从剧本到成片：做一条 AI 漫剧，电脑上要装多少东西 ​

魔当实验室 · 2026年11月

本文是"AI 学习环境"系列第三篇。前两篇分别回答报名前和开课后的问题：《报名前先看这张表：六个 AI 方向，Windows 和 Mac 分别要什么配置》和《开课第一周最容易卡住的五件事》。本篇进入作品期：当课程要求你交出一条完整的片子，一台机器上到底要堆多少东西。

这里的数字来自各应用详情页的系统要求、我们自己工作流页写的「硬件要求」，以及上游项目公布的实测口径，整理于 2026 年 11 月。它们是判断参考，不是承诺：模型按月更新，同一条片子在不同机器上差几倍很正常。本文不评测任何课程与机构，也不涉及任何收益预期。

一、先把"一条片子"拆成六站 ​

漫剧课最容易让人误判的一点是：它不是一个方向，是六个方向的最小组合。学员报名时报的是"AI 漫剧"，机器上真正要跑的是六个不同的软件，各有自己的显存、磁盘和后端要求。所以"我这台机器能不能做漫剧"这个问题没法直接回答，必须先拆开。

拆开之后是这样六站：

四点先说清。

第一，剪辑这一环本篇基本不讲。 PR、达芬奇、剪映都是闭源软件，官网直装，不在我们的目录也不在我们的答疑范围。它的问题是另一类：时间线和缓存吃磁盘、导出吃 CPU 与内存，但不吃显存这一档。

第二，这六站的门槛不是平均分配的。 一条片子的机器要求由第五站决定，而不是六站加起来——出图和配音再轻，也不会把总需求拉低；视频环节一进来，显存、内存、磁盘三项同时抬高。

第三，六站里只有两站值得为它专门买机器。 第五站和（如果课程要训练角色一致性的）第二站后半段。其余四站的价值在于能在本机随时重来，而不是跑得多快。

第四，也是必须先讲清的一句：本篇只讨论工具，不讨论作品。 把六站装齐、每站验收通过，你得到的是一条能走通的学习链路——看得懂每个环节产出什么、能把素材准确交到下一个环节、出问题能判断是工具的事还是内容的事。这条链路是初学者认识漫剧生产的最短路径，但它决定不了成片质量。真正让人看完一条片子的仍然是那些老东西：剧本与叙事、分镜的镜头语言、节奏与留白、表演和配音的情绪、声音设计、剪辑的取舍。这些是课程和人的功夫，不是显存的功夫。所以本篇从头到尾只回答一个问题——这台机器能走到第几站；至于走到之后能做多好，取决于工具之外的能力。配置是入场券，不是及格线，把它当成及格线是这类课程里最常见的错觉。

二、第一站：脚本与分镜 ​

这站几乎没有门槛，也因此最容易被草率处理。

本地对话模型的详情页写的是内存而不是显存：7–8B 的量化档 8GB 内存能起步，13B 要 16GB，更大要到 32GB——原因是量化后的权重主要驻留在内存里。所以这站的答案是"有没有内存"，不是"有没有显卡"，轻薄本也能走完。Apple 芯片的统一内存在这站尤其舒服，LM Studio 干脆把 macOS 侧写成仅支持 M 系列芯片、靠统一内存装大模型。

但要提醒一件与第二篇衔接的事：这一站恰恰是最容易"看起来本地、其实在用云端"的一站。有些一键成片类工具的官方主路径是调用云端大模型出文案、用在线接口合成配音、从在线素材库取画面，显卡反而不是重点。如果你的课程用的就是这类工具，那么"我装了本地软件"和"我的素材留在本机"是两件不同的事，交作业前值得确认一下素材和文案去了哪里。

低配减档：换更小的量化档（8B → 3B）、缩短上下文、把这站直接放到云端或手机上完成。分镜的质量取决于你写了什么，不取决于模型多大，这站省下来的时间应该都留给第五站。

三、第二站：出图，决定整条线的显存档位 ​

出图是漫剧的第一道真实门槛，也是学员最容易低估体积的一站。

ComfyUI 详情页的系统要求写得很直白：最低 16GB 内存；硬盘 15GB 即可体验小型文生图模型，想使用更多模型建议 100GB 以上；Windows 10/11 可用 CPU 但兼容性差，推荐 NVIDIA 4GB 以上显存；macOS 15 及以上且必须 M 系列芯片。这四句在同一门漫剧课里的意思是：装得上不等于能按课程的模型数量跑，"15GB 起步"和"100GB 以上"之间隔着整个学期攒下来的权重。

到具体模型这一层，我们在工作流页上写的口径比应用层更细：Z-Image 要求显存大于 12GB；Qwen-Image 一档是 12GB 起、24GB 才谈得上舒服；FLUX.2 klein 4B 按上游约 13GB 的口径保守写成 12GB 起；而 klein 9B 与 dev 属于另一档——9B 的 NVFP4 权重约 29GB，dev 全精度接近 90GB，8–12GB 的卡不现实。同样叫"出图"，选哪一档模型把显存需求拉开三倍以上。这一站的正确问法不是"我的卡能出图吗"，而是"课上要用的那个模型，工作流页上写的显存是多少"。

漫剧在这里还有第二个坑：角色一致性。同一张脸出现在第 1 格和第 20 格，靠的不是更大的显卡，而是训练——用课程给你的那 20–30 张图，把角色训成一个 LoRA。这一环的口径和第二篇讲训练时一样：Windows 侧上游文档给的是 8GB 可训、10GB 建议，配 32GB 内存和 20GB 以上磁盘；Apple 芯片上我们不保证训练能成。所以很多"出图能出、作业交不出"的情况，卡的就是这里。

低配减档：一是换档不换卡——用 4–8 步的蒸馏/轻量档工作流出小样，只在最终交付时用大档；二是减少角色数量而不是减少镜头，一个角色的多表情比五个角色的一次出场更容易稳定；三是把训练这一步整体挪到机房或云端，本机只做推理，这是这站最省时间的安排。

四、第三站：配音，六站里唯一有官方速度数字的一站 ​

配音是漫剧的刚需，也是这一批目录里门槛最友好的一条线：多数配音类应用有 4GB 或 8GB 两档，轻量版把门槛再降一档。

原版与轻量版的差别要按页面数字看：IndexTTS 2 详情页写的是 NVIDIA 8GB 以上显存、硬盘建议 24GB 以上、macOS 15 及以上仅支持 M 系列；我们上线公告里给过一条更实用的分工——24GB 以上统一内存装原版，16GB 走轻量版。轻量版降到 4GB（AMD 与 Intel Arc 走 Vulkan 也是 4GB）、磁盘 10GB，16GB 统一内存的 Mac 就能装，Intel 芯片的老 Mac 只能走 CPU、速度明显慢。更省的一档是 Qwen3-TTS 轻量版，2GB 显存口径，Intel Mac 也在支持列表里。

这一站也是我们唯一能给出可信耗时数字的地方，因为上游论文公布过实时率：IndexTTS 2 在 4090 上 fp16 约 0.326，2.5 在 4090 上 bf16 约 0.207；GPT-SoVITS 公布的是 0.028（4060 Ti）、0.014（4090），以及 0.526（M4 的 CPU）。最后这个数字最值得学员看——它说明"CPU 也能出声音"是真的，但比独显慢一个数量级以上也是真的。

我们自己的上线公告里还有一组同机对比，测试机是 16GB 显存的 RTX 5060 Ti：同一份 159 秒的中文文稿，原版约 303 秒（实时率 1.9），轻量版约 39 秒（实时率 0.25）。这是同一台机器上的相对差距，不是对你这台机器的承诺——5060 Ti 属于中档卡，显存更小、内存更紧张的机器两档都会变慢，但"轻量版比原版快一个量级"这个方向是可复现的。它说明的是一件更实用的事：在配音这一站，轻量版换来的不只是一半磁盘，还有当天能不能出片。

低配减档：长文本分段合成再拼接（一次成型的等待时间和失败率都高）；先出一版小样对台词节奏，最后再批量重出；克隆音色时先查干声质量——参考音频有背景音乐，多贵的卡也救不回来。

五、第四站：字幕与转写，唯一"没有显卡也能走完"的一站 ​

这一站的口径高度一致：转写类应用的详情页普遍写"可用 Intel/AMD CPU，推荐 NVIDIA GPU"，macOS 一栏大多写的是"支持 Intel 和 M 系列芯片"。磁盘在 10–24GB 一档，其中 Whisper 的大模型文件本身约 3GB。

它看起来最不重要，实际上决定返工次数：漫剧的对白、字幕轴、时间码错一格，后面每一站都要重来一次。所以这一站真正该投入的不是显卡，是校对时间。

低配减档：用 small/base 这类小模型出初轴，再人工修；或者把这站交给pyVideoTrans一类的翻译+配音一条龙工具，它同时覆盖第四站和第三站的一部分，缺点是最终质量还得靠人工过一遍。

六、第五站：让画面动起来——整条线的分水岭 ​

前四站走完，你已经有一条"有声有图的动图"；第五站决定它是不是"视频"。这一站的门槛跳得最狠，而且Windows 和 Mac 的表现差异最大。

这一站其实有两条不同的路，别混成一个词：

路线 A：造新镜头，也就是图生视频。 用 ComfyUI 的视频工作流，把分镜静帧变成 3–5 秒的镜头。我们的三档工作流页口径是这样的：LTX-2 的 fp8 量化档需要 NVIDIA 30/40/50 系且至少 16GB 显存；fp4 档要 Blackwell 架构（50 系）加 torch 2.8.0 以上；蒸馏版建议 24GB。同一条线里还有语音驱动视频的 Wan2.2 一档，我们是用 16GB 的 RTX 5060 Ti 测的，页面上对 macOS 写的是"支持程度还在测试中"。至于全模态那一档（MiniMax H3）的文生/图生视频，它的硬性要求放在路线 B 一起讲——因为在漫剧里，这一档更常被用来"让人物说话"，而不是"造一个空镜头"。

路线 B：让人物动起来。 不做全新场景，而是让一张角色图按音频动嘴、动头、动表情。这一条线现在明显分成两代，配置和效果都差一个台阶，混着讲最容易让学员选错。

上一代是独立的驱动类应用：LivePortrait 要求 NVIDIA 6GB 以上、LatentSync 6.5GB 以上，磁盘都在 13–14GB 一档，macOS 口径两条都写的是仅支持 M 系列芯片；头肩类方案里还有只按卡代来写的——"仅 NVIDIA RTX 30 系及以上"。Apple 芯片能跑，但上游自己的口径是可能比 4090 慢约 20 倍，个别模式（比如 LivePortrait 的动物模式）不支持 macOS。这一代的价值和局限都很实在：门槛低、装得快、磁盘小，把"音频怎么变成口型和头部动作"这条链路完整地摊在你面前；但从交付看，它是 2025 年那一代的效果，口型贴合度与表情自然度已经被新一代拉开差距，作为练习和作业合格，作为对外作品会被看出来。

新一代在我们这里是同一个 ComfyUI 里的 MiniMax H3 音频驱动数字人工作流——人脸与显存优化版，走的是全模态路线，对白和演唱这类需要口型、表情、身体节奏连续变化的内容都归它管。魔当实验室的口径是：同一段音频，这一档的口型与表情连贯度比上一代驱动类明显好一档，能说话，也能唱；代价是要求同时抬高。我们工作流页写死的是这几条：仅支持 Windows，需要 NVIDIA RTX 20 系以上，建议 32GB 以上内存，权重按百 GB 量级准备（全量约 108GB）；如果用它的 4 步加速版，还多一条硬性要求——SageAttention 版本只支持 RTX 40 系及 50 系或更新架构，且必须 PyTorch 2.10 或更高。

有一件事要说在前面：这一档的具体显存数字我们还没写进工作流页，只写了卡代和内存。所以下面这张表里，H3 那一列给不出"8GB 能不能跑"的答案——不是回避，是我们的口径还没补齐，补齐之前不猜。

两条路线怎么选，按机器和按用途各看一遍：

这一节只按 NVIDIA 的档位给结论。AMD 与 Intel Arc 在这条线上的支持面、Apple 芯片具体能走到第几步，属于本系列第七篇《不是只有 NVIDIA 显卡才配学 AI》的范围，本篇不重复那份按后端列的清单；这里留下的只有流水线上的判断——哪一站值得本机跑、哪一站该挪走。

必须坦白一件事：这一站我们给不出可引用的耗时数字。 上游没有公布、我们的实测口径还没写进工作流页，所以本篇不编秒数。能给的是量级判断：5 秒的镜头不是 5 秒能渲完的，在 16GB 档的消费级卡上，按分钟到按十分钟等一个镜头是常态；而这一段真正决定你等待时间的往往不是显卡，是内存够不够、有没有落到硬盘交换、硬盘是不是 SSD——这也是第二篇第三节强调"视频课的电脑要求要写内存和硬盘"的原因。

低配减档（这一站最多，按性价比排）：

1. 减时长而不是减画质：3–5 秒一个镜头本来就是通行做法，别为了"一气呵成"生成十几秒；
2. 从高到低换量化档：fp8 → fp4 → 蒸馏版，比降分辨率有效；卡架构不支持 fp4 就退回 fp8；
3. 退回上一代驱动类：门槛只有图生视频和新一代的三分之一上下，漫剧里大量镜头本来就只需要"说话"——先用上一代把链路跑通，再决定要不要为几个近景镜头上新一代，这条顺序比反过来省时间；
4. 减少镜头数量：用推、拉、摇这类对静帧的位移替代真正的新镜头；
5. 把这站整段放到机房或云端——这是本篇最明确的建议：第五站是六站里唯一一处"本机硬扛并不划算"的环节，前面第四站在本机做，第五站集中到机房跑，是学员最常见的合理分工。

七、第六站：配乐、音效与合成 ​

这站的体积比它的重要性大。这一站的磁盘口径分两种：ACE-Step 1.5 详情页写的是"硬盘建议 10GB 以上、Windows 需要 NVIDIA 8GB 以上显存、macOS 仅支持 M 系列"；而带音效生成标签的 Stable Audio 3 一档写的是"建议 31GB 以上"，且 Windows 可用 CPU、macOS 支持 Intel 和 M 系列。同是"配一段音乐"，一个吃显存、一个吃磁盘，选之前值得把两页都看一眼。音效和 BGM 也可以完全不占本机——用现成素材库，代价是素材来源要能追溯。

合成这一格我们不放应用，因为它通常是剪辑软件的事。唯一想提的是导出：成片导出吃的是 CPU、内存和磁盘顺序写入，不吃显卡那档显存，很多人把导出慢当成"我的卡不行"，实际是盘满了。

低配减档：整片只用一段 BGM + 少量音效，不做逐镜头配乐；先导出低码率预览版对齐节奏，最后再导一次高质量版本；素材库放机械盘时先把权重和中间文件挪到 SSD，导出速度就正常了。

八、把六站的数字加起来：这台机器能走到第几站 ​

现在可以回答标题里的问题了。"做一条漫剧要装多少东西"，按详情页与工作流页的数字相加是两个完全不同的数：

中间这三四倍的差距，全部来自攒模型和第五站。三类机器按这张表的结论分别是：

8GB 显存的 Windows 台式机（第一类里最常见的档位）：前四站都能按课程节奏走完，出图的主流大档开始吃力（12GB 那一格会顶到你），第五站只能用上一代驱动类或降档生成，新一代那条线在 8GB 上我们不给结论。结论：能做漫剧，做不了课程里那几档最新的大模型镜头。

16–24GB 显存的 Windows：整条线都能在本机走完，包括图生视频和音频驱动数字人。这档是唯一可以按"完整流水线"规划的机器，代价是磁盘要按 300GB 量级预留、内存别低于 32GB——新一代那一档的权重和中间文件就是这个量级的来源。

Apple 芯片 Mac（16/24/32GB 统一内存）：第一到第四站舒服，配音和转写支持面最宽；第五站分两种——驱动类能跑但官方口径慢一个数量级，图生视频一档的支持程度按页面写的是"仍在测试"，而全模态那一档根本没有 Mac 路径。结论：Mac 是出片和交作业的好机器，不是量产镜头的机器，需要镜头时把这站挪到机房。

Intel 芯片的老 Mac、无独显轻薄本：走完第一、第四站没问题，第三站有 2GB 档可选，第二站只能小模型，第五站基本要挪走。这类机器适合学方法，不适合作为交付机器，报名前就该讲清这一点。

最后一句要给到这张表之外的东西：上面四档机器都能走完六站里的一部分，但没有任何一档配置能替你写完剧本。 漫剧真正稀缺的是叙事、分镜语言、节奏、表演和声音设计——这些归课程，也归你自己；这张表只负责把"工具"这一格填准。

九、按顺序装，每站验收一次 ​

流水线类课程最贵的错误是六个应用一起装：出问题你不知道是哪一站，返工要重来六次。按站装、每站跑一次最小样例，是第一周那套方法在这里的用法。

推荐顺序和验收动作：

1. 先装第一站（本地对话），跑一次 200 字分镜生成——这站最轻，用来确认机器基本可用；
2. 第二站 ComfyUI，先用自带小模型跑一张 512×512，再换课程指定的工作流；报"节点缺失"就按节点名补，不要一次装几十个；
3. 第三站配音，先 10 秒中文出个声，再按课程要求导参考音频。能出声和能当天出声，是两件事，这一段顺便把原版与轻量版按你的机器选好；
4. 第四站转写，用一段 1 分钟音频出字幕轴，检查时间码；
5. 第五站最后装，并且先只装一条工作流，用一张静帧生成 3 秒，确认能出片、估算一次耗时——这个耗时数字就是你整条片子的排期依据；
6. 第六站配乐，生成一段 30 秒 BGM 并导一次低码率成片，确认从脚本到成片的链路真的通过去。

顺序本身没有必然性，但有一条经验值得写下来：把第五站放最后，用它的单次耗时倒推作业排期。第一到第四站的等待都不足以毁掉一次作业，第五站的等待会。

通用减档三条，六站都适用：

• 减档不换卡：同一站里从大模型换到蒸馏/量化档，比换机器便宜得多；
• 减数量不减质量：减少镜头数、角色数、配乐条数，而不是把所有镜头都降到糊的；
• 训练环节整体前移：LoRA、音色克隆这类要写文件的环节放机房或云端，本机只做推理——出问题的成本最高的一站，最不该靠一台没测过的机器硬扛。

十、魔当实验室的观点 ​

第一，"漫剧"在机器上不是一个方向，是一条有顺序的线。 按方向问配置会得到一张表，按流水线问会得到一份清单——后者才能让人在报名前算清自己的磁盘和返工次数。这也是为什么我们更愿意把要求写在工作流页上，而不是只写一个笼统的软件门槛。

第二，第五站应该被公开地讲成"可以不在本机完成"。 现在的普遍做法是把整条流水线都承诺在本机跑通，结果学员在第五站卡住、在答疑群里排队。把"哪一站值得本机、哪一站可以借机器"讲清楚，比承诺"全部都能跑"负责得多。第二篇第六节那张按环节切的表，在这一站最有用。

第三，六站加起来占的不是显存，是磁盘和时间。 我们目录里绝大多数应用的显存口径集中在 4GB 和 8GB 两档，看起来门槛不高；真正让人装不下去的是攒到几百 GB 的模型，以及一条 3 秒镜头的十分钟等待。这两件事都没有"换台好显卡"这么简单的解法，只能靠减档、减数量和正确的分工。

一条片子从头做到尾，考验的是这台机器能不能连续六次不出事。六站里任何一站卡住，前面所有工作都还在硬盘上、却交不出去。所以下一篇我们换到机构那一侧：售前咨询时，怎么把这一串门槛一次讲清楚。

免责声明：本文的应用配置口径取自各应用详情页的系统要求、我们工作流页面的硬件要求文案与上游项目公开说明，由魔当实验室于 2026 年 11 月整理。文中磁盘与显存的合计数字是把上述页面口径直接相加得到的量级估计，不是对某台具体设备的实测。模型与软件版本按月更新，具体要求可能变化；本文内容不构成对任何应用在你的设备上可运行、可交付、可按时完成的保证。文中不评测任何培训机构或课程，也不构成收益或变现预期。