8GB 顯卡 筆電也能做 AI 影片：RTX 4070 ＋ FreeVideo 本機生成實戰全流程

只用一台 NVIDIA RTX 4070 Laptop（8GB VRAM）＋ 32GB RAM 的筆電，不上雲、不用付月費，能不能做出一支有劇情、有配樂的 AI 短片？

這次我用本機的 FreeVideo，搭配 AI 生圖工具，做了一支約 43 秒的短片：一位穿白色薄紗洋裝的女生在公園草坪巧遇一隻薩摩耶，一人一狗互相微笑、貼臉燦笑，揮手說 Bye bye 後，一起走進對面的「zaizaicat 共讀咖啡館」。這篇把完整流程、筆電實際跑起來的數據，以及踩過的坑整理給你。

▲用一台筆電，在本機把文字和圖片變成一支短片

💻 這台筆電的規格與實測數據

• 顯示卡：NVIDIA GeForce RTX 4070 Laptop GPU，8GB VRAM
• 記憶體：32GB RAM
• 系統：Windows 11
• 影片設定：16:9、1344×768、24fps、品質「Light」（8＋3 步的兩階段生成）

實際跑下來的數字：

• 一條 5 秒的片段約 7～9 分鐘，6.5 秒約 9～10 分鐘，8 秒約 11～12 分鐘，10 秒約 14～16 分鐘，15 秒約 22～26 分鐘。
• 顯示卡記憶體峰值約 6.2～7.0GB，8GB 剛好夠用，但幾乎沒有餘裕。
• 整支 43 秒的成片共生成了 15 條片段（每個鏡頭都多拍 1 條來挑，另有一個鏡頭重拍），扣掉中斷等待的時間，GPU 實際運算約 3 小時。

結論：8GB 筆電可以做，但要有耐心。建議一次生成 5～15 秒的片段，長片用「分鏡＋剪接」組起來，而不是一次生成一大段。

🎬 什麼是 FreeVideo？

FreeVideo 是一套裝在自己電腦上的 AI 影片生成工具，建立在 ComfyUI 之上，生成時完全在本機運算，素材與作品都留在自己的電腦裡。它的「Create」頁面可以直接輸入描述、選畫面比例與長度來生成影片；「Edit」頁面可以把片段排上時間軸剪接、匯出；生成好的影片都會收進「Creations（作品）」。

▲FreeVideo 的 Create 頁面：左邊寫描述、選比例與長度，中間預覽，右邊是最近生成的影片

它支援幾種生成方式：只用文字生成、給一張首幀圖片往後生成，以及這次主要使用的「首尾幀」模式（同時給第一格和最後一格的圖片，AI 補中間的動作）。另外也有本機 API，可以讓 AI 助手代為操作，這次的提交任務、追蹤進度與匯出，就是交給 AI 助手完成的。

🧭 整體流程：五個步驟

▲① 生成首尾幀 → ② 撰寫提示詞 → ③ 本機生成 → ④ 逐格檢查挑片 → ⑤ 剪接與配樂

① 先用 AI 生圖做出「首幀」和「尾幀」

首尾幀模式最大的好處是：畫面的開頭和結尾都由你決定，AI 只負責中間的動作，人物、場景比較不會跑掉。

我的做法是先用 AI 生圖工具產生第一張（例如：女生在草坪上看見跑過來的薩摩耶），再把這張當參考圖，請它產生「同一個場景、幾秒後的畫面」當尾幀。這樣兩張圖的人物、衣服、光線和構圖才會一致。

▲同一個鏡頭的首幀與尾幀：AI 會補出「轉頭、貼臉、一起笑」的過程

小技巧：

• 最重要的畫面先做。例如特寫鏡頭，我先做「貼臉燦笑」的尾幀，再從它反推首幀，表情和臉才會對得上。
• 尾幀要畫出「動作完成後」的樣子。我第一次做「開門進咖啡館」時，尾幀只畫她站在門口，結果影片裡她一直沒走進去；把尾幀改成「人已經走進店內深處」，重拍一次就成功了。
• 兩張圖要裁成影片的尺寸（這次是 1344×768）再上傳。

② 撰寫影片提示詞（Prompt）

FreeVideo 使用的模型建議用英文、分段描述，主要分成三段：

• integrated_multimodal_description：畫面與動作，依時間順序寫，必要時寫出「在第幾秒發生什麼」，例如「At 00:06.500, she lifts her head and gazes at the café」。
• overall_soundscape：環境音與動作聲，例如鳥叫、腳步聲、開門的鈴聲、她的笑聲。
• non_diegetic_music：配樂；不需要就寫 N/A。

幾個實用的寫法：

• 想固定鏡頭就寫「locked-off camera, the camera does not move」，背景會穩很多。
• 要出現在畫面上的字用雙引號，例如招牌寫著 "zaizaicat"；說出口的台詞不要用引號，否則可能被畫成字幕。
• 結尾加上「No subtitles, no on-screen text.」可以減少多餘的字幕。
• 多個鏡頭要串成一支片時，各鏡頭的配樂寫 N/A，最後再統一鋪一條配樂，切鏡頭時音樂才不會突然換掉。

③ 在筆電上生成：一次拍兩條，用來挑

每個鏡頭我都一次生成 2 條（takes），之後挑比較好的那條。生成時 FreeVideo 會顯示進度，從編碼、載入模型、取樣到解碼存檔，大部分時間花在取樣。

8GB 筆電的注意事項：

• 長度與時間成正比：15 秒的片段要 20 幾分鐘，先用 5～10 秒的片段把節奏抓對再拉長。
• 系統記憶體要留空間：生成過程中曾遇到「Windows 虛擬記憶體不足」導致中斷，也遇過引擎整個停掉。生成時盡量關掉開了很多分頁的瀏覽器和其他大型程式。
• 中斷了不用重來：失敗或被中斷的任務可以接著續跑，已上傳的圖片和任務紀錄都還在。

④ 逐格檢查：AI 影片的三個常見問題

生成完不要急著用，我會把每條片段每秒抽一張圖排成縮圖表檢查，常見的問題有三個：

• 小字會變形、會飄動：招牌上的字是 AI 影片最弱的地方，遠景時尤其明顯。我的解法是把首幀上清楚的招牌，每一格都對準招牌板貼回去，字就清楚而且不會動了。
• 頭尾會跳一下：首尾幀模式的片段，最前和最後幾格常常會直接跳回輸入的靜態圖，剪接前要把這幾格剪掉。
• 動作沒做到：例如該走進門卻停在門口，就改尾幀或改描述重拍，不要一直用同一個要求重複生成。

▲左：AI 直接生成的遠景招牌，小字變形；右：後製固定後，清楚且不再飄動

⑤ 剪接與配樂：把鏡頭組成一支片

這支短片一共 6 個鏡頭：巧遇、望向咖啡館、貼臉特寫、揮手說 Bye bye、走向咖啡館、推門進入。每個鏡頭都是用「新的參考圖」重新生成，而不是接著前一段影片往下延伸，這樣畫面比較穩定，每個鏡頭也能各自重拍。

▲用分鏡思考：6 個鏡頭各自生成、各自挑片，再剪成一支

剪接在 FreeVideo 的 Edit 頁面完成：把片段依序排上時間軸、修掉頭尾，再匯出成 MP4。配樂則注意兩件事：

• 剪接點選在上一段音樂已經淡出的地方，下一段的聲音用短淡入接上，就不會突然跳出聲音。
• 多個鏡頭共用同一條配樂，讓和弦在剪接點轉換；女生說話時配樂自動降低，台詞才聽得清楚。

🐶 成品

▲成品片段：草坪巧遇、一起燦笑、揮手說 Bye bye，最後走進 zaizaicat 共讀咖啡館

📝 給同樣用 8GB 筆電的你：重點整理

• 用首尾幀模式，畫面的開頭與結尾自己決定，人物最穩。
• 先做最重要的那張圖，再用它當參考做另一張。
• 一個鏡頭 5～15 秒，長片靠分鏡與剪接，而不是一次生成。
• 每個鏡頭拍兩條，逐格檢查後再挑。
• 避免畫面上出現小字；一定要有招牌時，準備好後製把字固定。
• 生成時把記憶體留給它，中斷了就續跑，不必從頭來。

一台筆電、一個下午加一個晚上，就能做出一支有劇情的小短片。如果你也想試試看，歡迎到 👉[共讀咖啡館] 找個位子，一邊等 AI 算圖，一邊做自己的事 ☕

這個是最後的成果喔 ^o^ 還不錯吧!!