AI 工具與方案 / 資料更新至 2026 年 11 月
一台電腦、不連網路,能不能從寫程式、聽會議錄音,一路做到寫歌、生圖、把照片變成影片?最近一支本地 AI 實作影片就示範了這件事,而且用的全是可以下載回家的模型。
我們把影片裡出現的 8 組模型與工具逐一查證,整理成這份清單:每一項是做什麼的、在 Hugging Face 或官方網站的正確名稱、檔案多大、要什麼等級的硬體、授權能不能商用。想自己搭一套本地 AI 工作站,可以從這裡開始評估。
30 秒看重點
8 組工具
從大腦、代理人到語音、音樂、圖像與影片,一條龍都在自己的電腦上跑。
約 78 GB
千問 122B 載入後佔用的記憶體,整套系統的硬體門檻就卡在它。
約 330 GB
全部模型檔加起來的硬碟空間(估算),建議準備 1 TB 以上的 SSD。
5 秒
LTX-2.5 參考一張照片,就能生成一段 5 秒、連聲音一起產生的動態影片。
6 組免費商用
千問、Hermes 與 Ollama、Breeze、ACE-Step、千問 Image 與 Edit 都是 MIT 或 Apache 2.0。
資料:各模型 Hugging Face 頁面、官方公告與社群整理,詳見文末資料來源。大小標「估算」者依官方需求或參數量推算。
01先看分工:一個大腦,配六種專長
這套組合的思路很像一間小工作室:一個會思考、會寫程式的總指揮,加上幾位各有專長的助手。依影片中的分工,流程是這樣:
Hermes 接下任務
透過 Ollama 在本機叫用大語言模型,負責對話、記憶與任務排程
千問 122B 拆解與轉譯
把需求拆成步驟、寫程式,並把中文想法改寫成生圖、生影片用的提示詞
Breeze 聽懂台灣口音
把影片或會議錄音轉成逐字稿,中英夾雜也聽得懂
ACE-Step 寫歌
輸入風格描述與歌詞,一次生成含旋律、編曲與人聲的完整歌曲
千問 Image 生圖與修圖
一個從零生成圖片,一個只改局部,例如保留主體、換背景與光線
LTX-2.5 讓照片動起來
參考一張靜態照片,生成 5 秒的動態影片
ComfyUI 與 Photoshop 收尾
在 NVIDIA 顯示卡上跑生圖、生影片流程,並用本機 AI 消除照片裡的路人
為什麼要「本地」
資料不離開自己的電腦、沒有按次計費、不怕服務改版或下架。代價是要自己準備硬體、自己維護,下面每一節都會把硬體門檻寫清楚。
02大腦與代理人:千問 122B、Hermes、Ollama
影片中的核心是千問 122B,正式名稱是 Qwen3.5-122B-A10B。它是混合專家架構:總共 1,220 億參數,但每處理一個字只動用其中約 100 億,所以速度比同等大小的模型快得多。
| 模型/工具(用途/ID/授權) | 大小與硬體 |
|---|---|
| Qwen3.5-122B-A10B(千問 122B) 阿里巴巴,2026 年 2 月發布。能讀圖、原生 262K 上下文,負責任務拆解、寫程式與提示詞轉換。 ID:Qwen/Qwen3.5-122B-A10B Ollama:qwen3.5:122b 授權:Apache 2.0 | Q4 約 81 GB 載入約 78 GB 原檔 244 GB |
| Hermes Agent Nous Research 的開源 AI 代理人:會自己累積技能、跨對話記憶,可接 Telegram、Discord 等通訊軟體。影片中當作任務調度介面。 GitHub:NousResearch/hermes-agent 授權:MIT | 軟體很小 |
| Ollama 在自己電腦上執行大語言模型的工具,提供和 OpenAI 相容的本機 API,Hermes 透過它呼叫千問。 官網:ollama.com 授權:MIT | Win/Mac Linux |
資料:Hugging Face 模型頁、Ollama 模型庫與各專案官方文件(2026 年 11 月查詢)。81 GB 為 Ollama 預設的 Q4_K_M 量化版。
1,220 億參數為什麼只要 78 GB
原始 BF16 權重約 244 GB,Ollama 預設下載的是 4 位元量化版,大小剩三分之一左右。代價是些微的品質損失,換來一般工作站也放得下。
安裝 Ollama 之後,下面兩行就能把大腦和代理人裝好。網站有防複製,請按右上角的按鈕複製:
記憶體要留餘裕
模型 78 GB 之外,還要留空間給對話內容(上下文)。社群建議至少 96 GB 顯示記憶體,或 128 GB 統一記憶體的機器,例如 DGX Spark、Ryzen AI Max+ 395 筆電與迷你主機。
代理人要長上下文
Hermes 的記憶與技能很吃上下文。台灣使用者實測,Ollama 預設的 4K 上下文會讓代理人「變笨」,要另外調大。
03耳朵與嗓子:Breeze 語音辨識、ACE-Step 作曲
| 模型/工具(用途/ID/授權) | 大小與硬體 |
|---|---|
| Breeze-ASR-25(聯發科 Breeze) 聯發創新基地以 Whisper large-v2 微調,專攻台灣華語與中英夾雜。官方數據:台灣華語錯字率比原版降低 19%,中英切換降低約 56%,時間軸也更準,適合做字幕。 ID:MediaTek-Research/Breeze-ASR-25 授權:Apache 2.0 | 約 3 GB (估算) |
| ACE-Step 1.5 XL StepFun 與 ACE Studio 開發的作曲模型。40 億參數的 XL 版,一次生成含人聲的完整歌曲,支援中、英、日、韓等 50 種以上語言的歌詞,最長可到 10 分鐘。分成 base、sft、turbo 三版,turbo 只要 8 步最快。 ID:ACE-Step/acestep-v15-xl-turbo ID:ACE-Step/acestep-v15-xl-sft GitHub:ace-step/ACE-Step-1.5 授權:MIT | 約 18.8 GB 顯示記憶體 20 GB 免卸載 |
資料:Hugging Face 模型頁、ComfyUI 官方部落格。ACE-Step XL 在 12 GB 顯示卡上也能跑,但要搭配 CPU 卸載與 INT8 量化。
生成的歌能商用嗎
ACE-Step 官方表示訓練資料來自授權音樂、免版稅與公有領域素材,以及合成資料,生成的音樂可以商用。不過歌詞、旋律若刻意模仿特定歌手或作品,仍可能有侵權疑慮,發布前要自己把關。
04眼睛與畫筆:千問 Image、Image Edit、LTX-2.5
| 模型/工具(用途/ID/授權) | 大小與硬體 |
|---|---|
| Qwen-Image-2512(千問 Image) 阿里巴巴 200 億參數的生圖模型,2025 年 12 月更新版,人像更寫實、圖中文字更準。原始版本是 2025 年 8 月的 Qwen/Qwen-Image。 ID:Qwen/Qwen-Image-2512 授權:Apache 2.0 | 約 58 GB 含文字 編碼器 |
| Qwen-Image-Edit-2511(千問 Image Edit) 以千問 Image 為基礎的修圖模型:用一句話指定要改哪裡,例如保留人物不變、只換背景與光線。2511 版加強了多人合照的人物一致性。 ID:Qwen/Qwen-Image-Edit-2511 授權:Apache 2.0 | 約 58 GB (估算) |
| LTX-2.5 LTX(Lightricks 分拆公司)2026 年 8 月 11 日發布,220 億參數,畫面與聲音一次生成。ComfyUI 內建「圖生影片」範本,參考一張照片就能做出短片。需要先在模型頁同意條款。 ID:Lightricks/LTX-2.5 授權:LTX-2.x 社群授權 (年營收 1,000 萬美元以下免費) | 硬碟 100 GB 顯示記憶體 建議 32 GB |
資料:Hugging Face 模型頁、LTX 官方部落格與系統需求。LTX-2.5 量化版官方標示最低 16 GB,但完整流程官方建議 32 GB 以上。
生圖和修圖要分開裝
千問 Image 負責「從零畫一張」,Image Edit 負責「改一張現成的」,兩個是不同模型,各自佔約 58 GB。只想修照片的話,裝 Edit 就好。
05收尾工具:ComfyUI 與 Photoshop
| 模型/工具(用途/ID/授權) | 大小與硬體 |
|---|---|
| ComfyUI 節點式的生成工作流介面,上面三個圖像與影片模型都在這裡串起來執行。搭配 NVIDIA 顯示卡的 CUDA 加速最穩定,也支援 AMD 與 Apple Silicon。 GitHub:Comfy-Org/ComfyUI 授權:GPL-3.0 | 軟體免費 |
| Adobe Photoshop 移除工具(本機模式) Photoshop 27.7(2026 年 5 月)起,移除工具可下載約 5 GB 的生成式模型在本機執行,不用上傳雲端、也不扣生成點數。影片中用它消除照片裡的路人。 官方:Adobe 硬體需求說明 授權:商業軟體(需訂閱) | 模型約 5 GB RTX 30 以上 顯示記憶體 14 GB |
資料:ComfyUI GitHub、Adobe 官方說明與社群公告。Mac 版本機模式需 M1 Max 以上、24 GB 記憶體與 macOS Tahoe。
Photoshop 選項是灰的
移除工具的「裝置」選項如果無法點選,代表電腦沒有通過硬體檢查。社群回報部分 16 GB 的新顯示卡也會遇到,通常要更新顯示卡驅動或等 Photoshop 更新。
06硬體怎麼配:先看最大的那一個
每個模型要多少硬碟空間?
單位 GB,長條以 LTX-2.5 為基準,含估算值
LTX-2.5(含文字編碼器等元件)
千問 122B(Q4 量化)
千問 Image 2512
千問 Image Edit 2511(估算)
ACE-Step 1.5 XL
Photoshop 本機移除模型
Breeze-ASR-25(估算)
※ 合計約 330 GB。模型多半是用到才載入,不必同時塞進記憶體;硬體門檻由最大的千問 122B 決定。
| 你的電腦 | 建議怎麼做 |
|---|---|
| 16 GB 顯示卡 例如 RTX 4060 Ti 16GB | 千問改用 35B 或更小的版本;Breeze 與 ACE-Step(卸載模式)沒問題;生圖用量化版 |
| 24 至 32 GB 顯示卡 例如 RTX 4090、5090 | 除了千問 122B 以外,整套圖像、音樂、影片流程都跑得動 |
| 96 GB 以上 顯示記憶體,或 128 GB 統一記憶體 | 才能像影片一樣,把千問 122B 整個載入當大腦 |
資料:各模型官方需求與社群實測整理。實際速度依顯示卡、量化版本與設定而定。
圖像、音樂與影片模型可以用上一篇的 hf2disk.sh 一次備份到外接硬碟(LTX-2.5 檔案很多,建議直接用 ComfyUI 範本的「下載全部」):
但,本地 AI 不是免費的午餐
影片看起來很順,真正自己搭之前,先想清楚這幾件事:
硬體是最大的成本
能載入千問 122B 的機器,要 96 GB 以上的顯示或統一記憶體,價格遠高於一般電腦。如果只是偶爾用,雲端服務按次付費反而便宜;本地的優勢在大量、長期、資料不能外流的工作。
授權不是都一樣
LTX-2.5 年營收超過 1,000 萬美元要另談授權,Photoshop 要訂閱,ComfyUI 的 GPL 只管軟體本身。用在公司產品前,逐一確認。
要自己當 IT
驅動版本、CUDA、模型更新、上下文設定都要自己顧。台灣網友實測 Hermes 接 Ollama,就花了好幾個小時排查設定。
品質還有差距
本地模型進步很快,但在長影片、複雜推理上,最強的雲端服務仍領先。把本地當主力、雲端當補位,是比較務實的配置。
本地 AI 的價值不在省錢,而在於資料留在自己手上、流程由自己決定。
——Tr. Bug
現在就可以做的三件事
先裝 Ollama
用 35B 或更小的千問試跑,感受本地模型的速度與品質。
再試 Breeze
拿一段自己的會議錄音轉逐字稿,最能體會本地 AI 的實用價值。
最後上 ComfyUI
有 24 GB 以上顯示卡,再開始玩生圖、作曲與照片轉影片。
本文重點
- 影片中的本地 AI 工作站由 8 組模型與工具組成:千問 122B 當大腦,Hermes 透過 Ollama 調度任務。
- 千問 122B 正式名稱是 Qwen3.5-122B-A10B,量化後載入約 78 GB,是整套系統的硬體門檻。
- Breeze-ASR-25 聽台灣口音、ACE-Step 1.5 XL 寫歌、千問 Image 與 Image Edit 生圖修圖、LTX-2.5 讓照片變影片。
- ComfyUI 串起圖像與影片流程,Photoshop 27.7 起移除工具可在本機執行。
- 6 組工具可免費商用,LTX-2.5 有營收門檻、Photoshop 需訂閱;全部模型約需 330 GB 硬碟。
想一想
你的工作裡,有哪些資料因為不能上傳雲端,到現在還沒辦法交給 AI 處理?本地 AI 能補上哪一塊?
資料來源
- Hugging Face。Qwen3.5-122B-A10B 模型頁
- Ollama。qwen3.5 模型庫(122b 為 Q4_K_M 81 GB)
- bestllmfor.com。Qwen 3.5 122B-A10B 記憶體需求(BF16 244 GB)
- madebyagents。Qwen3.5 122B 約 78 GB,建議 96 GB 顯示記憶體
- NVIDIA 開發者論壇。Qwen3.5-122B NVFP4 在 DGX Spark 128 GB 上執行
- 墨天輪 modb(2026/6/15)。AMD AI MAX+395 跑 Qwen3.5-122B 實測
- Ollama 文件。Hermes Agent 整合說明(ollama launch hermes)
- Developers Digest。Hermes Agent Guide (2026)
- yinung2 部落格(2026/6)。Hermes Agent + 本地 Ollama 問題總結
- Hugging Face。Breeze-ASR-25 模型頁
- Hugging Face。ACE-Step 1.5 XL Base 模型頁(大小與顯示記憶體需求)
- ComfyUI 官方部落格。ACE-Step 1.5 XL: Commercial-Grade Music Generation
- AMD。ACE-Step 1.5 授權與多語言支援
- DEV Community。ACE-Step 1.5 完整指南(最長 10 分鐘)
- Hugging Face。Qwen-Image-Edit-2511 模型頁
- The Decoder。Qwen-Image-Edit-2511 人物一致性更新
- Chutes。Qwen-Image-2512 規格與授權
- DataLearner。Qwen-Image-2512 檔案大小
- Clore.ai 文件。LTX-2.5 發布日期與參數
- LTX 官方部落格。LTX-2.5 圖生影片與文生影片工作流
- Promptus。LTX-2.5 系統需求(32 GB 顯示記憶體、約 100 GB 硬碟)
- GitCode 鏡像。LTX-2.5 模型說明與 LTX-2.x 社群授權
- Adobe。移除工具硬體需求
- Digital Production(2026/5/26)。Photoshop 27.7 移除工具可在本機執行
- Let’s Data Science。Photoshop 27.7 本機 AI 的 Mac 與 Windows 需求
- PromptQuorum。ComfyUI 評測與 GPL-3.0 授權說明
模型 ID、大小與授權以各官方頁面為準,下載前請再確認一次。
Edit with Tr.Bug
Follow me on:LinkedIn | 探教育TempEDU


3 Comments.
Comments are closed.