M4 Air 24GB 本地跑 AI 视频：能跑，但我最后把模型删了
最近看到 FastVideo 已经支持 Apple Silicon，还有专门为 Mac 优化的 FastMetal-5B-QAD 模型。官方资料里的数据很诱人：5B 模型、MLX 后端、量化权重，普通 Mac 似乎也能在本地生成视频。
我的电脑是一台 M4 芯片、24GB 内存的 MacBook Air。看配置不算差，而且我刚清出了一些硬盘空间，于是决定不再看别人跑分，自己装一遍、跑一遍。
最后的结果很有意思：它确实能跑，而且生成的视频是正常的；但测试结束后，我还是把模型和环境都删了。
因为这次实验让我更清楚地看到了一条边界：跑通，是工程问题；值不值得日常使用，是生产问题。
先说结论：不是不能用，而是不划算
这次测试使用的是 FastVideo 的 MLX 后端和 FastMetal-5B-QAD。模型实际下载体积约 18.18GB，加上运行环境、缓存和生成文件，本机最好预留三四十 GB 空间。
安装本身没有遇到致命问题。Python、MLX、FastVideo 都能正常工作，模型也顺利加载。真正让我改变判断的，是生成速度。
我先做了一个低成本的小尺寸测试：
| 项目 | 结果 |
|---|---|
| 分辨率 | 448×256 |
| 帧数 | 17 帧 |
| 成片时长 | 0.71 秒 |
| 总耗时 | 约 108 秒 |
| MLX 峰值内存 | 约 6.01GB |
| 进程峰值占用 | 约 13.35GB |
第一次运行里，光是加载和编码提示词就用了约 79 秒。模型缓存好以后，这部分会快很多，所以小尺寸测试只能证明环境正确，不能代表正式生产速度。
接着我做了真正有参考价值的一次竖屏测试：704×1280、81 帧、24fps，最终得到一段 3.375 秒 的 H.264 视频。
结果是：
| 项目 | 结果 |
|---|---|
| 分辨率 | 704×1280 |
| 帧数 | 81 帧 |
| 成片时长 | 3.375 秒 |
| 总耗时 | 约 19 分 18 秒 |
| 其中去噪计算 | 约 18 分 30 秒 |
| MLX 峰值内存 | 约 9.34GB |
| 进程峰值占用 | 约 23.75GB |
| Swap 峰值 | 约 16.14GB |
生成过程没有报错，81 帧也不是重复画面。我抽查了中间帧，红色纸船、水面和运动都正常。也就是说，这不是“命令运行成功但成片坏了”，而是一次真正跑通的本地视频生成。
但为了 3.4 秒的视频，等了 19 分钟。
硬盘变大，解决不了速度问题
测试过程中，我一度以为：只要再多清一点硬盘空间，让系统有足够的 Swap，体验是不是就会好很多？
答案是：会更稳，但不会明显更快。
24GB 统一内存在高分辨率生成时已经接近用满，系统会把一部分数据交换到硬盘。硬盘空间充足，可以降低任务因空间不足而失败的风险；但它不能把硬盘变成 GPU，也不能缩短模型必须完成的计算。
更何况 MacBook Air 没有风扇。一次接近 20 分钟的持续高负载已经不轻，如果连续生成多个镜头，温度和降频还会进一步影响效率。
这也是本地 AI 经常被忽略的一点：“装得下”只说明容量够，不代表算得动，更不代表产能够。
如果一条短视频需要 15 个镜头，每个镜头只生成一次，按这次速度计算也接近 5 小时。实际创作不可能每个镜头一次满意，提示词、动作、构图和人物一致性都可能返工。只要平均重做两三次，时间成本就会迅速超过可接受范围。
如果你也在关注普通电脑上的真实 AI 工作流，欢迎关注公众号或视频号“浩哥AI实验室”。我会继续记录这些看起来很美、但只有真正跑一遍才知道边界的工具。
还有一个容易误解的地方：并不是宣传里的能力都已接入
我原本最期待的，不是纯文字生成视频，而是把已经设计好的静态图轻微动起来。对于故事短片、古诗画面和育儿内容，图生视频比从零生成更容易控制人物和构图。
但在这次安装所使用的官方 MLX 示例里，FastMetal-5B 当前提供的是文生视频入口，没有可直接传入首帧图片的参数。FastVideo 的其他后端和模型存在图像条件能力，不等于这条 Mac 本地链路已经完整接好。
所以我没有为了“完成测试清单”强行拼一个未经官方验证的方案，也没有把底模理论上的能力写成本机已经实现的能力。
这个区别很重要。很多 AI 项目介绍写的是“模型支持什么”，用户真正能用到的却取决于具体后端、版本和推理入口。看模型卡只看到了能力上限，跑一遍工作流才能看到产品边界。
那这台 M4 Air 做 AI 视频，真的没有用吗？
也不能说完全没有。
它很适合学习、验证和偶尔离线生成：不需要按次付费，数据留在本地，低分辨率测试也能较快确认提示词和环境。如果只是偶尔做一个镜头，又愿意让电脑慢慢跑，它是可用的。
但如果目标是稳定做内容、每天产出、多镜头迭代，我不会把 M4 Air 当作视频生成主力。云端 GPU 或成熟的视频生成服务更合适，哪怕需要付费，也是在用钱换时间、成功率和多轮选择空间。
这台电脑更适合承担整条内容流水线里更轻、更确定的部分：
- 写脚本和拆镜头；
- 生成或整理静态图；
- 配音、字幕和音频处理；
- 用 FFmpeg 剪辑、拼接和压缩；
- 管理素材并自动化发布。
把最重的视频生成交给云端，本地负责创意、组织和后期，反而更接近一套真正能持续运转的个人工作室。
为什么跑通以后，我还是删了
模型、虚拟环境和缓存加起来会长期占用二十多 GB 空间，而我已经确认了最关心的事实：M4 Air 24GB 可以运行 FastMetal-5B-QAD，也能生成正常的 704×1280 视频，但速度不足以进入我的日常生产流程。
继续把它留在本机，只会让一次技术验证变成长期存储负担。所以我删除了本次安装的模型、运行环境、缓存和测试视频，释放出空间，等以后模型更轻、MLX 后端更成熟，或者图生视频入口真正完善时再测。
这次实验没有得到一个令人兴奋的“Mac 本地视频自由”，但得到了一个更有用的答案：
普通 Mac 已经跨过了“能不能生成”的门槛，还没有跨过“值不值得生产”的门槛。
以后再看到某个模型宣称消费级设备也能跑，我会先问四个问题：能生成多长？要等多久？返工成本多高？它是否真的接入了我的工作流？
参数和跑分回答不了这些问题，真实任务可以。
关注公众号和视频号“浩哥AI实验室”，公众号微信号 de8ug-vip。后面如果 FastVideo 的 Mac 图生视频能力和生成效率有明显进展，我还会再回来实测一次。
相关资料
说明：本文数据来自 2026 年 9 月在一台 M4、24GB 统一内存的 MacBook Air 上进行的一次个人实测，不是实验室基准。软件和模型仍在快速更新，具体能力请以官方最新说明为准。