主题
实验日志 #001：我在 DGX Spark 上搭了个 AI 视频工作室
摘要：一个人、一台 128GB 内存的小机器，做一条 60 秒的 AI 视频要多久？第一版翻车了，但把对的路摸出来了。这是「实验日志」第 1 篇。
傍晚，最后一段视频渲染完成。我把 4 段素材拼接起来，进度条走到 60.4 秒——我的第一支 AI 短片，成了。
但说实话，走到这一步之前，我绕了一段弯路。这篇把过程完整交代一遍，包括翻车的那部分。
这是「实验日志」的第 1 篇。以后我会在这里记录我在那台 DGX Spark 上做的各种 AI 实验——跑模型、做视频、做游戏，成功和失败都写。
一、先交代一下我的「工作室」
说是工作室，其实就一台机器：NVIDIA 的 DGX Spark，128GB 统一内存，巴掌大，放在桌角，风扇声很轻。
我选它的理由很朴素：我想做的 AI 实验，大多涉及「把大模型跑在自己手里」——数据不出门、按次成本为零、想跑多晚跑多晚。这台机器就是我的小型机房。
这次的目标：用本地的 MiniMax H3（一个能同时生成画面和声音的视频模型），做一条 60 秒的短片。第一支试片，讲的是「算力为什么越来越贵」。
二、第一版：32 分钟出片，但我不敢交付
第一版我选了「速度档」：4 步采样、960×544 分辨率，单段 15 秒，4 段拼成 60 秒。全部跑完，大约 32 分钟。
对，你没看错——一条 60 秒的片，半个多小时就出来了。这个速度，放在云端也不算慢。
但回听的时候，问题藏不住了：
- 画面有点糊，像蒙了一层雾；
- 声音更明显——发闷、发飘，像隔着棉被打电话。
我原本以为第一版能直接交付。听完之后，我把「交付」两个字划掉了。
三、反直觉的发现：音质输在「步数」上
问题出在哪？我用同一段旁白做了 A/B 对比，答案有点反直觉：
决定音质的，不是画面参数，是采样步数。
- A 档：20 步、不挂加速 LoRA——声音最干净，但生成 5 秒要 19 分钟；
- B 档：8 步 + LoRA——快一倍多，声音明显退步；
- 原版：4 步 + LoRA——最快，声音最差。
也就是说，省下来的时间，全是从声音里抠出来的。按 A 档算，整条片子要 3.5~4 小时——能用，但做内容的人等不起。
四、转机：一次「音频精修」
转机出现在我翻工具的时候：本机 ComfyUI 里已经装好了一个 H3 音频精修节点（Audio Refine）。
它的思路很巧：先用 4 步快速生成一遍，再单独对音频做一轮精修，画面直接沿用第一遍的。
实测：同样 5 秒，这一套（4+4 步）跑约 8 分钟，音频毛刺指标降了将近一半，听感明显变干净。全片估算，从 3.5~4 小时压到 1.5~2 小时。
「快」和「好」，第一次不再是单选题。
一个有意思的细节：这个节点本来就是为了治「低步数画面能用、但声音发闷」这个通病——看来被这个毛病折磨的，不止我一个。
五、下一站：把速度再快 10 倍
有人会问：云端 API 又快又省事，为什么折腾本地？
三个理由，都是一人公司的实际账：
- 成本结构不同：云是按次付费，本地是按电付费。反复试、试几十次的时候，本地的边际成本几乎为零；
- 数据不出门：素材、提示词、半成品都在自己手里；
- 可控：模型版本、参数、流程都是我的，不会哪天接口一改，生产线就断了。
代价是「等」。所以这个工作室真正的瓶颈，一直是速度。
下一步实验已经立项：英伟达官方有一个专门为这台机器优化的 H3 加速方案，官方数据是 5 秒视频约 56 秒生成。如果在本机验证成立，同一条片子就能从「小时级」压到「分钟级」。我已经在装环境、下权重，跑通没跑通，都会来这里汇报。
坑也还有一个没填完：H3 会自动给旁白配字幕，而画面里的屏幕文字容易乱码。正式片的方案是「生成端抑制 + 后期统一烧录」，还没定稿，算下一个待办。
写在最后
回头看，这次实验和上一篇《AI做游戏：做出来不值钱了，打磨才值钱》讲的是同一件事：
AI 把「做出来」变得越来越便宜，但「能交付」依然很贵。
4 步出片很快，但那个声音你不敢发；20 步声音好了，你又等不起。真正的工作量，在于找到「够好又够快」的那个平衡点——这不是模型的能力，是使用者的判断。
三条规矩，送给我自己，也送给你：
- 出片先「验货」：把声音单独听一遍，别被画面分心；
- 对比实验不能省：这次如果不是 A/B 对照，我会一直以为「声音不行」是模型的锅；
- 把等待变成并行：机器在跑的时候，去写下一条片子的脚本。
———
下一篇预告：工作室搭好之后，第一个要用的地方是游戏素材——正好接上 AI 游戏那条线。另外，加速方案的实测结果，也会第一时间来汇报。
问答盒时间：你手头有没有「想用 AI 做、但被卡住」的事？丢进评论区，我挑有意思的，在我的机器上试给你看。
—— 我是时空猫，在 DGX Spark 上做一人公司的 AI 实验。 这里是「问答盒」：你问，我做实验，然后写成文章。 想让我测什么、试什么？评论区丢进来。
参考：MiniMax H3 模型说明；ComfyUI 音频精修节点（社区工具包）实测。文中耗时与效果均为本机实测（DGX Spark 128GB 统一内存），不同配置会有差异。
来源与说明
- 文中数字与结论均来自本机实测或公开披露；如与原文有出入，以本页为准。