AI短剧是怎么炼成的:一张5070 Ti,搭起一整条生产线
- 2026-11-19 09:12:42
云端生成看着方便,细算全是问题:按次收费,一条十几秒的视频反复抽卡,成本不可控;热门时段排队,急着日更的人等不起;风格和角色一致性攥在别人平台手里,参数说改就改。
于是这一年,越来越多创作者把整条生产线搬回本地:一台 Windows 电脑、一张显卡,从剧本、角色图、配音到视频生成,全部在自己机器上跑完。一次性投入,之后每次生成只花电费。
这篇就把这件事讲透:硬件怎么选、每个环节用什么模型、最后怎么一步步搭起来。素材源于创作者社区的实测分享,关键数字我们逐项核对过,价格都带时间戳。
一、硬件选型:先看显存,再看算力
本地跑 AI 视频,第一性原理只有一条:显存决定能跑什么,算力只决定跑多快。
模型装不进显存,再强的核心也白搭;装得下,慢一点无非多等几分钟。所以选显卡,先看显存容量和带宽,再看核心。
四张卡摆在一起看(显存均为 GDDR7):
5060 Ti 16GB:显存容量和大哥们一样是 16GB,但位宽只有 128-bit,带宽 448 GB/s,差不多是 5070 Ti 的一半。能跑,但明显慢。属于"入场券"档。
5070 Ti 16GB:和 5080 用的是同一颗 GB203 芯片,同样 16GB 显存、256-bit 位宽,带宽 896 GB/s。多家评测汇总,它大约有 5080 的 85%–88% 性能。
5080 16GB:核心比 5070 Ti 多约两成,带宽 960 GB/s。问题是显存没变——能装下的模型和 5070 Ti 完全一样,只是出片快一点,价格却高出一大截。
5090(国行 5090 D)32GB:32GB 显存是质变档,能跑更高精度、更大分辨率的配置。但价格是另一个世界,普通创作者没必要。
结论很清楚:5070 Ti 是价格与速度的甜点档。它和 5080 能跑的东西一模一样,慢的那 12%–15%,用价格差完全换得回来。好显卡真正的优势,是同一次生成里跑更高分辨率、更长时长、更少等待——而不是"能不能跑"。
但价格必须说清口径,不然就是耍流氓:
5070 Ti 的国行首发价是 6,299 元,那是 2025 年 2 月的历史锚点。2026 年下半年显卡大幅涨价,据渠道批发口径,2026 年 10 月下旬 5070 Ti 批发价已经到 9,650–9,850 元,电商均价逼近万元;5080 批发价约 14,500–15,000 元。5060 Ti 16GB 电商在售约 4,100–4,650 元;5090 D 电商口径约 2.3 万–2.5 万元。
所以这篇文章里所有"甜点"判断,都建立在当前行情上:买之前,先查当天的实时价格再决策。
配套别省错地方:
内存 32GB 起步,建议 64GB。 模型要先载入内存再进显存,显存不够时还要靠内存做卸载(offload),内存小了直接卡死。 硬盘 2TB NVMe。 一个 14B 级视频模型全精度就约 28GB,几个模型加文本编码器、VAE、LoRA,轻松过 100GB。 电源留足余量。 5070 Ti 功耗 300W,官方建议 750W,实际装机配 850W 级、带原生 12V-2×6 接口更稳妥。 系统用 Windows。 驱动和整条工具链的生态都在这边,少踩坑。
还有一个常被忽略的点:显存不够时,工作流会把一部分模型卸载到内存里跑,16GB 卡因此能"越级"跑更大的模型,代价是速度。再叠上内存频率和容量,这就是为什么内存建议直接上 64GB——它不只是容量,是越级运行时的第二条命。
二、模型选择:按生产环节拆开选
一条 AI 短剧生产线,至少四个环节,每个环节的最优解不是同一个模型。
剧本与提示词:云端大模型就够了
写剧本、拆分镜、写视频提示词,本质是文本活,不吃本地显卡。社区口碑里,谷歌 Gemini 系列被提得最多:长上下文装得下整本剧本和设定集,写分镜提示词顺手。这个环节没必要本地部署,用云端 API 或网页版即可。
角色图与图片资产:快有快的打法,控有控的工具
角色定妆图、分镜图、场景图,分两种需求:
要快、要省事,用云端图像模型。谷歌的 Nano banana(即 Gemini 2.5 Flash Image)出图快,官方 API 定价约 0.039 美元一张;OpenAI 的 GPT Image 系列也常用。这类工具配合参考图喂图,能把角色一致性维持在可用水平。
要本地可控,尤其是图里带中文招牌、字幕牌、包装文字的,去 ComfyUI 里用通义的 Qwen-Image(当前官方最新为 2512 版)。中文文字渲染是它的招牌能力,官方权重 Apache 2.0 许可、可商用。提醒一句:社区流传着一些名为"2.1"的重打包版本,来源和许可未经官方确认,商用项目务必先核对清楚。
音频:Fish Audio 做配音,零边际成本
配音环节社区首推 Fish Audio 这条线。它家的开源模型 Fish Speech 支持零样本声音克隆:给 10–30 秒样本,就能克隆出一个音色念台词;本地部署约 4–6GB 显存就能跑,一张 16GB 卡绰绰有余。
注意许可口径:开源权重是 CC-BY-NC-SA 4.0,非商用;要商用,走它家官方平台或单独授权。平台 API 价格大约是 15 美元生成 10 万字节量级,折合约 11 美元一小时语音——本地跑通之后,这笔钱就省下来了。
视频生成:两条路线,一个取舍
这是整条生产线的核心,也是分歧最大的地方。
路线一:MiniMax 的新一代视频模型(社区俗称 H3)。据厂商与社区口径,它已经开放权重,主打原生 2K 分辨率、单次最长约 15 秒、生成视频时同步出声音——这意味着配音和对口型的后期拼接能省掉一大块。模型站(Civitai)上已经有社区特调的 int8 合并版本,再配上 LightX2V 的 4 步加速 LoRA,推理速度能再往上抬一截。这套组合是目前社区里"出片效率派"的主流选择。需要说明的是,新模型的版本命名和参数细节仍在快速变动,具体以你下载时的模型页说明为准。
路线二:阿里 Wan 2.2。老牌开源选手,MoE 架构,总参数 27B、每步激活 14B,Apache 2.0 许可,商用干净,生态和教程最成熟。但短板也明显:据社区普遍反馈,它的生成速度比 H3 路线慢一个量级;不支持同步生成音频,配音、对轨全要后期补,工作量大一截。它的胜场在于完全开源、本地可控、想怎么魔改怎么魔改。
量化建议,两条路线通用:普通用户直接选 8 位量化(fp8/int8)版本。显存占用大约省一半,画质损失放到视频里基本看不出来。没必要硬上 bf16 全精度——多付出的显存和时间,换不回成比例的质量。
工具链:用智能体框架把环节串起来
环节都齐了,还差一根线:剧本拆完谁去喂图、图出完谁去送视频、出完片谁去配音。手工搬运,一天的时间一半耗在复制粘贴上。
社区的做法是引入一层智能体框架(harness)做流程编排:把"剧本→分镜→出图→出片→配音"写成一条可重复执行的流水线,人只在关键节点审核。市面上有现成的智能体工具(比如腾讯的 WorkBuddy),也有 MIT 许可的开源 harness(如 Pi)可以自己搭。选哪个不重要,重要的是让机器跑流程、人看结果。
三、搭建流程:五步落地
第一步,装环境。在 Windows 上装好 ComfyUI 和节点管理器(Manager),这是后面所有模型和工作流的底座。
第二步,下模型。按你的显存下对应量化版本:16GB 卡就下视频模型的 fp8/int8 版,再配上 4 步加速 LoRA,一起放进 ComfyUI 的模型目录。
第三步,定工作流。社区的主流共识是:以多图参考为主,首尾帧为辅。角色图、场景图做参考,把一致性锁住;首帧尾帧只用来控制每条视频的起止画面。反过来全靠首尾帧硬撑,一致性很快就崩。
第四步,按顺序生产。剧本 → 角色定妆图 → 分镜图 → 图生视频 → Fish Audio 配音(如果视频模型已同步出声,这一步可省或只作补录)→ 剪辑合成。一集短剧的全部素材,都在这条线上流完。
第五步,新手先抄作业。B 站上有现成的工作流包和手把手教程,社区常提到的有 T8、宏雷、金鱼等 UP 主,下载下来先原样跑通一集,再按自己的题材魔改。先跑通,再优化,这是所有本地部署的通用经验。
四、成本账:本地还是云端,看你更新多勤
最后算总账。
本地路线是一次性投入:按 2026 年 10 月行情,5070 Ti 一张卡近万元;再配 CPU、64GB 内存、2TB NVMe 和 850W 电源,整机大致落在 1.3 万–1.6 万元的量级(其余配件丰俭由人,此处只给量级感)。投入之后,每次生成的边际成本只剩电费,抽卡抽到满意为止,不看任何平台脸色。
云端路线是按量付费:单张图几分钱美元、配音按字节计费、视频按次或订阅。偶尔玩票、一个月做两条,云端完胜,不用折腾;但日更型创作者量一上来,云端的账单是线性往上走的,本地的回本周期反而很短。
没有标准答案,只有更新频率这一个变量。
选型口诀收尾,就四句:
显存定生死,先看容量再看芯;5070 Ti 是甜点,85% 性能、行情近万元;模型按环节选,剧本用云端、出图分快慢、配音归 Fish、视频在 H3 与 Wan 之间取舍速度与可控;量化别贪满,8 位够用,全精度不划算。
(风险提示:本文为技术选型分享,不构成购买建议,价格以购买时实时行情为准;AI 生成内容发布时须按各平台规则标注,模型用于商业项目之前,请逐项核对各自的许可证条款。)