本地生成AI视频实录：RTX 5090跑通Minimax H3工作流

一位创作者在Reddit分享了自己用完全本地化工具链生成一段变换特效视频的全过程。整个项目花了一整天，累计生成约180个视频片段，最终依靠ComfyUI的多套工作流拼接完成。这个案例的价值不在于成片的精美程度，而在于它展示了当前消费级硬件加开源模型能把AI视频生成推到什么位置。

一条视频背后的完整本地工作流

从流程拆解看，这次创作串联了多个模型和工具，每一环都跑在本地：

• 初始图像：少量起始帧使用 Krea2 生成
• 图像编辑：后续所有编辑交给 Qwen 2.1 edit 模型处理
• 视频生成：核心采用 Minimax H3，方法是 i2v（图生视频）配合首帧/尾帧（first/last frame）技术控制画面走向
• 组织与拼接：全程在 ComfyUI 里用多套工作流完成，最后在视频编辑软件中拼接
• 放大处理：使用作者自训练的放大模型 "Skrisp Texture"（尚未发布），并搭配多个自定义节点做色彩等调整

首帧/尾帧技术是这类工作流的关键。它让创作者能指定一段动画的起点画面和终点画面，模型负责补全中间的运动过渡，从而在没有传统关键帧动画能力的情况下，实现相对可控的镜头变换效果。

ComfyUI 是一款基于节点图（Node Graph）的开源 AI 创作前端，用户通过连接不同功能节点来搭建生成管线，而无需编写代码。它的核心价值在于模块化：图像生成、图像编辑、视频生成、放大、色彩校正等步骤可以像搭积木一样自由组合，并保存为可复用的工作流文件。正因如此，它成为本地 AI 创作者的事实标准编排工具。与 Automatic1111 等界面相比，ComfyUI 的学习曲线更陡，但对复杂多模型管线的支持能力也更强——这也是该作者能将五六个不同模型串联进同一流程的原因。

180个片段换一条成片，效率的真实代价

作者坦言，为了这条随机变换视频生成了大约180个片段。这个数字直白地揭示了当前本地AI视频生成的现实：产出高度依赖大量试错和筛选。i2v模型每次生成的结果都有随机性，运动、构图、一致性都可能翻车，创作者只能靠反复生成、人工挑选可用片段来逼近想要的效果。

换句话说，本地化并不等于轻松。它给了创作者完全的掌控权和零调用成本，但把大量时间成本压在了生成-筛选-返工的循环上。对于追求特定艺术效果的个人创作者，这种模式提供了云端订阅服务难以给予的自由度；但对讲究出片效率的场景，180:1 的比例说明技术还远未到即插即用的阶段。

i2v（Image-to-Video）是指以静态图像为起始条件驱动视频生成的技术范式，与 t2v（文本转视频）相对。其优势在于创作者可以精确控制第一帧的构图与内容，而不是完全依赖文本描述去碰运气。Minimax H3 是 Minimax 公司推出的视频生成模型，在运动流畅性和画面细节上具有较强竞争力，并提供本地部署权重，这使其成为高端本地工作流的常见选择。首帧/尾帧（First/Last Frame）控制则是在 i2v 基础上的进一步约束：同时指定动画的起点帧和终点帧，模型需要在两张固定图像之间插值生成合理的运动过渡，类似于传统动画中的"关键帧补间"概念，能显著提升单段视频的可控性。

一致性仍是最大短板

作者对成片的自我评价很诚实："离我想要的一致性还差得远，有些动作节奏也不好，但目前够用了。"

一致性问题是当前AI视频生成的共性痛点。角色外观、场景细节、光影关系在帧与帧、片段与片段之间容易漂移，尤其在多片段拼接的长视频里更明显。首帧/尾帧技术能在单个片段内部约束运动，但跨片段的整体连贯性仍难以保证。这也是为什么作者需要额外训练放大模型、堆叠自定义节点来做后期修补。

值得关注的是那个未发布的自训练放大模型 "Skrisp Texture"。作者透露仍在开发中，计划未来发布。自训练放大模型往往是为特定画风或纹理量身定制的，这类工具的出现说明本地创作者正在从"用现成模型"走向"打磨自己的专属管线"。

硬件门槛：RTX 5090 撑起全流程

整套流程跑在一张 RTX 5090 上。这也是本地AI视频生成绕不开的门槛——多模型串联、视频生成、本地放大，每一步都吃显存和算力。旗舰级消费显卡把这套工作流从"数据中心专属"拉进了个人书房，但也意味着入场成本并不低。

对想复现这类效果的用户而言，硬件配置直接决定了能跑多复杂的工作流、单片段生成要等多久，以及能否负担180次生成的时间开销。

RTX 5090 是 NVIDIA 于 2025 年初发布的旗舰消费级显卡，搭载 32GB GDDR7 显存，是目前消费市场显存容量最高的单卡选项之一。视频生成模型（尤其是高分辨率 i2v 模型）对显存的需求远超图像生成：单次推理往往需要同时在显存中保持完整的时序注意力张量，显存不足会直接导致无法运行或被迫降低分辨率。多模型串联工作流还需要在不同模型间频繁加载和卸载权重，对 VRAM 带宽和总量都有较高要求。这也解释了为何 24GB 显存的上一代旗舰（如 RTX 4090）在部分视频工作流中已逐渐显得局促，而 32GB 成为当前本地视频创作的实用门槛参考线。

这个案例说明了什么

这条视频本身是个人兴趣项目，但它像一份现场报告，勾勒出2026年本地AI视频创作的真实状态：

工具链已经足够丰富——从图像生成、图像编辑到视频生成、放大，全部有可本地部署的开源或半开源方案，并能通过 ComfyUI 灵活编排。技术天花板也在快速抬高，消费级硬件已能产出观赏性尚可的成片。但一致性、运动质量、生成效率这三座大山仍未搬开，创作者不得不用海量试错和自制工具去弥补模型能力的缺口。

对创作者来说，现在正是学习和积累工作流经验的窗口期。谁更早摸透这套管线、更早训练出适配自己需求的模型，谁就能在下一波模型能力跃升时占据先手。