5种方法0成本，他在MacBook上做出了真人级产品视频

产品讲解视频里全是漂亮的界面截图，一个人都没有。为了补上这个缺口，有人用同一段30秒的故事，在自己的笔记本上做了五个版本，全部用免费工具，并且把每一步都计了时。

五个版本之间只改一件事：画面里的人是怎么来的。故事本身固定不变——Aarav收到一条线下面试的二维码通知，在接待处被扫码，在休息区等到手机震动，完成面试，记录被交接给公司的人力系统。五个镜头，30.4秒，同一个旁白声音（本地运行的Kokoro TTS），每一版都叠同样的应用界面。

机器是一台搭载 M1 Max 的 MacBook Pro（10核CPU、32核GPU、64GB统一内存）。没有英伟达显卡，所以这里的“GPU”指的是通过PyTorch的mps后端和Blender的Metal渲染器调用的苹果GPU。测试时IDE和虚拟机照常开着，就像普通工作日一样——这一点后来被证明很关键。

方法一：免费图库，真实但讲不了你的故事

本以为图库会在真实感上胜出，某种意义上确实如此：那些是真实照片。但Wikimedia Commons上几乎找不到可用的免费办公室、接待处或面试视频，现存的不是低于720p就是新闻素材。结果五个镜头全变成了照片加缓慢推镜。更糟的是每个镜头里都是不同的人，其中一处“办公室休息区”其实是公交车站。Pexels的免费视频质量更好，但需要API密钥。

方法二：SDXL生成图片，甜点区

为Aarav写了一段固定描述（年龄、发型、藏青西装、白衬衫），固定随机种子，用RealVisXL V4每个镜头生成两个备选。每张1344×768的图在M1 Max GPU上稳定耗时约2分钟。成品看起来像随手拍的办公室照片，多数镜头里Aarav能被认出是同一个人。

缺陷是复杂场景下的身份漂移：面试那场戏里，Aarav突然戴上了眼镜、长出了胡子。提示词也只是被松散地遵循，画面里并没有接待员真的在扫他的手机。

方法三：LTX-Video生成视频，先惊艳后融化

把SDXL的静帧喂给LTX-Video 0.9.5（2B）做图生视频。当场景只有一个人做小幅动作时，效果确实惊人：Aarav对着手机微笑，面试时他边说边比划，对面的人在听。

人群和大动作会把它打崩。繁忙的接待处大约三秒后就融成一团模糊的人影，走出大楼那段他的身体会扭曲。这两个片段是靠只保留干净的前三秒、再正放加倒放救回来的。原始片段都放在仓库里，可以自己判断。

方法四：Blender 3D，完全可控，零真实感

用免费的CC0绑定角色（Quaternius）和基础几何体搭的场景，每个镜头都严格按分镜执行：他把手机举到扫描器前，手机震动，他走出去。一致、有动画，但看起来像电子游戏。免费、免登录就能拿到写实3D人物的路子基本没了：Mixamo需要Adobe账号，MetaHuman和Character Creator都不免费。

方法五：SadTalker旁白，是好向导不是主角

用SDXL生成一张虚构的主持人脸，再用SadTalker对整段旁白做口型同步。30秒全程帧级对齐，但只有头部在动，512×512的分辨率只够当个小气泡用。一个教训：第一版主持人做成了女性，配上男声很违和，脸要和声音匹配。

时间到底花在哪了

意外之处在于：AI视频模型生成并不慢，一段5秒片段去噪只要约30秒。其余95%的时间花在解码帧上，因为macOS把最多32GB换到了磁盘——光T5文本编码器全精度就需要19GB，而IDE和虚拟机还开着。编码完提示词后卸载文本编码器有帮助，关掉其他应用帮助更大。

踩过的坑也一并列出：M1上没有bf16，LTX-Video文档里的bf16路径会因dtype不匹配崩溃，改用fp32内存开销约翻倍；MPS流水线上用CPU随机数生成器会让解码步骤崩溃，要用torch.Generator('mps')；SadTalker在苹果GPU上，其锁定的PyTorch 2.1在MPS上没有Conv3D，升级到2.5.1并打三个补丁后快了13倍，补丁在仓库里；模型总共约28GB，按1MB/s要下一下午，得并行下载，T5的bf16副本（9.5GB）能把最大的文件减半；Homebrew的Blender cask要sudo，从blender.org下的DMG直接拷进~/Applications就不用。

实际会怎么用

• 大多数人物镜头用SDXL生成图片：真实、一致，每镜头约2分钟。
• AI视频只用在两三个关键瞬间，单人、小动作，多生成几个种子，只留干净的几秒。
• 产品界面保持设计好的截图。人物提供语境，产品才是主角。
• 想要一张脸，就在片头或片尾放个旁白气泡。

总成本0美元。所有模型和工具都免费，都跑在一台笔记本上。代价是时间和约28GB磁盘。输入、输出、脚本、原始日志、每一个测出来的数字全部公开，还有一个可并排播放五个视频的实时面板。