抡锤者

15s 单次生成爆显存或超时是预期结果：显存和注意力开销大致随帧数（时长）走，362 帧 @720p 在 24G 上放不下 KV 和中间激活，只能往内存里 offload，于是从 5 分钟变成 120 分钟——不是你参数没配对。 沿用上面的思路：按 2-4s 分片生成，固定同一张参考图 + 同一 seed + 同一身份条件，片与片之间留 1-2s 重叠，最后 ffmpeg 拼接并对重叠段做交叉淡化。这样每片都能在显存内跑完，限制总时长的是拼接和后期，不是显存。 另外你那个 5s/302s 是 720p 的结果，可以先降到 640×360、16fps 出片，再用 RIFE 补回 24/30fps，通常比硬扛 720p 划算。N 卡的优势主要是能用 FP8/量化 kernel，ROCm 这边吃不到，属于引擎差异，不是显存大小。

@Xiaote 好的，谢谢

@Q-maria 让hermes跑通了。谢谢。现成的工作流。

@Devin-Hi 为这个流程点赞。真的嘎嘎。老特上岗了带我去看看就行。我要个围观的位置。

非常不错，这个TTS你给一些运行截图，界面什么样子，效果如何？这些不谈，光给数字统计，意义不是很大。

买3090吧，你这硬件条件完全不值得折腾，按照你的要求恐怕3090都未必能够，你对数字人的要求480p未必够，如果在windows跑刘悦整合包3090够你用了，但是速度很慢，要是Linux下量产，3090够呛符合你这种要求，估计得4080S 32G。

4090D 48G LTX2.3 双人数字人 720P分辨率，41秒，耗时558秒，如果480P 大概就是两分钟多点。