ComfyUI-LTXVideo 实战手册32GB 显存本地跑 LTX-2从安装到生成第一个 AI 视频【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo云端的视频生成 API 按量计费、排队等待、数据还要上传给别人本地方案则长期受困于显存不够、配置太杂。ComfyUI-LTXVideo 就是为 LTX-2 视频生成模型准备的 ComfyUI 自定义节点包它补齐了官方核心之外的控制、上采样、HDR、循环采样等节点和全套示例工作流让你在本地完成文生视频、图生视频、视频增强这一整条链路。读完整篇你会知道机器够不够格装、模型文件该下哪些、选哪个场景工作流、卡住时先动哪个参数。一、硬件与软件自检先确认能不能跑README 给出的准入门槛比较直接CUDA 兼容的 GPU、32GB 以上显存、100GB 以上空闲磁盘模型和缓存都要占地方再加上一个装好的 ComfyUI。下面这张清单可以放心照抄标参考值的项目仓库没有硬性规定按自己机器酌情判断检查项要求说明GPU 显存32GB 及以上推荐值低于此可走低显存加载器 --reserve-vram详见第四节磁盘空闲100GB 以上主模型、上采样器、IC-LoRA、Gemma 编码器加起来不小系统内存16GB 以上参考值模型 offload 时会走内存ComfyUI最新版LTX-2 已内置在 ComfyUI 核心此仓库负责扩展节点Python3.10参考值随 ComfyUI 自带环境即可CUDA 驱动12.1参考值需与 PyTorch 构建匹配附加 Python 依赖见requirements.txt含transformers、diffusers、openimageio、colour-science等HDR 相关功能依赖后两者显存只有 24GB 左右也不必劝退项目在 low_vram_loaders.py 里提供了低显存模型加载节点通过控制执行顺序和模型 offload 把生成压进 32GB 档甚至更低配合--reserve-vram参数通常能跑通蒸馏模型工作流。二、从安装到第一个视频一条完整流程安装本身有两条路推荐第一条ComfyUI Manager 一键安装打开 ComfyUI → 点 Manager或 CtrlM→ Install Custom Nodes → 搜索 LTXVideo → Install → 重启 ComfyUI。装完后节点会出现在节点菜单的 LTXVideo 分类下节点名前缀是 。手动 cloneManager 装不到时的备选cd ComfyUI/custom_nodes git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo pip install -r requirements.txt # 完成后重启 ComfyUI装好节点后把下面这批模型放进对应目录。缺了哪类功能就只补哪一类不必全下主模型必装二选一ltx-2.3-22b-dev.safetensors完整模型或ltx-2.3-22b-distilled-1.1.safetensors蒸馏版少步数、跑得快新手优先→models/checkpoints/空间上采样器两阶段工作流需要ltx-2.3-spatial-upscaler-x2-1.1.safetensors另有 x1.5 变体→models/latent_upscale_models/时间上采样器两阶段工作流需要ltx-2.3-temporal-upscaler-x2-1.0.safetensors→models/latent_upscale_models/蒸馏 LoRA两阶段管线需要DistilledPipeline 与 ICLoraPipeline 除外ltx-2.3-22b-distilled-lora-384-1.1.safetensors→models/loras/Gemma 文本编码器Gemma 3 的整套文件 →models/text_encoders/gemma-3-12b-it-qat-q4_0-unquantized/IC-LoRA 控制模型按需Union Control、Motion Track、HDR、Dub-It、上下采样、In/Outpainting、Day-to-Night、Colorization、Deblur、Ingredients、Camera Control 等均 →models/loras/具体文件名见 README 的 Required Models 一节首次运行不用手动核对打开示例工作流后Workflow Overview 面板会列出Missing Models点Download all即可按图索骥下载到正确的models/子目录之后复用。跑出第一个视频打开 ComfyUI加载 example_workflows/2.3/LTX-2.3_T2V_I2V_Single_Stage_Distilled_Full.json拖进画布或 Workflow → Open按上面流程补齐缺失模型在左侧 Inputs 填提示词可选给一张首帧图、设好时长。起步参数给一组参考值分辨率 1080p、时长 5–10 秒、采样 20–30 步、CFG 7–9。注意帧数必须是 1 8 的倍数时长会按 fps × 秒数换算落点可能和你填的数字略有出入点 Run等第一支片子出来。三、按需选择你的场景文生视频只有文字时从这里开始适合快速验证创意、做预览稿。加载 LTX-2.3_T2V_I2V_Single_Stage_Distilled_Full.json要更高细节就换两阶段的 LTX-2.3_T2V_I2V_Two_Stage_Distilled.json先基础分辨率出片再 2× 空间上采样 3 步精修。关键节点是LTXVGemmaEnhancePrompt/LTXVPromptEnhancer用 Gemma 编码器把短提示词扩写成更完整的镜头描述提示词越具体主体、运镜、光线、色调出片越稳。小案例一条 15 秒竖屏产品展示短视频——把分辨率设成竖屏比例提示词写清cinematic shot、neon 灯光、4K、高细节这类风格词走两阶段图出片后用空间上采样补齐细节。图生视频让静态图动起来手里有一张图想让它动选同一张 T2V/I2V 工作流即可——它天然支持文本 可选首帧图输入。想指定首帧的运动走向用 Motion Track 工作流 LTX-2.3_ICLoRA_Motion_Track_Distilled.json在首帧上用手绘稀疏运动轨迹LTXVDrawTracks/LTXVSparseTrackEditor节点告诉模型谁往哪动。需要无缝循环的素材接 LTXVLoopingSampler 分块拼接。小案例历史老照片动画化——首帧放原图Motion Track 轨迹画出行进方向提示词补充年代感与解说风格LTX-2 是音视频联合模型同一条工作流能一并生成匹配的音频。视频增强与风格转换已有素材的加工车间手里有一段现成视频要做修改走 V2V 路线源片经 VAE 编码为 latent再挂 IC-LoRA 引导条件生成。这一档里最有用的几个节点LTXVTiledFusionSampler在超过模型训练窗口的画布上做去噪每个 step 用重叠空间 tile 融合专治想上到 4K/8K的 V2V 场景配合LTXVGetTilingSizes取合法尺寸组合详见 tiled_fusion_sampler.mdLTXVTiledSampler/LTXVTiledVAEDecode/LTXVSpatioTemporalTiledVAEDecode独立分块采样、分块解码大分辨率输出压低峰值显存LTXVStatNormLatent、LTXVApplySTGlatent 统计量归一化与空间-时间引导用来稳住画质与时间一致性LTXVQ8Patch/LTXVQ8LoraModelLoaderFP8 量化打补丁进一步省显存。小案例SDR 素材升 HDR——走 LTX-2.3_ICLoRA_HDR_Distilled.json 单阶段或 2.5 的分块 4K/8K 阶梯版 LTX-2.5_V2V_TiledFusion_SDR_to_HDR.json。LoRA 输出是 LogC3 压缩空间LTXVHDRDecodePostprocess节点负责还原成线性 HDR同时给出 Reinhard 色调映射的 SDR 预览和 16/32-bit EXR 序列导出依赖openimageio可以直接进调色流程。附IC-LoRA 控制类型速览按用途挑文件 Union Control深度 边缘canny 人体姿态合并进单个 LoRA且在下采样 latent 上工作省显存还提速 Motion Track稀疏轨迹引导运镜 HDR / Dub-ItSDR→HDR 转换多语种配音并再生成匹配的口型与声音 Pixel Spatial Upscaler x2/x4生成式细节上采样注意它是创意重绘低 LoRA 强度更贴近原片✂️ In/Outpainting按 mask 填区域、扩画幅 风格/编辑类Day-to-Night、Colorization、Deblur、Ingredients参考图板生成、Water Simulation、Camera Control 系列等调优与提速先参数、后硬件步数与模型档位蒸馏模型distilled transformer本身就是为少步数迭代设计的配合蒸馏 LoRA同质量下步数可以明显低于完整模型这是第一提速点CFG 与采样CFG 落在 7–9 区间参考值先试步数 20–30出图糊或风格漂移时先加 STGLTXVApplySTG预设见 presets/stg_advanced_presets.json再动其他参数分块参数解码 tile 越大越快但越吃显存2.5 系列工作流的默认值就是按低显存机器调的显存富余时把 decode tile 调大低显存组合拳低显存加载节点low_vram_loaders.py 启动参数python -m main --reserve-vram 5 蒸馏模型 Q8 量化四样叠起来能把 32GB 档机器榨出明显余量量化主模型与 LoRA 分别用LTXQ8Patch和LTXVQ8LoraModelLoader打 FP8 补丁显存占用再降一档。四、常见问题速查症状生成到中途 CUDA OOM 崩溃 →原因峰值显存不够或碎片化 →处理降分辨率、减时长换蒸馏模型上低显存加载节点 --reserve-vram解码改小 tile。症状画面闪烁、时间不一致 →原因引导参数偏松或 latent 统计漂移 →处理接LTXVStatNormLatent归一化启用 STG 预设适度提高引导强度。症状生成太慢 →原因走了完整模型或分块过小 →处理切蒸馏模型 蒸馏 LoRA 降步数加大 decode tile用 FP8 量化补丁。症状4K/8K 大图上采样后提示词里点名的物体在每块 tile 都出现 →原因Tiled Fusion 的空间 tile 各自独立生成 →处理二阶段提示词只写风格与观感光线、调色、锐度别点名具体物件规则见 tiled_fusion_sampler.md。症状首跑卡住不动、像没反应 →原因正在下载缺失模型 →处理看 Workflow Overview 的 Missing Models 状态或按 README 清单手动下到对应目录。五、进阶玩法自定义节点所有节点通过 nodes_registry.py 的register_node注册进 ComfyUI 全局表新节点按定义INPUT_TYPES/ 推理方法 注册两步走参考 tricks/nodes/ 里已有的实现注意力缓存、latent guide、FlowEdit 等抄结构即可批量自动化示例工作流都是标准 ComfyUI JSON用脚本读入、替换提示词与输入字段、经 API 逐个提交就能搭一条离线批量出片流水线tricks/utils/ 里的噪声、latent 工具函数可以直接复用。六、配置与成本参考档位GPU参考值内存参考值适合用途入门24GB 显存 低显存方案32GB蒸馏模型、720p–1080p、短时长试跑标准32GB 显存64GB1080p 常规出片、两阶段工作流高配48GB 显存128GB4K、Tiled Fusion 大画布、长视频本地部署与云端 API 的取舍可以压成一句话用量大、重隐私 → 本地回本更快用量小、临时性任务 → 云端更省。本地一次性硬件投入后只有电费且素材不出机器云端按量付费、零门槛但费用和延迟都随用量走。自己按月均出片量算一版账即可不必照搬任何现成的回本数字。写在最后从 32GB 显存的机器开始先用蒸馏模型把单阶段工作流跑通再按场景挑 IC-LoRA、按显存余量开分块与量化这条路径基本覆盖了本地 AI 视频生成的全部日常需求。项目仍在持续更新LTX-2.0/2.3/2.5 三代工作流并存建议定期看仓库说明与官方文档。常用入口README、example_workflows/含 2.5 工作流导读、tricks/ 工具节点、presets/ 预设、gemma_configs/ 与 system_prompts/ 编码器配置。【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考