# 影片筆記：【免费】M5 Pro 64GB本地AI全能实测！一台电脑全部搞定


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
- 待修正：部分時間軸可能不精確（unit 119: 6 chars owns 11.040s (max 8.000s)）
- 待修正：逐字稿可先使用，但有待校正清單（segment=7 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=8 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

## 一句話總結
影片針對 MacBook Pro M5 Pro (64GB) 進行五維度本地 AI 能力實測，涵蓋 LLM 文字處理、TTS 語音合成、圖片生成、視頻生成及視覺理解，結論認為該硬體在小參數模型部署上具備速度與噪音控制優勢，但在複雜場景理解與一致性上仍有邊界。

## 核心重點
*   **硬體優勢**：MacBook Pro M5 Pro 在本地 AI 部署中，噪音控制表現「驚艷」，適合家庭小空間使用；內存帶寬與速度優勢明顯。
*   **LLM 文字處理**：GAM4 系列與 Queen 3.6 系列模型推理速度可用，但本地模型在邊界內容生成上較易出錯，且存在生成誤判內容的風險。
*   **TTS 語音合成**：支援 MLX/METAL 加速的架構速度快但無聲音克隆功能；使用原版模型進行聲音克隆效果極佳（聽不出區別），但速度較慢。
*   **圖片生成**：Fluzy1 模型生成風景與人像效果尚可，但真人克隆成功率約六成，存在手部多指等幻覺問題，且人脸一致性基本不可用。
*   **視頻生成**：對比蒸餾模式與兩階段模式，後者速度極慢但細節較好；模型傾向於在風景中加入人物，且在身份保持與動作理解上存在缺陷。
*   **視覺理解**：Vision 7B 模型在代碼、圖表識別上表現準確，但在複雜場景識別上仍有誤判。

## 詳細大綱

### I. 測試背景與硬體環境
*   **測試對象**：MacBook Pro M5 Pro。
*   **測試目的**：釐清 MacBook 在本地 AI 部署的優勢與能力邊界。
*   **硬體優勢分析**：
    *   價格、推理速度、減存使用。
    *   內存（疑點：原文為「內昏」）、帶寬、記憶體（疑點：原文為「美麗」）。
    *   噪音控制：MacBook Pro 噪音控制被評價為「確實驚艷」，適合家庭小空間使用。
*   **參考資源**：作者官網及公眾號有詳細數據文章。

### II. 維度一：LLM 文字處理能力
*   **使用模型**：
    *   GAM4 系列（含 E4B 模型）。
    *   Queen 3.6 系列（含 35B MOE 模型，疑點：原文為「千萬三」）。
*   **性能觀察**：
    *   推理速度可用，特別是 GAM4 的 E4B 模型與 35B MOE 模型。
    *   E4B 雖為稀疏結構（疑點：原文為「重蜜結構」），但每次激活參數約 4B，故速度仍快。
    *   GAMMA 模型（疑點：原文為「GAM4」或「GAMMA」）的圖形夜能力（疑點：語意不明，可能指圖形渲染或特定能力）比 Queen 3.6 高。
*   **邊界測試（BrokerJag）**：
    *   測試生成易造成誤判或踩在邊界上的內容。
    *   本地生成比在線模型更容易生成此類內容。
    *   使用 Cloud 生成測試題目，進行全自動測試。
*   **任務表現**：
    *   能完成預定效果：分數計算、函數數學題、寫代碼、修復 Bug、真假話推理、解釋話語、執行能力判斷。
    *   詳細答案將整理至模型測試頁面。

### III. 維度二：TTS 語音合成能力
*   **架構對比**：
    1.  **原生支持 MLX/METAL 加速架構**：
        *   速度較快。
        *   無聲音克隆功能，僅支援文字描述聲音（Voice Design）。
        *   使用原版「千萬三」Base 模型（疑點：指代不明）。
    2.  **原生格式（不支持 METAL 加速）**：
        *   速度稍慢。
        *   支援聲音克隆。
*   **速度發現**：
    *   直接使用 Voice Design（描述生成音頻）的速度反而比聲音克隆慢，原因可能是處理架構差異。
*   **技術細節與 Bug**：
    *   截取參考參數需匹配，若內容過多或兩者不匹配，會生成亂碼或真人錄音。
*   **克隆效果測試**：
    *   測試音頻內容：「裝算赤，副算黑」（疑點：語意不明，可能為音譯或特定測試詞）。
    *   結果：克隆聲音「簡直是一家論真」（疑點：應為「一傢俱真」或「極度逼真」之聽誤），聽不出區別。
    *   結論：TTS 語音合成功能相當強大。

### IV. 維度三：圖片生成能力
*   **使用模型**：Fluzy1 的 DVE 模型（疑點：可能指 Flux 或其他模型）。
*   **生成方式**：
    1.  直接生成圖片。
    2.  使用 Laura（疑點：應為 LoRA）進行訓練/生成。
*   **速度分析**：
    *   風景圖片生成最慢（需冷啟動、注入參數）。
    *   穩定後，1024x1024 分辨率圖片生成時間約 71 分到 11 分（疑點：時間單位或數值可能有誤，或指不同場景）。
    *   使用 Laura 進行真人圖片克隆，速度與上述相近。
*   **生成結果評估**：
    *   **風景**：細節不錯，賽博朋克風格、專業商務人像、抽象液態金屬、產品設計光影效果良好。
    *   **人像克隆**：
        *   訓練數據：60 多張照片，多角度、場景、服裝。
        *   觸發詞：使用生僻詞觸發人像。
        *   參數：Scale 等 1.0。
        *   效果：能捕捉細節（如送眉習慣），但存在幻覺問題（手出現多個、胸口提示詞伸透出來）。
        *   成功率：約六成可用，四成需刪除。
        *   結論：成功率可用，但需抽卡，人脸一致性基本不可用。

### V. 維度四：視頻生成能力
*   **模型**：LTX 模型（疑點：可能指 Luma 或其他）。
*   **模式對比**：
    1.  **蒸餾模式**：速度快。
    2.  **2C 兩階段模式**：速度慢，速度相差約 45 倍。
*   **測試案例與結果**：
    *   **城市街道**：
        *   蒸餾版：生成室內景（車庫、白色人物），與提示偏離。
        *   兩階段版：街道提升，有人群與建築物，但時間理解有誤（夜間警官？）。
    *   **科技實驗室**：
        *   蒸餾版：聲唱令利母女人（疑點：語意不明，可能指人物要素缺失），手、鍵盤、燈光等要素未體現。
        *   兩階段版：生成類似科技人員，像保安或快遞，有手臂與屏幕，接近描述，但核心動作與感覺缺失。
    *   **模型傾向**：fts 模型（疑點：指代 LTX 或特定模型）傾向於在純風景或建築物中加入人物。
    *   **解決方案**：使用無聲視頻方式給圖片讓其發揮，效果較好。
*   **圖片說話測試**：
    *   測試對象：隨機圖庫中的狗（誤將人識別為狗）。
    *   結果：狗勉強動嘴，若為真人則幾秒後變形。
    *   兩階段版本動作更活躍，臉部雀斑與表情較像真人，效果不錯。
*   **綜合評價**：
    *   速度相對慢。
    *   T14 理解（疑點：指 Time 或特定理解能力）稍顯差。
    *   身份保持不行。
    *   建議：使用視頻中的步驟或原型展示，直接生成效果差。

### VI. 維度五：世界理解（視覺理解）
*   **使用模型**：Vision 7B 一般模型（帶 V）。
*   **測試內容**：
    1.  代碼識別。
    2.  圖表識別。
    3.  界面識別（模擬計算機編程界面）。
    4.  圖片識別（哈布狗，疑點：哈士奇）。
*   **識別結果**：
    *   **誤判案例**：本應識別人，卻輸出只有一隻哈布狗；雙圖對比時，將天鵝與安風景誤判為與咖啡館有關。
    *   **準確案例**：
        *   描述場景、主體、大樓、毛树人物（疑點：可能指具體人物特徵）。
        *   識別出只有一隻哈布狗。
        *   分析圖表：給出具體年月日、最高值、平均值等統計數字。
        *   代碼理解：理解貝波那奇數列（疑點：斐波那契數列）、數東西、數彩的花椒（疑點：語意不明）。
        *   分析相同點與不同點：包括哈維胡（疑點：語意不明）。
*   **結論**：
    *   實時對話非常可用，流暢且準確。
    *   視覺理解很棒，能準確識別數字與圖柄（疑點：圖表）。
    *   外界問題不大。

### VII. 綜合評價與結論
*   **硬體優勢**：MacBook Pro M5 64G 配置下，小而快的模型較有價值。
*   **能力總結**：
    *   聲音克隆：完美。
    *   圖像生成：速度稍慢，克隆震靈（疑點：指克隆效果）提升，但視覺模型差距大，只能生成基本內容，人脸一致性不可用。
    *   視頻生成：速度與理解力有待提升。
*   **未來展望**：相信隨著蘋果架構與相關配置環境的完善，本地 AI 能力會迅速提升。

## 工具 / 模型 / 名詞整理
*   **硬體**：MacBook Pro M5 Pro, M5 64G 配置。
*   **模型/技術名稱**：
    *   LLM 相關：GAM4, E4B, Queen 3.6, 35B MOE, GAMMA, 千萬三（疑點：可能指 Qwen 或其他模型）, Base 模型。
    *   語音相關：MLX, METAL, Voice Design, TTS。
    *   圖像相關：Fluzy1, DVE, Laura（疑點：LoRA）, Scale 1.0。
    *   視頻相關：LTX 模型, 蒸餾模式, 2C 兩階段模式, fts 模型（疑點：指代不明）。
    *   視覺相關：Vision 7B。
*   **其他術語**：LLM, LLM 的文字處理, TTS 語音合成, 聲音克隆, 邊界測試 (BrokerJag), 冷啟動, 觸發詞, 幻覺, 實時對話。

## 操作流程整理
1.  **LLM 測試流程**：
    *   選擇 GAM4 或 Queen 3.6 模型。
    *   進行邊界測試（BrokerJag），使用 Cloud 生成測試題目。
    *   執行分數計算、函數數學題、寫代碼、修復 Bug、真假話推理等任務。
2.  **TTS 測試流程**：
    *   對比 MLX/METAL 加速架構與原生格式。
    *   測試 Voice Design（文字描述聲音）與聲音克隆的速度與效果。
    *   檢查參數匹配，避免生成亂碼。
3.  **圖片生成流程**：
    *   使用 Fluzy1 模型直接生成或使用 Laura 訓練。
    *   進行風景與人像克隆測試（60+ 張照片訓練）。
    *   設定觸發詞與 Scale 參數，評估生成結果的成功率與幻覺問題。
4.  **視頻生成流程**：
    *   對比蒸餾模式與 2C 兩階段模式的速度與細節。
    *   測試城市街道、科技實驗室等場景。
    *   進行圖片說話測試，觀察動作活躍度與臉部細節。
5.  **視覺理解流程**：
    *   使用 Vision 7B 模型進行代碼、圖表、界面及圖片識別。
    *   評估誤判案例與準確案例，確認實時對話的流暢度與準確性。

## 值得注意的限制或風險
*   **LLM 邊界風險**：本地模型在生成邊界內容時較易出錯，可能生成誤判內容。
*   **TTS 速度與功能取捨**：快速架構無聲音克隆功能；高品質克隆速度慢。
*   **圖片生成一致性**：真人克隆成功率僅約六成，人脸一致性基本不可用，存在手部多指等幻覺。
*   **視頻生成效率與理解**：高質量模式速度極慢（相差 45 倍），且存在身份保持與動作理解缺陷，模型傾向於在風景中加入人物。
*   **視覺理解誤判**：在複雜場景識別上仍有誤判，如將人誤認為動物或誤判場景關聯。

## 逐字稿辨識疑點
*   **segment 7: unnatural_sentence_boundary** — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
*   **segment 8: unnatural_sentence_boundary** — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
*   **segment 10: unnatural_sentence_boundary** — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
*   **segment 11: unnatural_sentence_boundary** — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
*   **內昏**：原文提及「包括內昏」，疑為「內存」之聽誤。
*   **美麗**：原文提及「帶寬、美麗進行了分析」，疑為「記憶體」或「顯存」之聽誤。
*   **噪音/分貝**：原文「這個噪音其實挺重要的...這個分貝的噪音其實挺繁人的」，語意稍顯重複或口誤。
*   **GAM4 / GAMMA**：原文交替使用「GAM4」與「GAMMA」，疑為同一模型名稱之聽寫不一致。
*   **千萬三 / Queen 3.6**：原文提及「兩個 Queen 3.6... 尤其是... 千萬三的 35B MOE 模型」，「千萬三」疑為特定模型名稱之聽誤（可能指 Qwen 系列）。
*   **重蜜結構**：原文「也就是重蜜結構的模型」，疑為「稀疏結構」或「混合專家結構」之聽誤。
*   **圖形的夜能力**：原文「GAMMA 模型它的圖形的夜能力」，語意不明，疑為聽誤。
*   **BrokerJag**：原文「所謂的月域能力，也就是 BrokerJag 的能力」，疑為特定測試名稱或聽誤。
*   **裝算赤，副算黑**：原文測試音頻內容，疑為音譯詞或特定測試語句。
*   **一家論真**：原文「這個克隆的聲音簡直是一家論真」，疑為「一傢俱真」或「極度逼真」之聽誤。
*   **Fluzy1**：原文「Fluzy1 的 DVE 的模型」，疑為特定模型名稱之聽誤。
*   **Laura**：原文「使用 Laura」，在 AI 繪圖語境下通常指「LoRA」，但依規則保留原文。
*   **71 分到 11 分**：原文「每一幅的圖片大概是用到的 71 分到 11 分」，時間單位或數值邏輯存疑。
*   **送眉**：原文「是我本人可能有這個送眉的習慣」，疑為「濃眉」或特定詞彙之聽誤。
*   **伸透出來**：原文「胸口... 就伸透出來了」，疑為「顯現出來」或「穿透出來」之聽誤。
*   **抽抽卡**：原文「可能稍微抽抽卡」，疑為「抽卡」之口誤。
*   **蒸油版**：原文「城市街道這個是蒸油版生成的」，疑為「蒸餾版」之聽誤。
*   **夜間警官**：原文「但是這是夜間警官」，疑為「夜間場景」或特定詞彙之聽誤。
*   **聲唱令利母女人**：原文「這個聲唱令利母女人剩下完全的要素」，語意不明，疑為聽誤。
*   **fts 模型**：原文「fts 模型對於生成純風景...」，疑為特定模型縮寫或聽誤。
*   **哈布狗 / 哈維胡**：原文多次出現「