LTX-Video 本地部署指南8GB 显存可跑10 秒视频约 12 秒出片【免费下载链接】LTX-VideoOfficial repository for LTX-Video项目地址: https://gitcode.com/GitHub_Trending/ltx/LTX-Video在一张 8GB 显存的 RTX 4060 上LTX-Video 2B 蒸馏版10 步采样约 12 秒生成 300 帧 1216×704 视频16GB 卡直接上 13B 蒸馏。上机前先自查一遍显存决定一切先查卡再下权重。8GB 卡锁定 2B 蒸馏16GB 卡选 13B 蒸馏dev 版留给 24GB 以上追质量的场景。配置文件最低显存适合谁一句话点评ltxv-2b-0.9.8-distilled8GB8GB 卡、快速迭代10 步采样权重约 5GB跑起来最省心ltxv-13b-0.9.8-distilled16GB生产主力13B 画质 蒸馏的 10 步性价比最高ltxv-13b-0.9.8-distilled-fp816GB16GB 卡想再快一点fp88 位量化省显存前提装好 Q8-Kernelsltxv-13b-0.9.8-dev24GB追极限画质30 步采样质量上限速度最慢官方验证环境Python 3.10.5、CUDA 12.2、PyTorch ≥ 2.1.2pyproject.toml把 transformers 锁在 4.47.2–4.52 区间pip 装依赖时别覆盖。先跑两条预检nvidia-smi python -c import torch; print(torch.cuda.is_available(), torch.version.cuda)第一条应打印你的卡型号和显存第二条预期输出True 12.2。三类情况先劝退GTX 10 系/老 Turing 卡跑不了 fp8只能 bfloat16 且 13B 大概率爆显存纯 CPU 或 Mac MPS 能跑但没有任何 offload把闲置模块挪到 CPU加速只适合小批量试 2Bfp8 配置未装 Q8-Kernels 时加载权重阶段直接抛Q8-Kernels not found。从零跑通第一次30 分钟到 mp4不含下载权重的话全程约 30 分钟克隆、装依赖、首跑共三步。首次运行会自动从 HuggingFace 拉模型权重、空间上采样器与文本编码器2B 约 5GB、13B 约 15GB100Mbps 带宽下 13B 约等 30 分钟。第 1 步克隆并建独立环境git clone https://gitcode.com/GitHub_Trending/ltx/LTX-Video cd LTX-Video python -m venv venv source venv/bin/activate pip install -e .[inference]预期安装无冲突退出pip list里 transformers 落在 4.47.2–4.52 区间。第 2 步首跑 2B 蒸馏 仓库自带测试图121 帧约 4 秒成片python inference.py \ --prompt A woman in a red coat walks along a seaside promenade, waves crashing behind her, golden hour light \ --conditioning_media_paths tests/utils/woman.jpeg \ --conditioning_start_frames 0 \ --height 704 --width 1216 \ --num_frames 121 --seed 42 \ --pipeline_config configs/ltxv-2b-0.9.8-distilled.yaml预期先出现权重下载进度等待环节视带宽几分钟到半小时随后日志打印Padded dimensions与采样进度RTX 4060 上 121 帧生成约 5 秒。第 3 步验收。成功标准outputs/当天日期/下出现video_output_*.mp4日志最后一行为Output saved to ...期间nvidia-smi显存未触顶同 seed 重跑同一命令可复现同一条片。按手里的素材选玩法三种玩法共用同一个 推理入口差别只在传哪几个参数。文生视频只给一句话直接出片手里没有任何素材、想先验证提示词写法时用纯文本生成。python inference.py \ --prompt A red bicycle rolls down a cobblestone street in an old town, pigeons scattering, evening light \ --height 704 --width 1216 --num_frames 121 --seed 7 \ --pipeline_config configs/ltxv-13b-0.9.8-distilled.yaml参数推荐值为什么prompt200 词内少于 120 词会触发自动扩写多等约 10 秒num_frames121满足 8n1 规则30fps 下约 4 秒guidance_scale配置内蒸馏配置为 1蒸馏版免 CFG无分类器引导文本-画面对齐手段dev 配置建议 3.0–3.5常见错误height/width 不满足 32 整除时不会报错而是自动补边再裁回目标尺寸白耗一块补边区域的显存——直接给 704×1216 这类合规值。图生视频让一张静图动起来有产品图或人物照时把它当锚定关键帧模型围绕它生成运动。python inference.py \ --prompt Slow push-in on a ceramic mug, steam drifting upward, soft window light \ --conditioning_media_paths ./mug.png \ --conditioning_start_frames 0 --conditioning_strengths 1.0 \ --height 704 --width 1216 --num_frames 121 \ --pipeline_config configs/ltxv-2b-0.9.8-distilled.yaml参数推荐值为什么conditioning_start_frames0锚定帧号首帧条件写 0conditioning_strengths0.8–1.0越接近 1 画面越忠于原图image_cond_noise_scale0.15默认给条件帧加噪防止画面僵死常见错误paths、start_frames、strengths 三者数量不一致时infer在采样开始前就抛ValueError连权重加载都省了。视频扩展给已有片段接前接后手里有一段素材想往前或往后续写方向由conditioning_start_frames切换。python inference.py \ --prompt The cyclist keeps pedaling toward the lake, camera tracking from the side \ --conditioning_media_paths clip.mp4 \ --conditioning_start_frames 0 \ --num_frames 257 --seed 42 \ --pipeline_config configs/ltxv-13b-0.9.8-distilled.yaml参数推荐值为什么conditioning_start_frames0从片尾接上想给片头补写 num_frames − 原片段帧数条件片段帧数8n19/17/25…不满足会被裁掉首尾日志出现 trim 警告num_frames8 的倍数如 257原片段 新增帧的总目标长度常见错误整段改风格的视频到视频v2v不是加参数而是改用--input_media_path喂整段素材构图基本保留它的显存占用和纯生成相同8GB 卡先降到 576×1024 再跑。嫌慢、嫌糊、嫌崩三处能调显存不够CUDA OOMheight/width 降到 576×1024显存随像素数近似线性减半分辨率省约 60%。num_frames 从 121 改 81帧数直接决定时序长度。16GB 卡换 fp8 配置8 位量化压显存但必须装 Q8-Kernels。30GB 以下显存的卡加--offload_to_cpu把闲置模块挪 CPU代价是生成时间多约 20%只救急不提速。速度慢dev 换蒸馏版采样步数从 30 步降到 10 步蒸馏配置 timesteps 为 73零改动提速。prompt 压在 120 词以上低于阈值触发自动扩写多走一遍文本扩写模型。8GB 卡别硬扛 704×1216迭代阶段用 576×1024出片再升分辨率。效果不对帧间抖动、动作跳变配置里stg_mode改成attention_values四个选项之一官方默认值。细节糊、色彩失真decode_noise_scale调到 0.02–0.03默认 0.025影响 VAE 解码色彩。文本和画面对不上核对配置里text_encoder_model_name_or_path是否下全中文提示词遵循度差先英文写再润色。烧多少钱算笔账性能档位为 1216×70430fps 单卡实测口径参考数据不同驱动与批大小下需实测验证显卡配置吞吐121 帧约 4 秒300 帧10 秒RTX 40608GB2b-distilled约 25 FPS约 5 秒约 12 秒RTX 409024GB13b-distilled约 35 FPS约 3.5 秒约 8.6 秒A10080GB13b-distilled约 35 FPS约 3.5 秒约 8.6 秒租卡口径的月成本与日吞吐档位硬件月成本日吞吐10 秒视频个人RTX 4060 × 1约 ¥300–500约 500 段小团队RTX 4090 × 2约 ¥3000–5000约 5000 段企业A100 × 8约 ¥30000–50000约 50000 段非实时负载走竞价实例可再降 60% 以上单张 4090 开 3–5 路并发是 13b-distilled 的舒适区再往上就得堆卡。出事了查这张表现象原因解法CUDA out of memory704×1216121 帧超出显存降到 576×1024 num_frames 改 8116GB 卡可换 fp8 配置Q8-Kernels not foundfp8 配置未装 Q8 内核按 Q8-Kernels 官方说明安装或临时切回 bfloat16 配置权重文件缺失或大小不对自动下载中断核对配置里checkpoint_path13B 约 15GB重跑触发续传pip 依赖冲突、环境损坏transformers 超出 4.47.2–4.52 区间全新 venv pip install -e .[inference] --force-reinstall帧间抖动、动作跳变时空引导模式不匹配配置stg_mode改为attention_values细节模糊、色彩失真VAE 解码参数偏移decode_noise_scale调到 0.02–0.03条件项报错 ValueError三个条件参数长度不一致paths / start_frames / strengths 数量对齐后重跑有 8GB 卡就先跑 2b-distilled 走通全流程上生产切 13b-distilledfp8 兜底提速追极限画质再上 dev 并备好 24GB。关键词LTX-Video 部署、LTX-Video 本地推理、LTX-Video 图生视频、LTX-Video 蒸馏模型、LTX-Video 显存要求【免费下载链接】LTX-VideoOfficial repository for LTX-Video项目地址: https://gitcode.com/GitHub_Trending/ltx/LTX-Video创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考