步：分镜，单镜不超过 5 秒
每个镜头写清楚：画面、动作、谁说话、台词、情绪。
- 长台词拆正反打：玄衡说 "你想报仇，想变强，就得听我的"，先给他近景，问到 "你肯不肯" 时切到林焰的反应。这样生成更快，节奏也更像影视剧。
- 镜头之间位置要连贯：上一镜结束时人在哪、朝哪，下一镜的首帧就要从那里开始。足球片里出过一次 "过人之后又跑回起点"，原因就是首帧没对上。
第二步：定妆照和首帧，逐张检查
每个角色先出一张全身定妆照。每个镜头的首帧都带上定妆照作为参考，同一场戏的首帧串联生成，每张参考上一张。
生成视频前，一定要逐张检查首帧。 我们返工最多的原因就是首帧没查仔细：多了一个球、多了一个守门员、画风偏卡通。
第三步：配音和校对
用 MiniMax 系统音色配音，主角用 "声音设计" 定制，比如 "温和慈祥的老年仙人，声音醇厚、语速从容"。配完用 Whisper 听写校对，避免把 "灵石" 读成 "零食" 这类问题。
第四步：本地生成视频，按镜头类型选方式
镜头类型 | 方式 | 说明 |
角色正面说话 | a2v，台词音频驱动 | 口型跟着台词走 |
画外音、背影、空镜、特效 | generate，加 --video-decoder diffusion | 画面更锐利；背影镜头别用 a2v，见后文踩坑 |
连续动作 / 长镜头 | extend 续拍 | 接着上一段的结尾生成，衔接自然 |
# 3 秒图生视频，原生 1080p
ltx-2-mlx generate --distilled --model ltx-2.5-mlx-q8 \
--image key_s07.png 0 1.0 --prompt "..." \
-W 1920 -H 1088 -f 73 --frame-rate 24 --video-decoder diffusion -o s07.mp4
# 说话镜头：台词音频驱动口型
ltx-2-mlx a2v --distilled --model ltx-2.5-mlx-q8 \
--image key_s11.png 0 1.0 --audio s11_pad.wav --prompt "..." \
-W 1920 -H 1088 -f 145 --frame-rate 24 -o s11.mp4
# 续拍：在上一段后面接着生成约 3 秒
ltx-2-mlx extend --distilled --model ltx-2.5-mlx-q8 \
--video s07.mp4 --extend-frames 9 --direction after --prompt "..." -o s07_long.mp4
第五步：后期
- 字幕：用 Pillow 把正确的台词画成透明 PNG（白字黑边），再按配音时间叠上去。
- 转场：0.3 秒淡入淡出。
- 混音：环境音压低，人声放前面，最后统一做响度标准化。
整个后期只要一两分钟，不是瓶颈。
踩坑经验：本地特有的几个坑
踩过的坑 | 代价 | 对策 |
a2v 把台词 "画" 成一行乱码中文，烧进画面 | 每次重做一镜 10～20 分钟 | 背影和看不到嘴的镜头不用 a2v；构图让人物胸口以上占满下半个画面；提示词里别写 "不要字幕"，越提越容易出；已经出了的，用 ffmpeg delogo 擦掉 |
每镜只锁首帧、分开生成再拼起来，动作不连贯 | 足球片衔接改了好几轮 | 连续动作用 extend 续拍；相邻镜头的首帧位置要连贯 |
首、中、尾都锁同一张图 | 人物像照片一样不动 | 说话镜头只锁首帧 |
提示词写 "嘴唇随每个字动" | 老神仙张大嘴，表情夸张 | 改成 "轻声慢语、嘴唇自然开合、身体几乎不动、微风吹动衣角" |
镜头越写越长（9 秒以上） | 一镜 20～37 分钟 | 拆成正反打，每镜 ≤5 秒 |
打斗提示词写 "每秒四五次攻防" | 动作乱，拳头穿过对方的脸 | 动作做减法，一镜一两个招式；先用便宜的 Flash 1K 画姿势草图，确认后再出 2K 定稿 |
期待靠超分、细节增强提升画质 | 白跑几十分钟 | Real-ESRGAN 和 DFR 实测提升都很小，画质上限在视频模型本身 |
长任务半夜休眠或过热 | 一镜跑了 4.6 小时 | 插电，用 caffeinate -i，长任务分段跑 |
本地还是云端，怎么选
情况 | 建议 |
对话剧情、单人或双人近景、3D 国漫或写实 | 本地，质量能到可发布的水平 |
打斗、体育、多人高速对抗 | 云端，本地目前只能做到 "能看" |
想反复改、做预演 | 本地，免费试错 |
赶时间、要批量出集 | 云端，20 分钟一集 |
最省钱的组合是：本地预演定节奏，云端出正片。先在本地免费把分镜、机位、台词时长都跑通，确认后再交给云端，一次出片，云端的返工费能省掉大半。
总结
- 能不能用：对话剧情类的 3D 国漫，在一台 M5 Max（128 GB）上本地生成，2 分钟一集的质量已经可以发布，视频费为 0。
- 代价是时间：每秒成片约 2.5～3 分钟，一集约 3～5 小时，生成期间 GPU 满载。
- 省时间的关键和上一篇省钱的关键是同一件事，就是减少返工： 首帧逐张检查 单镜控制在 5 秒以内 连续动作用续拍 改动意见攒齐后一次改完
- 短板：高速打斗。
下一期会继续攻打斗：用 "姿势草图 → 关键帧补间" 的方法，看本地模型能不能把一段 7 秒的龙狼对决做顺。
注：费用按官方标价和本地文件数估算，实际以 Google Cloud、MiniMax 账单为准；耗时来自任务日志和文件时间戳，硬件为 Apple M5 Max，128 GB 内存。