00 · mac mini 本地 AIGC 实测：图、视频、音乐的真实水位
约 13 分钟驭光者首发于微信公众号「羲和Lab」
系列：mac mini ComfyUI 实战 · 第 0 篇 副标题：ComfyUI 选型、本地与云端的定性对比、64GB 内存门槛
导读：同一台 Mac mini M5 Pro（64GB 统一内存），文生图、图生视频、音乐生成三条链路全部跑通，产出一部 31 秒竖版宣传片，全程零云端；机器时间约 7 小时，视频生成占大头。这篇围绕四个问题展开——三模态水位、ComfyUI 选型、本地与云端的账、64GB 门槛线，完整清单见第一章。
开始之前
- 适合谁：有 Mac 的创作者、AI 绘画爱好者、想脱离云端按次计费的自建派
- 需要什么：不需要动手环境，本篇是认知篇，看完决定要不要跟这个系列
- 预计耗时：15 分钟阅读
- 成功标志：能回答第一章列出的四个问题
- 实测声明：文中全部数字来自 Mac mini M5 Pro / 64GB 统一内存真机实测，锚点 2026-09-24 ~ 09-27（含 09-23 旧软件栈对照基线）；软件栈 ComfyUI v0.36.0 + torch 2.15.0.dev nightly。文中"总表/实验日志"指本系列实测数据底稿（暂不公开，作作者溯源用；文末参考资料列公开可核的外部链接）。AIGC 生态迭代快，读者照做时以版本号核对为先
一、这台 mac mini 能做什么
先交代系列分工。同一台 Mac mini，两条内容线：推理线和生成线。姊妹系列《mac mini 玩转本地大模型》讲推理——对话、写代码、RAG，已更新三篇（00-02）；本系列讲生成——图片、视频、音乐。推理是让机器回答问题，生成是让机器交付作品。两条线的工具栈、瓶颈和账本都不同，所以单独成系列。
先给结论：这台 Mac mini M5 Pro（64GB 统一内存）能完成本地 AIGC 全链路——文生图 → 图生视频 → 音乐生成 → 剪辑合成。验证载体是一条 31 秒竖版宣传片（1080×1920），画面与配乐全部由这台机器生成，零云端调用（数据来源：本系列测评数据总表，即实测声明所述数据底稿，下称"总表"）。
产出先给一笔粗账。按段数推算：视频素材 10 段（总表 §2.5 及头部"画面 10 段"），每段按 5 秒生成（125 帧 @25fps、768 档约 33 分钟一段），合计约 5.5 小时；实测产线墙钟约 6 小时（总表 §2.5，含两次改版重 roll）。**6 小时是实测产线墙钟，与按段数推算的 5.5 小时是两个独立口径，不构成加法关系；逐段构成 05 篇拆解。**另计：首帧产线 29 张 × 60 秒 ≈30 分钟（总表 §2.1/§2.5）、两首 BGM 产线墙钟合计约 22 秒（含排队/切换；总表 §2.5；单首生成耗时以 2.1 表为准——10.9 秒）、剪辑合成约 2 分钟/版 × 5 版（总表 §2.5）——机器时间合计约 7 小时（总表 §2.5；不含失败重试与人工挑图）。环境踩坑与挑图的人工成本另计，完整账本 05 篇拆。还有一个容易误会的数字关系：10 段素材共约 50 秒，经相邻段重叠转场叠化与裁剪（合成器半重叠模型，04-AV 日志 §八）后，成片为 31 秒。
三个模态的实测单件耗时：图 60 秒一张、BGM 10.9 秒一首、视频 33 分钟一段。这三个数差着量级，决定了完全不同的使用方式——这就是本篇要算的第一笔账。
读完这篇，你能回答四个问题：
- 三个模态各在什么水位？
- ComfyUI 是什么，为什么选它而不是即梦、可灵、百炼这类云端工具？
- 本地和云端的账怎么算（定性）？
- 64GB 门槛线在哪——什么情况下值得为视频生成上 64GB？
统一内存原理、模型下载、量化基础这些课，姊妹系列已经讲过，本篇只取结论并回链，不重开课。
二、三个模态，三档水位
2.1 同机同刻的实测刻度
三个模态在本文的实测环境中各跑各的链路，数字全部出自同一台机器：
| 模态 | 单件规格 | 单件耗时 | 耗时/成品时长 | 可批量性 | 模型 |
|---|---|---|---|---|---|
| 音乐 | 一首 40 秒 BGM | 10.9 秒（冷启 10.86s / 缓存后 8.17s） | 0.27 倍 | ✓ 秒级，随做随用 | Stable Audio 3 |
| 图像 | 一张 1080×1920（4 步） | 60 秒（连续 16 张平均） | — | ✓ 29 张连跑零失败 | Z-Image Turbo |
| 视频 | 一段 5 秒（768×1344 × 125 帧，4 步） | ≈33 分钟（含解码） | 396 倍 | △ 须按挂机批量排产 | MiniMax H3 |
（来源：总表 §2.4 跨模态对比；音乐细项 §2.3；图与 29/29 零失败 §2.1；视频三档 §2.2。表注两条：① 耗时/成品时长 = 生成耗时 ÷ 成品时长——音乐的生成耗时是成品时长的 0.27 倍（10.9s ÷ 40s），视频是 396 倍；② 60 秒与 29 张是两组不同用途的数据——60 秒来自连续 16 张的平均耗时（速度口径），29 张是跨三轮改版的稳定性验证、零失败（可靠性口径），不要读作"29 张平均 60 秒"）
换算成同一个尺度：生成一段 5 秒视频的 33 分钟耗时，约等于 33 张 1080×1920 图，或 180 首 40 秒 BGM（按上表实测换算）。
2.2 三档水位，三种用法
音乐：瞬间可用。 10.9 秒生成 40 秒成品，生成耗时只有成品时长的 0.27 倍。三段式结构提示词（安静开场 → 中段重音 → 收束渐弱）基本遵循，产出直接可用作 BGM（总表 §2.3）。这个模态已经不构成瓶颈。
图像：分钟级可用。 60 秒一张，实测 29 张连续产出零失败，含三轮改版重生成（总表 §2.1）——这是 29 张样本下的结论，不外推所有提示词与场景。给文章、自媒体批量配图，这组数字就是可用性结论。要注意的只是流程：模型细节比例偶有失准（总表 §2.1 弱点项），多候选挑图是必需环节，不是可选项。
视频：半小时级堪用。 能跑，质量达标，但 33 分钟一段改变了工作方式——不能交互式地"不满意再 roll 一版"，必须先把整批任务排好、提交、挂机等结果。视频生成是本系列的重点和难点所在，产能逻辑全在"批量"两个字上。
2.3 破除两极判断
对本地 AIGC 的两种常见判断，数据都不支持。
"本地什么都能干"不成立：视频的生成耗时是成品时长的 396 倍，交互式创作每改一次要等 33 分钟。"本地什么都干不了"也不成立：图像和音乐两列数字本身就是生产级结论，配图、配乐两个场景今天就能用。
视频模型的能力边界还要单独提醒一句：实测中，"火焰凝聚成太阳"这类形态转化动作一次成型、运镜按描述执行；但同一个模型也会在画面留白处生成无语义的乱码（总表 §三翻车实录）。能力分布呈锯齿状，不能从"高难动作通过"线性外推到"简单场景也稳"，03 篇逐项展开。
三、为什么是 ComfyUI
3.1 先承认云端工具的优势
即梦、可灵、百炼这类云端产品（仅作类别举例，不构成评测或推荐），打开浏览器就能用，背后是平台的推理集群，无需自建环境与运维，起步成本低。本篇不做各家产品的横向评测，也不放任何价格对比数字——本地与云端的成本对照实测还没做，没有实测就没有数字，07 篇《结账》正式对表。
云端工具面向单次交互设计，对"图 → 视频 → 音乐 → 合成"的多模态产线支持有限——四条结构性边界在第四章展开，本节不重复。下面比较的是结构，不是效果。
3.2 ComfyUI 是什么：工作流引擎
ComfyUI 不是"一个画图 App"，是一个工作流引擎。它的界面是一张节点图：模型是节点，连线是数据流。以文生图为例，加载扩散模型（UNET）、文本编码器（CLIP）、解码器（VAE）三件套，按数据流接好线，就是一个完整的生成流程（接线细节 02 篇拆解）。
节点图可以保存为 JSON 文件——可复用、可分享、可批量执行。这句话的工程含义是：工作流文件本身是资产。调好的流程不用重配；换模型，改一个节点；批量跑，改一个参数。这是云端工具"一次交互出一个结果"的模式给不了的（06 篇专门讲资产沉淀）。
本地为什么需要"引擎"而不只是"App"？本系列一条产线要用三套模型：文生图 Z-Image Turbo（12GB 级）、视频 MiniMax H3 的扩散模型约 20GB（全链常驻约 40.5GB，见 5.1）、音乐 Stable Audio 3（5GB）（总表 §一模型清单）。跨三个模态编排产线，在云端要跨三家公司，在本地是一张节点图。
3.3 门槛与控制权
ComfyUI 本体不含模型，几十 GB 的权重文件要自己下载、自己管理。实测做法：用 extra_model_paths.yaml 把模型统一放在共享目录，28 类模型目录全映射，多个前端复用同一份模型库（03-源码日志 §一）。
代价是自己管环境；换来的是模型可换、版本可锁、产线可改。一句话概括取舍：云端的优势是打开就能用，本地的优势是产线归你。
再补一句限定：ComfyUI 桌面版与源码版有实质差异——桌面版跑 H3 视频模型会直接崩溃（_int_mm 算子在 MPS 上缺失），这是 01 篇的主线，本篇不展开。
四、本地 vs 云端的账
先说明：本章零金额——云端单张成本与耗时对照尚未实测，07 篇《结账》对表；本章只算定性账。
4.1 云端的四条结构性边界
四条都是这类产品的行业共性，不针对具体某家（各家举例仅作类别坐标，不构成评测或推荐）；不同平台的商业化策略各不相同，以实际服务条款为准：
- 按次计费。 每次生成都产生费用。"多生成几版挑最好的"是创作的正常流程，在云端直接和账单挂钩——roll 十版挑一版，费用按次乘十；本地的边际成本只是电费和时间。
- 数据出本地。 提示词、参考图、未发布的草稿素材都要上传到平台服务器。对照证据：本系列的 31 秒宣传片从首帧到成片，全链路零云端（总表头部产出物口径）。对涉及商业敏感素材或未发布内容的创作，这条是硬性优势。
- 平台控版本。 用哪个模型、功能怎么改、界面什么样，都由平台决定；今天的模型明天可能调整或下线。
- 难以编排。 一次交互出一个结果。要把"图 → 视频 → 音乐 → 剪辑合成"串成一条产线，得跨多个平台手工拼装，平台之间不互通。
4.2 本地的隐性成本
云端有账单，本地有隐性成本。从装环境到跑通全链路，实测共踩了 9 个坑（总表 §四有速查表，01 篇逐条实录：现象 → 根因 → 解法）。这些坑是本地自建的隐性成本，得算进总账。
最大的一项与软件栈版本记录有关。同一台机器、同一个模型，两次实测的每步耗时分别是 115 秒（9/23 旧装）与 2010.68 秒（新栈 1088 档，总表 §2.2）。两组数据的步数、分辨率、量化路径都不同，不可直接比较；相差 17 倍不是版本切换导致的速度差，也不代表版本敏感性。这两组数字放在一起，说明的是必须记录版本与环境信息——不记录，事后无法对账；它们不能用于量化版本影响。
隐性成本之外也有收益的一面：工作流 JSON + 固定随机种子，流程可复现、结果可审计——前提是锁版本。版本号不记录，一个月后自己都复现不了。
4.3 Mac 在 AIGC 软件栈里的现状
截至 2026-09 的实测口径，Apple 芯片在这套软件栈里没有原生加速：
- torch 正式版没有
_int_mm的 MPS 实现，int8 量化矩阵乘在 Apple 芯片上走 CPU 仿真路径； - comfy-kitchen 的 issue #92（int8 算子 MPS 缺失）当时仍是 open 状态；
- 组件 comfy-aimdo 明确不支持 Darwin。
（来源：总表 §四 MPS 生态现状 + 旧栈基线日志 §二）
结论：Mac 本地 AIGC 处在"能跑但无原生加速"阶段。全链路跑得通（本系列就是证明），但速度要按本文的实测数字预期，不能按显卡集群想象。本系列全部结论都带"2026-09"时间戳。
这一章的结论：两笔成本都要算清楚再做选择——云端算调用账单，本地算搭建与排坑时间。
五、64GB 为什么是门槛线
64GB 是本地视频生成"能跑"与"能产"的分界线。先给人话版结论——三个档位怎么选：打样验证用 544 档（5 分钟出结果，303s）；批量生产用 768 档（33 分钟一段）；全尺寸 1088 档采样 2:20:24（约 2.3 小时，为采样时间，不含解码；解码未完成）后中断于解码段、未产出成品——不可批量，1088 档本系列只记录中断事实，不推荐、不验证可完成性、不进入生产推荐（凭证见 5.2 表注）。这是本章所有数据要支撑的唯一结论。
5.1 体量账：先装得下
视频生成不是单个模型在工作。MiniMax H3 全家同时驻留内存约 40.5GB：扩散模型 19.99GB + 文本编码器 14.96GB + 视频 VAE 4.97GB + 音频 VAE 577MB（≈0.58GB），分项合计 ≈ 40.5（旧栈基线日志 §三，控制台实测凭证）。
一个对照：显存 8GB 的 GTX 1070 连模型都装不下，本次实测直接未投入（总表 §一）。这就是统一内存的意义——CPU 和 GPU 共享同一池内存，跑大模型的"显存"就是整机的 64GB。
5.2 内存墙实测：三档分辨率
同一段 5 秒视频（i2v，4 步采样），三档分辨率的实测：
| 分辨率 × 帧数 | 每步耗时（4 步采样） | 整段耗时（含解码） | 内存水位 | 判定 |
|---|---|---|---|---|
| 544×960 × 61 帧 | 46.07s | 303s | 健康 | 快速打样档 |
| 768×1344 × 125 帧 | 416.82s | ≈33 分钟 | 健康 | 生产定档 |
| 1088×1920 × 125 帧 | 2010.68s | 采样约 2.3 小时（2:20:24），中断于解码段，未产出成品 | 61.29/64GB（95%） | 不可批量 |
（来源：总表 §2.2；03-源码日志 §2.2 同源。表注两条：① 整段耗时含解码，不等于每步耗时 × 采样步数——544 档 46.07×4=184s vs 整段 303s；768 档 416.82×4≈1667s vs 整段 ≈33 分钟；② 1088 档口径——2010.68s 为平均每步耗时；采样总时长 2:20:24 含逐步劣化与开销，两者不严格相乘——逐段拆解见 03 篇）
5.3 超线性劣化：关键数据
看 1088 档和 768 档的对比：像素量只有 2.02 倍，耗时却是 4.82 倍——超线性劣化系数约 2.4（768 档基准、像素口径；另有以 544 打样档为基准的系数约 5.1——计算量为像素×帧口径、耗时为每步耗时口径。两个系数都真实，但基准不同，不能混用，推导见 03 篇）。
实测事实：活动监视器显示 1088 档采样时物理内存已用 61.29/64GB（95%），内存压力仍为绿色、进程未崩溃（总表 §2.2·1）。变慢的机制解释属于推断（未做 Instruments 级验证），与验证计划一起见 03 篇。
这就是门槛线的含义：满水位不会让进程崩溃，但足以让批量生产失去可行性。在本系列的单机实测里，内存占用比算力更早决定批量产出的可行性（03 篇继续验证）——61GB 占用时平均每步约 33.5 分钟（2010.68s），768 档（49.4% 计算量）每步 7 分钟（416.82s）。
5.4 降档是策略，不是妥协
768 档的像素量是全尺寸（1088×1920）的 49.4%，耗时只有其 20.7%（每步耗时口径，416.82/2010.68）——降档的收益比线性更划算（总表 §2.2·2）。实测做法：768×1344 生成，上采样到 1080×1920，观感可接受（样张对照属待补项）。07 篇算总账时，这条策略会再出现一次。
"装得下"与"跑得快"是两件事：40.5GB 常驻证明 64GB 买对了，33 分钟一段证明它不是渲染农场。对视频生成，64GB 是"能跑"与"能产"的分界线——能跑全尺寸，能产 768 档。
5.5 更低内存的读者
本系列全部实测在 64GB 统一内存上完成。16/32GB 机型需要换更小的模型，可行性不在本系列实测范围内——不代跑、不代诺。
能给出的实测参照：文生图全链常驻约 19.5GB（旧栈基线日志 §四：文本编码器 7.67GB + 扩散模型 11.74GB + VAE 0.16GB）、音乐生成约 5GB（总表 §2.3），都显著低于视频的 40.5GB。视频生成是 64GB 门槛的主要理由；只做图和音乐的读者，可以按这两个数自行评估自己的档位。
六、路线图与阅读姿势
6.1 八篇路线图
| # | 主题 | 解决什么 |
|---|---|---|
| 00 | 本文 | 三模态水位 + 选型逻辑 + 门槛线 |
| 01 | ComfyUI 源码版安装与 9 坑实录 | 环境怎么装对、坑怎么绕过 |
| 02 | 文生图与配图批量 | 出图流程怎么搭、配图怎么批量 |
| 03 | 视频生成与内存墙 | 视频怎么跑、降档怎么选（劣化系数推导在此） |
| 04 | 音视频联合生成与配乐 | 音轨怎么来、fps 陷阱怎么解 |
| 05 | 批量产线 | 一条宣传片怎么排产、完整工时账 |
| 06 | 工作流资产包 | 三套工作流配方怎么复用 |
| 07 | 天花板与账本 | 本地 vs 云端怎么选（含成本对照实测） |
6.2 按目标选入口
- 只想给文章/自媒体配图 → 直奔 02（图像已"分钟级可用"）
- 想拍片 → 03 → 04 → 05 顺读（视频生成是重点和难点所在）
- 想搭自己的批量产线 → 02-06 全读，06 的资产包拿来即用
- 只想算"本地还是上云"这笔账 → 直奔 07
6.3 跟做前的四样东西
- 一台 Apple Silicon 的 Mac（本系列实测口径：64GB 统一内存）
- 磁盘余量：模型文件合计近 60GB（图 12GB 级 + 视频全家 40GB 级 + 音乐 5GB，总表 §一清单），另留工作空间
- 时间预期：视频一段 33 分钟起步，按"挂机"规划，不按"点击出图"规划
- 命令行基础：01 篇起全程终端操作
6.4 收束与预告
三个模态的用法结论：配图直接上（分钟级、可批量、零失败——基于本系列 29 张图的实测）；配乐随手做（秒级、即产即用——基于本系列两首 BGM 的实测）；视频按挂机规划（半小时级一段，先排产再提交）。
下一篇《01 · ComfyUI 源码版安装与 9 坑实录》：桌面版跑 H3 为什么即崩、源码版安装全流程、9 个坑逐条拆解（现象 → 根因 → 解法）、可复现的版本锁定表。环境装不对，后面的实测数字和操作步骤都无从谈起——先把环境装对。
参考资料
- ComfyUI 官方仓库：https://github.com/comfyanonymous/ComfyUI
- comfy-kitchen issue #92（int8 算子在 MPS 上缺失）：https://github.com/Comfy-Org/comfy-kitchen/issues/92
- 姊妹系列《mac mini 玩转本地大模型》00-02 篇（推理线：配置、统一内存、LM Studio）
- 本系列实测数据：测评数据总表 2026-09（Mac mini M5 Pro / 64GB，锚点 2026-09-24 ~ 09-27）（作者留存底稿，暂不公开）
数据说明：本文全部关键实测数字即文中 2.1 与 5.2 两张表及下方数据附录所列，别无隐藏数据；原始凭证（控制台日志、时间戳）作者留存，暂不公开；可公开核验的外部事实（ComfyUI 仓库、comfy-kitchen issue #92）见上方链接。
数据附录（原始记录摘录，已脱敏）
| 项 | 原始记录 | 出处与日期 |
|---|---|---|
| H3 全家内存驻留 | 扩散 19,996MB / 文本编码器 14,960MB / 视频 VAE 4,966MB / 音频 VAE 577MB | 控制台日志 2026-09-25 |
| 视频每步耗时 | 46.07 s/it（544×960）/ 416.82 s/it（768×1344）/ 2010.68 s/it（1088×1920，首步 1892、逐步再劣化 ~6%——相邻步口径，日志原文措辞；平均每步 2010.68 与首步 1892 之差 ≈6.3%，量级相符） | tqdm 实测（实验日志 03）2026-09-25 |
| 1088 档采样总时长 | 2:20:24，中断于解码段 | 实验日志 03，2026-09-25 |
| 内存水位（1088 档采样中） | 61.29/64.00 GB（95%），内存压力绿色 | 活动监视器实测 2026-09-25 |
| BGM 生成 | 10.86 秒（冷启动）/ 8.17 秒（模型已缓存），成品各 40 秒 | 实验日志 03，2026-09-25 |
| 文生图 | ≈60 秒/张（连续 16 张平均）；产线 29 张、三轮改版零失败 | 实验日志 03 与产线记录 2026-09-25/26 |
免责声明
本文内容仅供学习交流，所述方法需结合实际场景灵活运用。全部性能数字为单机实测结果（Mac mini M5 Pro / 64GB，2026-09），受软件版本、环境配置影响，不构成对其他机型的性能承诺；AI 工具输出结果仅供参考，关键决策请结合人工判断。
本文由 AI 辅助创作，经人工审核编辑后发布。本文封面与配图由本地 ComfyUI 生成；文中涉及的生成内容（图片、视频、音乐）发布时按平台要求标注「AI 生成内容」。
本文首发于微信公众号「羲和Lab」，公众号内可留言交流
阅读公众号原文