摘要 LocalBrain 1.4.8 接进第二个本地视频引擎 LTX-2.5，写一句带引号的台词，画面里的人会把它说出来。64 GB 的 M5 Pro 上 4 秒视频约 2 分钟、峰值 25 GB；运行时默认参数本来要 54 GB。43.4 GB 的权重国内走 ModelScope 直连，发现页一键下载。 2026-09-30·黑粉科技

LTX-2.5，本地免费跑，效果比肩大片

9 月 29 日 23 点 15 分，我让 LTX-2.5 在 64 GB 的 M5 Pro 上生成一段 4 秒视频：咖啡馆窗边的女生看着镜头说 “Welcome back! Today we are testing a brand new video model.”。128 秒后片子出来，Whisper 转写出的台词和提示词引号里的一字不差。同一次生成，/usr/bin/time 记下的进程峰值是 54.0 GB——64 GB 的机器，为 4 秒视频吃掉 54 GB，这账明显不对。

先说结论：**LTX-2.5 能在 64 GB 的 Mac 上本地出带声音的视频，4 秒约 2 分钟；那 54 GB 不是模型要的，是运行时的两个默认值，改掉之后峰值 25.3 GB，耗时没变。**方寸智匣 LocalBrain 1.4.8 把它接成第二个本地视频引擎，发现页一键下载，国内走 ModelScope 直连。

▍LTX-2.5 是什么，和 H3 什么关系

LTX-2.5 是 Lightricks 放出开放权重的音视频模型，画面和声音一起生成。本机跑的是 mlx-community 转好的 q8 蒸馏版，一共 43.4 GB。大头是 int8 的蒸馏 DiT 20.6 GB、Gemma 4 12B 文本编码器 8bit 13.6 GB 和文本连接器 6.3 GB，其余是视频和音频的解码器、声码器与空间放大器。

蒸馏版的意思是步数被压死了：先在半分辨率上采样 8 步，放大两倍后再精修 3 步，一共 11 步，没有步数可调，也没有 Turbo。输出固定 24 帧每秒，声音是 48 kHz 立体声。帧数必须是 8n+1，宽高必须是 64 的倍数——请求 480 高会回来 448，LocalBrain 会先按它能保住的尺寸吸附好再发。

LocalBrain 里原本已经有 MiniMax H3。两个引擎现在共用同一个视频面板，差别在能力和速度：

表里的耗时都是同一台机器、同一条模板、各自的默认参数，分辨率和步数不同，只能说明「日常用起来谁更快」，不能当成两个模型的算力对比。

▍这次怎么测

机器是 MacBook Pro M5 Pro，64 GB 统一内存，macOS 26.7。耗时是墙钟秒数，含模型装载；内存看的是内核记下的进程物理占用峰值，和 /usr/bin/time -l 打印的 “peak memory footprint” 是同一个数，Metal 显存缓冲也算在里面。台词对不对用本地 Whisper large-v3-turbo 转写核对。

每个提示词只跑了一次，成片全部原样保留，没有挑。所以下面的结论能证明「能跑、多快、多占内存、这一次出了什么」，不能证明批量生成都这么稳。

▍实测：速度、画面和声音

时长和耗时基本是线性的：4 秒 2 分钟，10 秒 6 分钟，20 秒 12 分钟出头。20 秒那条的内存要单独说，后面讲接力时再展开。

说话人那段是最让我意外的地方。画面里的人口型、表情和手势都跟着台词走，Whisper 转出来就是提示词里写的那句。换成 mlx-community 的文件以后，同一个种子又跑了一次：人物、构图和手势都一样，只是窗外的摩托车变成了停着的车；台词完整，但结尾多说了半句 “Welcome to…”。

它也有很直观的毛病。10 秒的小狗追泡泡，后半段背景从红砖房漂成了另一栋米色房子，提示词里的肥皂泡基本没出现，小狗冲到镜头前那几帧糊成一团。4 秒的蒸汽火车，前半段蒸汽是从桥墩里冒出来的，和车头脱了节。片子越长，越容易「忘掉」开头的场景，这一点 10 秒的样本已经看得很清楚。

▍54 GB 从哪来

回到开头那个 54 GB。

我在运行时里每 0.25 秒采一次 MLX 的内存，按阶段对齐以后发现，真正在用的最多只有 21.5 GiB，剩下三十多 GB 是两件事攒出来的：

第一，Gemma 编码器在编码提示词时，会把 MLX 的缓存上限抬到整机内存的 90%。释放掉的缓冲不还给系统，攒着备用，于是越跑越大；运行时自带的 --low-ram（把缓存上限设成 0）也因为被这一步覆盖，从来没生效过。

第二，解码从不分块。运行时估算解码要多少内存时，只按其中一层的张量算，比实测低了大约 40 倍，在默认 8 GB 预算下永远判定「放得下」，于是整段一次解码。

LocalBrain 的桥接层改了两处：把缓存上限钳在 2 GiB，之后谁再调都压回这个数；解码按每块 5 个潜帧切开。同一段视频，峰值从 54.0 GB 降到 25.3 GB，耗时 128 秒对 126 秒。分块解码和整段解码逐帧比，PSNR 平均 44.5 dB，最低 40.9 dB，块的边界上看不出接缝。

内存再紧时，桥接层会改成从磁盘逐块加载 DiT。旧的 4bit 编码器布局下，这样能压到 18.3 GB；现在发现页下载的是 8bit 编码器，编码提示词这一步就要约 25.5 GB，这成了下限。

▍国内下载：Xet 和 ModelScope

这个模型的 Hugging Face 仓是 Xet 存储。hf-mirror 对 Xet 文件只做 302 跳转，把请求转回境外，自己不缓存——不开代理，基本就下不动。

办法是换源。mlx-community 的这两个仓在 ModelScope 上有同名镜像。我把两边的文件清单逐个比过，只差 ModelScope 自带的 configuration.json 和 .gitattributes，所有大文件的 SHA-256 一模一样。9 月 30 日从 ModelScope 直连下载，19 个文件共 43.38 GB，aria2c 跑到每秒 44 MiB 左右，逐个文件对过 SHA-256。

发现页本来就能在 ModelScope、HF-Mirror 和 Hugging Face 之间测速选最快。这次顺手补了一个洞：ModelScope 的清单里其实给每个文件都列了 SHA-256，之前 LocalBrain 没读，从魔搭下的模型只比大小。1.4.8 起内容也核对，40 多 GB 的权重下坏了会当场报出来，不会等到生成时才莫名失败。

至于为什么是 q8：mlx-community 的模型卡写着，bf16 的 DiT 常驻约 38 GB，放在 64 GB 机器上要占掉 96% 的预算；int8 降到 57%。他们也做过 int4，没过自己的质量检查，就没有发。

▍文件一个字节都不改

LocalBrain 用的运行时是固定提交的 ltx-2-mlx，它原本按另一种目录布局写：文本编码器要放在 text_encoder/，DiT 里要有 96 个视频前馈层的偏置。mlx-community 的文件两样都对不上：编码器在 gemma4-12b-ltx-v1/，DiT 里没有这些偏置。

最省事的办法是下载完改文件，但那样文件的 SHA-256 就和上游对不上了，更新检查从此失效。我选了另一条路：文件保持原样，由一个兼容层在生成进程里打补丁——加载 DiT 时补上全零的偏置，找编码器时认 gemma4-12b-ltx-v1/。补零和原布局在数值上完全等价：9 月 29 日我实测过，原布局的 DiT 就是这一份再加 96 个全零张量，重建后 SHA-256 一致。

▍30 秒是怎么来的：接力

它单次最多生成 241 帧，也就是 10 秒。H3 的面板能拉到 30 秒，为了两个引擎用起来一样，超过 10 秒的请求由桥接层拆成几段：段数取最少，帧数尽量均分，下一段以上一段的最后一帧作首帧，拼接时去掉重叠的那一帧。

20 秒的海岸航拍就是两段各 10 秒接起来的。接缝落在第 240 到 241 帧之间，相邻两帧的平均差是 1.11，和前后 24 帧的中位数 1.10 一样，放大逐帧看也找不到跳变。声音差一点：接缝后 0.4 秒里比接缝前响了 3.35 dB，是整段里最大的一次起伏，随后回落。

这一条还让我抓到了一个内存模型的漏洞。第一段峰值 27.3 GB，第二段 36.8 GB，多出 9.5 GB，而桥接层原本只预测了 26.6 GiB。原因在首帧：带首帧（或尾帧）生成时，运行时给每个 token 一个去噪掩码，DiT 的时间步调制因此变成每个 token 一份。3 秒的首帧模板同样多出 2.65 GB。1.4.8 把这一项算了进去，并按每一段是否带首帧分别估算；现在这套文件的六个实测点，预测都不低于实测，最多高出 1.4 GB。

接力也有一个用法上的坑：每一段用的是同一段提示词，所以引号里的台词会在每段各说一遍。要人物开口的片子，控制在 10 秒以内。

▍谁在付账，为什么现在做

这次接 LTX-2.5，最花时间的不是模型本身，而是两笔被别人默认下来的账。

第一笔是内存。运行时的两个默认值——缓存上限抬到 90%、解码不分块——放在大内存机器上无所谓，落到 64 GB 的 Mac 上就是 54 GB 峰值，别的模型都得给它让路。改掉它们不花一点速度，这笔账本来就不该由用户付。

第二笔是下载。Hugging Face 从 2025 年 5 月 23 日起，让新注册的用户和组织默认使用 Xet 存储：文件切成约 64 KB 的块去重，上传省流量，更新只传改动的部分，对平台和上传者都是实打实的节省。成本转嫁到了国内用户身上：hf-mirror 这类按整文件缓存的镜像接不住 Xet 的块，只能把请求转回境外。接住这部分流量的是 ModelScope，mlx-community 的仓在那边有同名镜像。谁在沉默？下载工具本身——卡在境外时，它不会告诉你为什么慢。

至于为什么现在做：Lightricks 在 8 月放出 LTX-2.5 的开放权重，同时经营收费的在线平台 LTX Studio 和托管 API。开放权重换生态和口碑，云端服务靠什么赚钱一目了然，这更像是开源模型公司的两条腿。我的理由更直接：同一条 3 秒模板，H3 的 REF2VA 要 382 秒，模型包 64.5 GB，我需要一个在 64 GB 机器上更快、还能说台词的本地引擎。LocalBrain 本身免费，靠自愿赞助。

▍毛病和边界

• 长片段会漂：10 秒后半段背景换了一栋房子，提示词里的次要元素（肥皂泡）可能直接没有。
• 声音大小不稳定：同样的桥接层，生成出来的原始响度从 −8.4 到 −43.8 LUFS 都有。LocalBrain 统一拉到 −16 LUFS，但特别轻的那条拉完也只有 −18.9 LUFS。
• 人脸只测了两位虚构人物，各一段，都是正脸、小动作。侧脸、大动作、多人同框稳不稳，这次不能证明。
• 32 GB 的 Mac 按规划够用（最低约 25.5 GB），但我手上没有 32 GB 的机器，没实测。

▍谁适合用、怎么上手

上手四步：在「发现」找到 LTX-2.5 蒸馏版 · 8bit，测速后国内选 ModelScope，下载 43.4 GB。然后在设置里把它选成视频模型。第一次启动时，LocalBrain 会自动装好它的运行时，约 404 MB。最后在对话页「工具 → 视频生成」里写提示词，或者先点一个模板。

有 64 GB 以上的 Apple Silicon、想让视频里的人按你写的台词开口、又不想把素材传上云的，值得装。只有 32 GB，或者要参考图一致性、要 2K 成片的，先别急着上头：前者我还没实测，后两样 LTX-2.5 这一版做不到。我的建议是先用模板跑一条 3 秒的，看速度和声音合不合意，再往长了拉。

摘要：64 GB 的 Mac 上，本地有声视频能用了，代价是时间和一点耐心 4 秒约 2 分钟、10 秒约 6 分钟、20 秒约 12 分钟，峰值内存 25～37 GB；台词写进引号能说出来，片子越长越容易漂。适合手上有 64 GB 以上 Apple Silicon、想让画面里的人按你写的台词开口、又不想把素材传上云的人。要参考图一致性、要 2K 成片，或者内存只有 32 GB 的，先别急着上头。

建议 下载页：https://github.com/HackerChi-Hub/localbrain-releases/releases 模型（ModelScope）：https://modelscope.cn/models/mlx-community/ltx-2.5-mlx-q8 运行时：https://github.com/MrMoferFRAN/ltx-2-mlx

🧰 我做的工具

这些工具都由我持续维护。预览版会明确标注，下载、更新和已知边界以发行页为准。

信息：黑粉盒子 HyphenBox 状态： 初步构建 · 预览版

免费大模型 API 雷达：持续复测可用性，本地统一接口，Key 只存本机

下载与更新

信息：方寸智匣 LocalBrain 状态： 正式迭代

本地模型的多模态 MCP 工具箱：TTS / Whisper / 视频生成一站接入

下载与更新

信息：ScreenLex 光影词库 状态： 正式迭代

看美剧顺手把生词背了，Mac/Windows 双平台，免费

下载与更新

信息：黑粉录屏 HyphenScreen 状态： 正式迭代

录屏 + 智能剪辑一体：达芬奇式时间线、自动打码、导出前成片体检，免费

下载与更新

引用：黑粉科技 让AI成为你的超能力 本地部署 · 免费白嫖 · 自制软件 https://hyphentech.top