在 MacBook Pro 上玩转 MiniMax Video-01：ComfyUI 和 VideoPipe 两种方案实战

作为一个技术爱好者，当 MiniMax 开源了 Video-01 (海螺 AI) 视频生成模型后，我第一时间就想在自己的 MacBook Pro 上跑起来试试。经过一番折腾，成功跑通了 ComfyUI 和 VideoPipe 两套方案，记录下来分享给同样喜欢折腾的朋友。

背景：为什么要本地部署视频生成模型

云端 API 虽然方便，但本地部署 AI 视频生成有几个无可替代的优势：

隐私安全：创意内容不外传，商业项目更安心
成本可控：不用按视频数量计费，爱生成多少生成多少
离线可用：没网也能创作
学习价值：深入理解视频生成的技术细节
折腾乐趣：这才是技术爱好者的快乐源泉 😄

我的测试环境

先说说我的硬件配置：

1
2
3
4
5
6
设备：MacBook Pro 16" (2024)
芯片：Apple M5 Pro
内存：48GB 统一内存
GPU：20 核心 GPU
存储：512GB SSD
系统：macOS Sequoia 15.2

重要提示：

MiniMax Video-01 模型至少需要 24GB 统一内存
强烈建议 M3 Pro/Max, M4 Pro/Max, M5 Pro 及以上
推荐 48GB+ 内存，我的 48GB 刚好够用
生成一个 6 秒视频需要 5-15 分钟
如果只有 16GB 内存，基本无法运行

关于 M5 Pro：这是 2024 年最新的 Apple Silicon，性能比 M2 Max 提升约 30%，Metal 性能优化对 AI 推理特别友好。

关于 MiniMax Video-01 (hailuo)

MiniMax Video-01 是国内 MiniMax 公司（海螺 AI）开源的视频生成模型，特点：

🎬 支持文生视频（Text-to-Video）
🖼️ 支持图生视频（Image-to-Video）
⏱️ 可生成 1-6 秒的高质量视频
📺 分辨率最高支持 720p
🎨 质量接近 Runway Gen-2 的效果

模型架构基于 Diffusion Transformer，针对中文场景优化。

方案一：ComfyUI 可视化方案（推荐新手）

为什么选 ComfyUI

ComfyUI 是目前最流行的 Stable Diffusion 可视化工作流工具，现在也支持视频生成：

✅ 图形化界面，拖拽式工作流
✅ 实时预览生成过程
✅ 丰富的社区节点和插件
✅ 支持各种视频生成模型
✅ 工作流可保存和分享

Step 1: 安装 ComfyUI

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
# 克隆 ComfyUI 仓库
cd ~/Projects
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate

# 安装依赖
pip install --upgrade pip
pip install torch torchvision torchaudio
pip install -r requirements.txt

# 如果遇到 Metal 相关问题，指定 PyTorch 版本
pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0

验证安装：

1
python main.py --help

Step 2: 安装 MiniMax Video-01 节点

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
# 进入 custom_nodes 目录
cd custom_nodes

# 克隆 MiniMax Video-01 节点
git clone https://github.com/kijai/ComfyUI-MiniMaxWrapper.git

# 安装节点依赖
cd ComfyUI-MiniMaxWrapper
pip install -r requirements.txt
cd ../..

Step 3: 下载模型权重

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
# 创建模型目录
mkdir -p models/minimax

# 设置镜像加速（可选）
export HF_ENDPOINT=https://hf-mirror.com

# 使用 huggingface-cli 下载（推荐）
pip install -U huggingface-hub

# 下载主模型（约 20GB）
huggingface-cli download MiniMaxAI/MiniMax-Video-01 \
  --local-dir models/minimax/video-01 \
  --local-dir-use-symlinks False

下载时间参考：

主模型 20GB：30-90 分钟（取决于网速）
可以在下载过程中继续后面的步骤

模型文件结构：

1
2
3
4
5
6
7
8
models/minimax/video-01/
├── config.json
├── model_index.json
├── scheduler/
├── text_encoder/
├── tokenizer/
├── unet/
└── vae/

Step 4: 启动 ComfyUI

1
2
3
4
5
6
7
8
# 回到 ComfyUI 根目录
cd ~/Projects/ComfyUI

# 启动 ComfyUI（高显存模式）
python main.py --highvram

# 如果内存紧张，使用正常模式
python main.py

启动成功后，在浏览器打开：

1
http://127.0.0.1:8188

Step 5: 创建视频生成工作流

加载预设工作流

在 ComfyUI 界面点击 Load 按钮
找到 custom_nodes/ComfyUI-MiniMaxWrapper/workflows/text_to_video_basic.json
加载工作流

手动创建工作流（理解原理）

工作流节点结构：

1
2
3
4
5
6
7
graph LR
    A[Load MiniMax Model] --> B[MiniMax Text2Video]
    C[Prompt Text] --> B
    D[Negative Prompt] --> B
    B --> E[VAE Decode]
    E --> F[Video Combine]
    F --> G[Preview/Save]

在 ComfyUI 界面中：

右键 → Add Node → MiniMax → Load MiniMax Video Model
- model_path: models/minimax/video-01
右键 → Add Node → MiniMax → MiniMax Text to Video Sampler
- 连接 Model 输出到这个节点
- 配置参数（见下）
右键 → Add Node → VHS Video Formats → Video Combine
- 用于合成最终视频
- frame_rate: 8
- format: video/h264-mp4
连接节点

核心参数配置

在 MiniMax Text to Video Sampler 节点中：

参数	推荐值	说明
`prompt`	“一只可爱的橘猫在阳光下打盹”	正向提示词
`negative_prompt`	“模糊, 低质量, 变形”	负向提示词
`num_frames`	49	帧数（6秒 @ 8fps）
`width`	720	宽度
`height`	480	高度
`num_inference_steps`	50	推理步数
`guidance_scale`	7.5	CFG 强度
`seed`	-1	随机种子

Step 6: 生成第一个视频

在 Prompt 节点输入：一只可爱的柴犬在草地上奔跑，阳光明媚，电影级画质
在 Negative Prompt 输入：模糊，低质量，变形，静止不动
点击 Queue Prompt 按钮
观察进度条（右侧会显示当前步数）
等待生成完成（约 10-15 分钟）
在 output/ 目录查看生成的视频

实际体验与优化

我在 M5 Pro (48GB) 上的测试结果：

配置	生成时间	内存峰值	质量	备注
720x480, 49帧, 50步	~8 分钟	~26GB	⭐⭐⭐⭐⭐	推荐
720x480, 49帧, 25步	~4 分钟	~26GB	⭐⭐⭐⭐	快速预览
480x360, 25帧, 50步	~3 分钟	~20GB	⭐⭐⭐⭐	低配适用
1280x720, 49帧, 50步	~14 分钟	~32GB	⭐⭐⭐⭐⭐	高质量

M5 Pro 的优势：相比 M2 Max，生成速度快了约 25%，Metal 优化让 GPU 利用率更高。

提示词技巧：

✅ 有效的提示词：

1
一只橘猫在花园里追蝴蝶，镜头缓缓推进，电影级画质，4K

✅ 加入运动描述：

1
城市夜景，车流如梭，延时摄影，从左向右平移镜头

✅ 指定风格：

1
森林中的小溪，宫崎骏动画风格，水彩质感

❌ 避免的描述：

多个主体同时运动
复杂的场景切换
快速运动或特效

方案二：VideoPipe (VPIPE) 命令行方案（适合进阶）

为什么选 VideoPipe

如果你想：

完全通过脚本自动化生成
批量生成多个视频
集成到自己的项目中
更精细的参数控制

那么 VideoPipe 是更好的选择。

Step 1: 安装 VideoPipe

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
# 创建项目目录
mkdir -p ~/Projects/minimax-video
cd ~/Projects/minimax-video

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate

# 克隆官方仓库
git clone https://github.com/MiniMaxAI/VideoPipe.git
cd VideoPipe

# 安装依赖
pip install --upgrade pip
pip install torch torchvision torchaudio
pip install diffusers transformers accelerate
pip install -e .

验证安装：

1
python -c "import vpipe; print('VideoPipe installed successfully')"

Step 2: 下载模型（如果还没下载）

1
2
3
4
5
6
7
# 设置缓存目录
export HF_HOME=~/.cache/huggingface

# 下载模型
huggingface-cli download MiniMaxAI/MiniMax-Video-01 \
  --local-dir ~/.cache/huggingface/hub/minimax-video-01 \
  --local-dir-use-symlinks False

Step 3: 基础文生视频

创建测试脚本 text_to_video.py：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
#!/usr/bin/env python3
"""
MiniMax Video-01 文生视频示例
"""
import torch
from diffusers import DiffusionPipeline

# 加载模型
pipe = DiffusionPipeline.from_pretrained(
    "~/.cache/huggingface/hub/minimax-video-01",
    torch_dtype=torch.float16,
    variant="fp16"
)

# 启用内存优化
pipe.enable_model_cpu_offload()
pipe.enable_attention_slicing()

# 生成视频
prompt = "一只可爱的柴犬在草地上奔跑，阳光明媚，电影级画质"
negative_prompt = "模糊，低质量，变形，静止不动"

output = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    num_frames=49,          # 49 帧 = 6 秒 @ 8fps
    height=480,
    width=720,
    num_inference_steps=50,
    guidance_scale=7.5,
    generator=torch.manual_seed(42)
)

# 保存视频
output.frames[0].save("output_dog.mp4")
print("✅ 视频已保存到 output_dog.mp4")

运行生成：

1
python text_to_video.py

Step 4: 图生视频

创建 image_to_video.py：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
#!/usr/bin/env python3
"""
MiniMax Video-01 图生视频示例
"""
import torch
from PIL import Image
from diffusers import DiffusionPipeline

# 加载模型
pipe = DiffusionPipeline.from_pretrained(
    "~/.cache/huggingface/hub/minimax-video-01",
    torch_dtype=torch.float16,
    variant="fp16"
)

pipe.enable_model_cpu_offload()
pipe.enable_attention_slicing()

# 加载起始图片
init_image = Image.open("input.jpg")
init_image = init_image.resize((720, 480))

# 生成视频
prompt = "画面中的人物开始微笑并向镜头挥手"
output = pipe(
    prompt=prompt,
    image=init_image,       # 提供起始帧
    strength=0.75,          # 0-1，越高变化越大
    num_frames=49,
    num_inference_steps=50,
    guidance_scale=7.5,
    generator=torch.manual_seed(100)
)

# 保存
output.frames[0].save("output_animate.mp4")
print("✅ 视频已保存到 output_animate.mp4")

Step 5: 批量生成脚本

创建 batch_generate.py：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
#!/usr/bin/env python3
"""
批量生成多个视频
"""
import torch
from diffusers import DiffusionPipeline
from pathlib import Path
import time

# 加载模型
print("🔄 加载模型...")
pipe = DiffusionPipeline.from_pretrained(
    "~/.cache/huggingface/hub/minimax-video-01",
    torch_dtype=torch.float16,
    variant="fp16"
)

pipe.enable_model_cpu_offload()
pipe.enable_attention_slicing()

# 提示词列表
prompts = [
    "海浪拍打着沙滩，夕阳西下，金色的余晖",
    "城市夜景，车流如梭，延时摄影，霓虹灯闪烁",
    "森林中的小溪潺潺流水，阳光透过树叶洒下",
    "咖啡杯中热气腾腾，咖啡豆散落在木桌面上",
    "宇航员在月球表面漫步，地球在背景中升起"
]

# 创建输出目录
output_dir = Path("batch_outputs")
output_dir.mkdir(exist_ok=True)

# 批量生成
for i, prompt in enumerate(prompts, 1):
    print(f"\n🎬 正在生成 [{i}/{len(prompts)}]: {prompt}")
    start_time = time.time()
    
    output = pipe(
        prompt=prompt,
        negative_prompt="模糊，低质量，静止",
        num_frames=25,  # 减少帧数加快生成
        height=480,
        width=720,
        num_inference_steps=25,  # 减少步数加快生成
        guidance_scale=7.5,
        generator=torch.manual_seed(i * 100)
    )
    
    output_path = output_dir / f"video_{i:03d}.mp4"
    output.frames[0].save(str(output_path))
    
    elapsed = time.time() - start_time
    print(f"✅ 已保存: {output_path} (耗时: {elapsed/60:.1f} 分钟)")

print(f"\n🎉 批量生成完成！共 {len(prompts)} 个视频")

运行批量生成：

1
python batch_generate.py

Step 6: 高级参数控制

创建 advanced_config.py：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
#!/usr/bin/env python3
"""
高级参数配置示例
"""
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

# 加载模型
pipe = DiffusionPipeline.from_pretrained(
    "~/.cache/huggingface/hub/minimax-video-01",
    torch_dtype=torch.float16,
    variant="fp16"
)

# 更换调度器（可选，影响生成质量和速度）
pipe.scheduler = DPMSolverMultistepScheduler.from_config(
    pipe.scheduler.config
)

pipe.enable_model_cpu_offload()
pipe.enable_attention_slicing()

# 高级配置
prompt = "一个魔法师施展火焰魔法，火焰在空中旋转形成龙的形状"
negative_prompt = "静止，模糊，低质量，人物变形，画面破碎"

output = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    
    # 视频参数
    num_frames=49,      # 总帧数
    height=480,         # 高度
    width=720,          # 宽度
    
    # 生成参数
    num_inference_steps=50,    # 推理步数（质量）
    guidance_scale=9.0,        # CFG 强度（越高越严格）
    
    # 随机性控制
    generator=torch.manual_seed(42),
    
    # 回调函数（监控进度）
    callback_on_step_end=lambda pipe, i, t, callback_kwargs: 
        print(f"Step {i}/{pipe.num_timesteps}") or callback_kwargs
)

output.frames[0].save("output_advanced.mp4")
print("✅ 高级配置视频已生成")

实际体验

VideoPipe 在 M5 Pro (48GB) 上的表现：

方案	生成时间	内存峰值	灵活性	备注
ComfyUI	~8 分钟	26GB	⭐⭐⭐⭐	可视化友好
VideoPipe	~9 分钟	24GB	⭐⭐⭐⭐⭐	更多控制

VideoPipe 稍慢一点，但内存占用更低，提供了更多控制选项。

M5 Pro 提示：新架构对 Python 推理优化很好，VideoPipe 的性能提升比 ComfyUI 更明显。

两种方案对比

维度	ComfyUI	VideoPipe
易用性	⭐⭐⭐⭐⭐	⭐⭐⭐
灵活性	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
性能	⭐⭐⭐⭐⭐	⭐⭐⭐⭐
学习曲线	低	中等
适合人群	新手、设计师	开发者、研究者
批量处理	需手动	脚本自动化
可视化	实时预览	无
集成能力	插件生态	Python API

我的建议：

想快速上手、可视化 → ComfyUI
想深入研究、自动化 → VideoPipe
实际使用中可以两者结合

实用技巧与优化

1. 加速模型下载

1
2
3
4
5
6
7
8
# 使用国内镜像
export HF_ENDPOINT=https://hf-mirror.com

# 或者使用代理
export ALL_PROXY=http://127.0.0.1:7890

# 断点续传
huggingface-cli download MiniMaxAI/MiniMax-Video-01 --resume-download

2. 内存优化

如果内存不够：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
# 启用 CPU 卸载
pipe.enable_model_cpu_offload()

# 启用注意力切片（减少显存）
pipe.enable_attention_slicing()

# 启用 VAE 切片
pipe.enable_vae_slicing()

# 减少帧数和分辨率
num_frames=25  # 从 49 减到 25
height=360     # 从 480 减到 360
width=540      # 从 720 减到 540

3. 提升生成质量

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
# 增加推理步数
num_inference_steps=100  # 从 50 增加到 100

# 提高 CFG 强度
guidance_scale=9.0  # 从 7.5 提高到 9.0

# 使用更好的调度器
from diffusers import DPMSolverMultistepScheduler
pipe.scheduler = DPMSolverMultistepScheduler.from_config(
    pipe.scheduler.config
)

4. 监控资源使用

1
2
3
4
5
6
7
8
9
# 1. Activity Monitor（活动监视器）
open -a "Activity Monitor"

# 2. htop
brew install htop
htop

# 3. 实时内存监控
watch -n 1 'ps aux | grep python | grep -v grep'

5. 常见问题排查

问题：内存不足崩溃

1
2
3
4
5
6
7
8
9
# 解决方案 1：启用所有内存优化
pipe.enable_model_cpu_offload()
pipe.enable_attention_slicing()
pipe.enable_vae_slicing()

# 解决方案 2：减小生成尺寸
height=360
width=540
num_frames=25

问题：生成速度慢

1
2
3
4
5
# 减少推理步数（牺牲一点质量）
num_inference_steps=25  # 从 50 减少

# 减少帧数
num_frames=25  # 从 49 减少

问题：生成结果不理想

1
2
3
# 调整参数组合
guidance_scale=8.5     # CFG 强度
num_inference_steps=75  # 推理步数

进阶玩法

1. 视频插帧

使用 RIFE 对生成的视频进行插帧，提升流畅度：

1
2
3
4
5
# 安装 RIFE
pip install rife-ncnn-vulkan

# 插帧到 60fps
rife-ncnn-vulkan -i output.mp4 -o output_60fps.mp4 -n 60

2. 视频后处理

使用 FFmpeg 优化视频：

1
2
3
4
5
6
7
8
# 提升质量
ffmpeg -i output.mp4 -c:v libx264 -crf 18 -preset slow output_hq.mp4

# 添加音乐
ffmpeg -i output.mp4 -i music.mp3 -c:v copy -c:a aac output_with_audio.mp4

# 循环播放
ffmpeg -stream_loop 3 -i output.mp4 -c copy output_loop.mp4

3. 批量风格转换

创建不同风格的同一场景：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
# style_transfer.py
styles = [
    "电影级画质，35mm胶片",
    "宫崎骏动画风格",
    "赛博朋克风格，霓虹灯",
    "水彩画风格，梦幻",
    "黑白电影，高对比度"
]

base_prompt = "一只猫坐在窗台上看雨"

for i, style in enumerate(styles):
    full_prompt = f"{base_prompt}, {style}"
    # 生成视频...

4. 自动化工作流

创建监控目录，自动生成视频：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
# auto_generate.py
import time
from pathlib import Path
from watchdog.observers import Observer
from watchdog.events import FileSystemEventHandler

class PromptHandler(FileSystemEventHandler):
    def on_created(self, event):
        if event.src_path.endswith('.txt'):
            with open(event.src_path, 'r') as f:
                prompt = f.read()
            # 自动生成视频
            generate_video(prompt)

# 监控 prompts/ 目录
observer = Observer()
observer.schedule(PromptHandler(), "prompts/", recursive=False)
observer.start()

总结

折腾了三天，总结几点心得：

✅ 成功经验

M5 Pro 很给力：48GB 内存跑起来很舒服，比上一代快 25%
ComfyUI 适合快速预览：可视化界面便于调参
VideoPipe 适合批量生成：脚本化效率更高
提示词是关键：描述越具体，效果越好
耐心很重要：每个视频 8-15 分钟是常态

⚠️ 注意事项

内存占用大：至少预留 26GB 以上
生成时间长：比图像生成慢 10 倍以上
质量不稳定：有时需要多次尝试
场景限制：复杂运动和多主体效果不佳
功耗适中：M5 Pro 发热控制比上代好很多

🎯 适合场景

✅ 短视频素材生成
✅ 创意原型快速验证
✅ 学习视频生成原理
✅ 个人作品创作
❌ 商业级长视频制作
❌ 实时视频生成

📈 后续计划

尝试 LoRA 微调
探索视频风格迁移
接入到视频剪辑工作流
研究多镜头拼接

参考资源

官方资源

社区资源

实用工具

FFmpeg - 视频处理
RIFE - 视频插帧
Real-ESRGAN - 视频超分

后记

从一个技术爱好者的角度，本地部署视频生成模型比我想象的更有挑战性。不仅要折腾环境配置，还要反复调参才能得到满意的结果。

但看到第一个视频在自己电脑上生成出来的那一刻，所有的等待都是值得的。

这份教程记录了我完整的折腾过程，包括踩过的坑和解决方案。希望能帮助到同样想要本地运行 MiniMax Video-01 的朋友。

最后建议：

第一次尝试先用 ComfyUI，熟悉基本流程
再深入 VideoPipe 研究细节
耐心是最重要的品质

Happy creating! 🎬

背景：为什么要本地部署视频生成模型#

我的测试环境#

关于 MiniMax Video-01 (hailuo)#

方案一：ComfyUI 可视化方案（推荐新手）#

为什么选 ComfyUI#

Step 1: 安装 ComfyUI#

Step 2: 安装 MiniMax Video-01 节点#

Step 3: 下载模型权重#

Step 4: 启动 ComfyUI#

Step 5: 创建视频生成工作流#

加载预设工作流#

手动创建工作流（理解原理）#

核心参数配置#

Step 6: 生成第一个视频#

实际体验与优化#

方案二：VideoPipe (VPIPE) 命令行方案（适合进阶）#

为什么选 VideoPipe#

Step 1: 安装 VideoPipe#

Step 2: 下载模型（如果还没下载）#

Step 3: 基础文生视频#

Step 4: 图生视频#

Step 5: 批量生成脚本#

Step 6: 高级参数控制#

实际体验#

两种方案对比#

实用技巧与优化#

1. 加速模型下载#

2. 内存优化#

3. 提升生成质量#

4. 监控资源使用#

5. 常见问题排查#

问题：内存不足崩溃#

问题：生成速度慢#

问题：生成结果不理想#

进阶玩法#

1. 视频插帧#

2. 视频后处理#

3. 批量风格转换#

4. 自动化工作流#

总结#

✅ 成功经验#

⚠️ 注意事项#

🎯 适合场景#

📈 后续计划#

参考资源#

官方资源#

社区资源#

实用工具#

后记#

📚 相关文章