8GB 显卡本地做对口型 MV 实测
LTX-2.5 哪些镜头能用、要多久
这次的目标是用一首 23 秒的歌,在自己的显卡上做一支「人物在唱歌」的 MV,全程录屏。我们没有挑最好的结果来展示,而是把 9 段视频生成的耗时、参数、成功和失败都列出来。结论先说:近景、固定机位的对口型,本地模型已经能用;跳舞、奔跑这类大动作,本地模型还不行。
一、先定角色:同一句提示词,两个模型
MV 的第一步是定主角。我们用同一句提示词(二十多岁东亚女歌手、齐肩短发、白色夹克、银色复古麦克风、夜晚城市天台)分别让 FLUX.2 klein 和 MOSS-Image 出图。

MOSS-Image 慢了六倍多,但人物的皮肤、发丝和光线明显更像电影剧照,我们选了右边这张作主角。之后所有其他镜头(跳舞、奔跑、舞台、远景)都用 FLUX.2 klein 的「参考图改图」来做:把主角图作为参考,写「保持图1女孩的脸、发型、白色夹克和耳环完全一致」,再描述新场景。每张约 19~33 秒。
二、对口型怎么做
LTX-2.5 的对口型用的是「全能参考」:一张人物图 + 一段音频,视频时长自动跟音频走。我们把 23 秒的歌按演唱段落切成两段(0~8 秒、13~22.9 秒),分别生成正面和侧面两个近景。
提示词里有三句最关键:「近景」「镜头固定」「口型和歌声同步」。第二版我们还加了「发丝柔顺贴服」,因为第一版头发被「夜风吹动」吹得太乱。

三、9 段视频的真实耗时
| 镜头 | 时长 | 耗时 | 结果 |
|---|---|---|---|
| 正面对口型 第 1 版 | 8 秒 | 6 分 23 秒 | 能用,后来换成天台版 |
| 正面对口型 第 2 版(天台) | 8 秒 | 4 分 19 秒 | ✅ 采用 |
| 舞台对口型 | 10 秒 | 6 分 31 秒 | ❌ 头发乱成一团 |
| 侧脸对口型(加「发丝柔顺」) | 10 秒 | 7 分 09 秒 | ✅ 采用 |
| 天台跳舞(环绕运镜) | 5 秒 | 4 分 16 秒 | ❌ 转身时身体穿模 |
| 天台慢舞(固定机位、小幅动作) | 5 秒 | 2 分 23 秒 | ❌ 手臂仍有变形 |
| 街道奔跑(向后跟拍) | 5 秒 | 2 分 24 秒 | ❌ 人物转身背对镜头跑 |
| 街道慢跑(改写提示词) | 5 秒 | 4 分 27 秒 | ❌ 仍有穿模 |
| 天台烟花大远景 | 5 秒 | 2 分 19 秒 | ✅ 可用(人物小、动作少) |
所有视频都是 1280×704、8 步。规律很明显:每秒视频大约需要 30~55 秒生成时间;人物越小、动作越少,成功率越高;凡是转身、跳跃、跑步,本地模型基本都会翻车。失败样本的详细分析和补救方法,我们单独写在 本地视频穿模怎么救。

四、最后的组合:本地 + 云端
近景对口型和远景用本地模型;跳舞和奔跑两个大动作镜头,换到云端的 Kling 4.0(图生视频、720p、5 秒),每段消耗 2.5 积分,两段一共 5 积分,一次就成功。

剪辑在我们自己的追光剪辑台完成:歌曲铺在音频轨,对口型段落对准原歌的时间点;上下加 2.35:1 电影黑边;底部放一条细的语音波形可视化;右下角放台标和环形可视化。字幕用本地语音识别(Qwen3-ASR)自动听写,再人工对照歌词校对——这一步很重要,后面会说到识别错了一句。
五、两条采用的提示词原文
下面是最终采用的两段对口型的提示词原文,可以直接拿去改场景:
近景,正对镜头,镜头固定。夜晚的城市天台,图1的短发女孩穿白色夹克、戴银色圆圈耳环,手握复古银色麦克风投入地演唱,口型和歌声同步,头发被夜风轻轻吹动,眼神看向镜头,表情自信,背景城市灯光柔和闪烁。
近景,三分之二侧脸,镜头固定。夜晚的城市天台,图1的短发女孩穿白色夹克、戴银色圆圈耳环,双手握着复古银色麦克风深情演唱,口型和歌声同步,唱到高音时闭上眼睛微微仰头,发丝柔顺贴服、不被吹乱,背景城市灯光暖色虚化,侧后方一盏暖光打亮头发轮廓。
写法上有三个固定结构:景别 + 机位放在第一句;人物描述用「图1的……」指向参考图,并重复关键外观(夹克、耳环、麦克风);最后写光线和背景。对口型的镜头里,我们只给一个动作(「唱到高音时微微仰头」),动作越多,嘴型越容易乱。
音频怎么切也有讲究:我们按演唱的句子切段(这首歌切成 0~8 秒和 13~22.9 秒两段,中间 8~13 秒用跳舞镜头盖住,不需要对口型),切点都放在两句之间的换气处,不在一个字的中间下刀。切段之后的音频单独导出成 MP3 再喂给模型,剪辑时再把视频对齐回原歌的时间点。这样即使某一段要重做,也不影响其他段落。
生成时还有一个现实问题:本地视频生成会把显卡占满,同一台电脑上的浏览器会明显变卡,甚至几分钟没有响应。我们的做法是一次只排一段,生成时不去操作网页,等结果出来再继续;如果要连续排多段,就在晚上挂着跑。
六、什么镜头适合本地
| 镜头类型 | 本地 8GB | 建议 |
|---|---|---|
| 近景对口型、固定机位 | ✅ 稳定 | 本地做,免费 |
| 远景、人物小、动作少 | ✅ 基本可用 | 本地做 |
| 中景小幅摇摆 | ⚠️ 看运气 | 多生成几次(免费抽卡) |
| 跳舞、转身、奔跑 | ❌ 容易穿模 | 交给云端模型 |