ComfyUI-LTXVideo 视频生成实战指南【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo用一句话描述一段风景几分钟后得到一段能直接发布的视频——这件事在 LTX-2 视频生成模型上已经可以做到而 ComfyUI-LTXVideo 就是让它在 ComfyUI 里跑起来的那套节点与工作流。读完本文你能在 ComfyUI 里装好环境、跑通文生视频与图生视频再用 IC-LoRA 控制、蒸馏模型与低显存技巧把生成速度提上去、把显存压下来。一、看懂 ComfyUI-LTXVideo 能为你做什么这一节帮你建立认知框架它到底是干什么的、和 ComfyUI 核心是什么关系、能覆盖哪些场景避免装完才去翻文档。ComfyUI-LTXVideo 是一组自定义节点专门扩展 ComfyUI 对 Lightricks LTX-2 视频生成模型的支持。LTX-2 本体已经内置在 ComfyUI 核心里而这个仓库补齐的是高级玩法多模态引导、IC-LoRA 控制、两阶段超分、低显存加载等。LTX-2 是一个联合音视频 Transformer既能出视频也能单独出音频。核心能力一览对应仓库里可加载的节点文生视频 / 图生视频单阶段与两阶段含上采样流水线见 easy_samplers.py 的LTXVBaseSampler、LTXVExtendSampler。IC-LoRA 控制深度图、边缘、人体姿态、运动轨迹等多种控制信号见 iclora.py 的LTXAddVideoICLoRAGuide。专项 LoRAHDR 输出、唇形配音Lipdub、像素级空间放大2×/4×、去模糊、日夜转换等见 example_workflows/ 下的各工作流。低显存加载自动按序卸载模型让生成塞进 32GB 显存见 low_vram_loaders.py。提示词增强用 Gemma 编码器把口语化描述扩写成更适合生成的提示见 gemma_encoder.py。基础full模型生成的视频帧可作为质量基线参考。下面从最实际的装环境、跑首帧开始。二、十分钟跑通第一个视频这一节把装环境和第一次出片合并成一件事目标是让你以最低门槛看到第一段生成结果。先确认硬件门槛避免装到一半发现跑不动硬件项最低要求说明GPU 显存32GB官方推荐值显存不足见第四节的低显存技巧磁盘空间100GB模型 缓存22B 模型与各类 LoRA 体积不小显卡CUDA 兼容需已装好 ComfyUI部署推荐走 ComfyUI Manager一步到位# 方式一ComfyUI Manager 一键安装推荐 # 打开 ComfyUI - 点 Manager或按 CtrlM- Install Custom Nodes # 搜索 LTXVideo - Install - 重启 ComfyUI如果偏好手动放置用下面的命令把它放进 ComfyUI 的自定义节点目录模型会自动按需下载# 方式二手动克隆到 ComfyUI 的 custom_nodes 目录 git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo \ ComfyUI/custom_nodes/ComfyUI-LTXVideo cd ComfyUI/custom_nodes/ComfyUI-LTXVideo pip install -r requirements.txt装好重启后节点会出现在 ComfyUI 节点菜单的Lightricks分类下前缀为 。仓库自带一套示例工作流是第一次出片最快的路径都放在ComfyUI/custom_nodes/ComfyUI-LTXVideo/example_workflows/ ├── 2.3/ # LTX-2.3 系列 │ ├── LTX-2.3_T2V_I2V_Single_Stage_Distilled_Full.json │ └── LTX-2.3_T2V_I2V_Two_Stage_Distilled.json └── 2.0/ # LTX-2.0 系列 ├── LTX-2_T2V_Distilled_wLora.json # 文生视频·快速 └── LTX-2_I2V_Distilled_wLora.json # 图生视频·快速首次成功产出直接打开example_workflows/2.3/LTX-2.3_T2V_I2V_Single_Stage_Distilled_Full.json它同时支持文本/图像输入。首次运行会下载所需模型之后把提示词换成你自己的描述、点 Queue Prompt即可得到第一段视频。模型文件的落盘位置建议这样组织一次下好避免反复下载ComfyUI/models/ ├── checkpoints/ # ltx-2.3-22b-dev 或 ltx-2.3-22b-distilled ├── latent_upscale_models/ # spatial-upscaler-x2 / temporal-upscaler-x2 ├── loras/ # distilled-lora-384 及各 IC-LoRA └── text_encoders/ # gemma-3-12b-itGemma 文本编码器版本提示两阶段超分管线必须同时下载空间上采样器与时间上采样器缺一不可单阶段蒸馏工作流则可省去上采样器。跑通第一帧之后下面按你实际要做的任务逐个拆解核心场景。三、核心场景实战从文字到成片这一节按典型任务推进。每个场景都给出场景说明 → 关键配置 → 效果说明你可以照着对应工作流直接套用。文生视频从一句话到一段片子场景说明手里只有文字描述想直接生成视频。这是最基础的入口适合做创意草图与快速验证。关键配置以LTX-2_T2V_Distilled_wLora.json为例核心参数{ workflow: LTX-2_T2V_Distilled_wLora, model: ltx-2.3-22b-distilled-1.1, // 蒸馏模型出片更快 prompt: 海浪拍打海岸夕阳在云层后缓缓下沉, negative_prompt: 模糊、低质量、画面扭曲, num_frames: 49, // 帧数决定视频长度 width: 1024, height: 576, // 输出分辨率 guidance_scale: 3.5, // 引导强度越大越贴提示词 lora: distilled-lora-384, lora_strength: 0.8 }效果说明蒸馏模型配合 distilled LoRA能在较少步数内出片适合先看个大概。若提示词写得太口语化可接LTXVGemmaEnhancePrompt节点gemma_encoder.py先扩写成更电影化的描述再生成画面一致性会更好。图生视频让一张静图动起来场景说明你有一张满意的静图比如一张建筑照片想让它产生自然运动同时保住原图构图。基于建筑静图生成的动态帧序列保留空间结构、加入自然运动。关键配置用LTXVImgToVideoConditionOnly或 IC-LoRA 引导把首帧作为条件。核心是strength图像条件强度与frame_idx从第几帧开始生效{ node: LTXAddVideoICLoRAGuide, condition_image: buildings.png, // 你的静图 strength: 0.9, // 越高越贴原图越低越自由发挥 frame_idx: 0, // 从首帧开始锁定构图 crop: disabled }效果说明strength接近 1 时画面几乎贴着原图微动适合产品、建筑这类需要保形的内容调低则运动幅度更大适合风景、人物。边界内容会被智能填充以适配视频宽高比。运动轨迹控制让画面按你的路线走场景说明不只是动起来而是指定往哪动——通过稀疏轨迹点控制相机或主体运动路径。运动轨迹Motion Track控制输入用于指定主体的运动路径。关键配置用LTXVSparseTrackEditor画几条控制点再经 Catmull-Rom 样条插值成平滑轨迹交给 Motion-Track IC-LoRA 消费见 sparse_tracks.py 与LTX-2.3_ICLoRA_Motion_Track_Distilled.json。控制点越密路径越贴合你的意图points_to_sample控制插值密度。效果说明适合做镜头平移主体绕行这类有明确运镜诉求的片子。Union IC-LoRA 则能把深度 边缘Canny 姿态合并进单个 LoRA并在工作于降采样潜变量既省显存又提速。视频画质增强与超分场景说明已经有一段视频或先生成了低清草稿想提分辨率、补细节。关键配置仓库提供Pixel Spatial UpscalerIC-LoRA2×/4×。它的定位是生成式放大而非像素级锐化——会合成新的纹理细节而不是单纯插值。{ workflow: LTX-2.3_ICLoRA_Pixel_Spatial_Upscaler_Distilled, base_resolution: 约 280p 草稿, // 先低清锁定构图与运动 upscale: x4, // 再上采样到目标分辨率 lora_strength: 0.9, guidance: 3.0 // 越低越贴原片越高越创意 }效果说明推荐先草稿后放大的两步走——在低分辨率锁定构图与运动再跑上采样出高清成片比直接高清生成更省显存、也更容易反复调。两阶段流水线还会用到空间 时间上采样器兼顾清晰度与帧间流畅度。四、调优生成速度与显存这一节把分散的优化技巧合并模型怎么选、显存怎么压、速度怎么提让你在同一种硬件上跑得更省更快。先做模型选择。full 与 distilled 的取舍是速度/质量的第一道开关模型方案适用场景显存需求相对速度Full 完整模型追求最高质量的成片32GB基准较慢Distilled 蒸馏模型快速出片、迭代创意较低更快Distilled LoRA在蒸馏基础上加风格/控制较低最快Low VRAM 加载显存吃紧的机器可压到 ~32GB 内略慢有换入换出开销经验参考蒸馏模型 LoRA 相比完整模型出片速度可提升约 2 倍以上同时显存占用明显下降——适合先快速定稿、再精细放大的工作流。再压显存。显存不够时按顺序试这三招换用低显存加载节点low_vram_loaders.py 的LowVRAMCheckpointLoader、LowVRAMLatentUpscaleModelLoader它们会按使用顺序自动卸载不再用的模型组件。启动 ComfyUI 时加保留显存参数给系统留出余量# 预留 5GB 显存给系统/其他进程避免 OOM 崩溃 python -m main --reserve-vram 5把 VAE 解码换成分块解码tiled_vae_decode.py 的LTXVTiledVAEDecode按空间/时间块解码避免整段视频一次性解码爆显存采样侧同理可用LTXVTiledSampler。最后调速度。同一硬件上提速的杠杆按性价比排序降分辨率草稿先 280p 定构图再上采样显存与耗时双降见第三节增强小节。换蒸馏模型步数需求更低出片更快。少跑无效步骤用LTXVNormalizingSampler或归一化补丁控制潜变量幅度减少收敛所需步数。蒸馏模型与完整模型的生成效果对比速度更快、质量接近。注意LTXVQ8Patchq8_nodes.py可对注意力/FFN 做 FP8 量化进一步省显存但会损失少量精度建议只在显存吃紧时开启且关键层如 cross attention可保留不量化。调优到位后剩下的是把常见报错一次性解决见下表。五、常见问题速查这一节把高频卡点集中成一张表遇到报错直接对照处理。问题可能原因解决方案生成到一半中断 / 显存溢出显存不足启用 low_vram_loaders.py 低显存加载加--reserve-vram换分块解码画面闪烁、帧间不一致时间一致性差增大重叠帧temporal_overlap确认加载了时间上采样器检查帧率设置出片速度明显慢用了 full 模型或步数过高换蒸馏模型降低分辨率先出草稿减少推理步数细节丢失、糊模型容量或引导不足换 full 模型适当调高guidance_scale用两阶段上采样补细节图像条件不听话IC-LoRA 强度/帧位不对调strength与frame_idx确认控制图与视频分辨率匹配找不到节点插件未装好 / 未重启重启 ComfyUI确认节点在Lightricks分类下检查pip install -r requirements.txt结语ComfyUI-LTXVideo 把 LTX-2 的文字到成片、静图到动态、低清到高清这三条主线拆成了可组合的节点与开箱即用的工作流先用蒸馏模型快速定稿再用 IC-LoRA 控制与两阶段上采样精修最后用低显存技巧适配你的硬件。想进一步压榨模型能力建议直接研读仓库自带的 example_workflows/ 工作流与官方文档那里覆盖了 HDR、唇形配音等更专的场景。【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