ComfyUI视频生成实战5步搭通LTXVideo工作流【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo想搭一条AI视频工作流却不知从哪下手这篇实践指南以ComfyUI-LTXVideo为主角带你走完ComfyUI视频生成从环境安装到出片调参的最短路径并给出LTXVideo工作流里高频翻车点的排查方法。1. 跑通第一条视频先说好前提LTX-2 本体已经内置在 ComfyUI 核心里这个仓库提供的是扩展节点和示例工作流。按 README 的要求建议准备一块 32GB 以上显存的 CUDA 显卡磁盘留 100GB 放模型和缓存。步骤如下确认已装好 ComfyUI再把本仓库克隆进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模型文件按目录归类下载主模型 checkpoint 放models/checkpoints空间/时间 upscaler 放models/latent_upscale_models蒸馏 LoRA 放models/lorasGemma 3 文本编码器整个仓库放到models/text_encoders/gemma-3-12b-it-qat-q4_0-unquantized。首次跑图时如果模型还没就位按节点提示下载即可或者提前按 README 的 Required Models 清单手动拉好。重启 ComfyUI在工作流目录example_workflows/下加载一条入门图比如example_workflows/2.3/LTX-2.3_T2V_I2V_Single_Stage_Distilled_Full.json文本/图像到视频单阶段。点 Queue Prompt 跑一把看看效果第一次会慢要过一遍文本编码之后同参数出片就稳定了。跑通之后别急着调参先花十分钟看清楚这张图里节点是怎么串的。下面这张建筑场景示例帧展示了 LTXVideo工作流里图像驱动生成能达到的空间运动效果2. 工作流节点链从Prompt到MP4以最通用的 T2V 链路为例数据流其实就是一条直线中间分叉出文本和音频两路CheckpointLoaderSimple → LoraLoaderModelOnly → LTXVConditioning → 采样器(Sampler) → LTXVTiledVAEDecode → CreateVideo → SaveVideo CLIPTextEncode →进入 LTXVConditioning 的文本条件 LTXVAudioVAELoader →解码音频轨每个节点干的事一句话就够CheckpointLoaderSimple加载蒸馏模型如ltx-2.3-22b-distilled-1.1.safetensors同时吐出 MODEL 和 VAELoraLoaderModelOnly只给模型挂 LoRA不动 CLIP适合叠风格或控制类 LoRA提示词有两条路旧版 2.0 工作流用LTXVGemmaEnhancePrompt先把口语化输入扩写成带音频描述的细节 prompt 再送CLIPTextEncode2.3 及以上版本内置了 Gemma 增强原始 prompt 直接写进去就行LTXVConditioning把帧率等视频级参数编进条件采样环节由LTXVScheduler产出 sigmas交给SamplerCustomAdvanced之类的采样器迭代去噪解码用LTXVTiledVAEDecode分块解 VAE比整帧解码省显存最后SaveVideo落盘。工作流 JSON 里对应的接线大致长这样只保留主干{ MODEL: CheckpointLoaderSimple - LoraLoaderModelOnly - Sampler, CONDITIONING: CLIPTextEncode - LTXVConditioning - Sampler, SIGMAS: LTXVScheduler - Sampler, NOISE: RandomNoise - Sampler, LATENT: EmptyLTXVLatentVideo - Sampler - LTXVTiledVAEDecode - SaveVideo }想加 LoRA 就在 MODEL 线上再串一个LoraLoaderModelOnly改强度只动第二个参数不会碰坏文本条件。3. 参数怎么选按场景定LTXVideo工作流里真正值得动的参数就那么几个帧数num_frames、分辨率width/height、模型档位和 upscaler。按三档来定就行。快速预览用蒸馏模型distilled checkpoint帧数砍到 32~49分辨率压到 768×512 量级。目的只有一个——在几分钟内确认 prompt 方向对不对画面糙一点无所谓。标准出片分辨率上到 1920×1088 左右注意边长按 32 的倍数、帧数按 8 的步长递增这是LTXVBaseSampler的默认约束帧数给到 97 左右约 5 秒20fps 的量级LoRA 强度保持 1.0。这一档适合大多数交付场景。高质量交付走仓库里的 two-stage 工作流如example_workflows/2.3/LTX-2.3_T2V_I2V_Two_Stage_Distilled.json思路是低分锁定构图和运动 → upscaler 提档。仓库同时给了空间 upscalerx1.5/x2和时间 upscaler空间管分辨率、时间管帧密度按需组合比一步硬怼高分辨率省显存得多。档位模型分辨率/帧数适用快速预览distilled≤768×512 / 32帧方向验证标准出片distilled LoRA1920×1088 / 97帧常规交付高质量交付two-stage 两级流水线上采样至 2×成片/4K参数定完剩下的麻烦事基本集中在显存、闪烁和速度这三件事上。4. 显存不够 / 画面闪烁 / 出片太慢现象一生成中途报 OOM 或卡死。可能原因一次把分辨率、帧数都拉满了或者 VAE 解码阶段整帧一次性展开这是解码比采样更吃显存的点。 解法仓库自带 low_vram_loaders.py 的低显存加载节点它负责按正确顺序做模型 offload官方说法是能压到 32GB 显存内跑完启动参数加--reserve-vram 5给 ComfyUI 留一点余量解码侧优先用LTXVTiledVAEDecode而不是整帧 decode实在不行就回到标准出片档把帧数减半再试。现象二画面闪烁、帧间不连贯。可能原因相邻帧各自独立去噪导致时间一致性差条件强度没设对。 解法优先用仓库的两级工作流让时间 upscaler 补帧而不是直接生成密集帧采样侧试试LTXVBaseSampler的strength控制图像条件强度默认 0.9和crf/blur预处理参数给条件图加一点平滑能明显减轻闪如果用了 IC-LoRA 控制流参考 latent 的强度ref 系数调低一些再看效果。现象三出片太慢慢到怀疑人生。可能原因用了 full 模型跑单阶段分辨率一步到位。 解法切 distilled 模型加蒸馏 LoRA这是仓库工作流里标 Fast 的那条路或者直接用 two-stage 结构——低分辨率阶段锁构图第二阶段 upscaler 提档总时间通常比硬跑高分辨率短显存还低。想要极限速度可以看 tiled_fusion_sampler.md 里的LTXVTiledFusionSampler分块共享一张 latent 画布去噪专为大画布 V2V 场景设计。5. 延伸整套流程其实就三件事把模型放进对目录、按 MODEL→CONDITIONING→Sampler→Decode→Save 的直线把节点串起来、再用低分锁构图、高分出片的两级思路控制显存和速度。掌握这三点之后仓库里 I2V、V2V、Dub-It、HDR 这些变体工作流只是同一根骨架上的不同挂件。想继续深挖两个入口本仓库的 looping_sampler.md 和 tiled_fusion_sampler.md讲长视频循环采样与分块融合这两块进阶玩法LTX-2 模型主仓库Lightricks/LTX-2ComfyUI 核心已内置其推理代码的开源文档覆盖模型细节与更多 ComfyUI 集成说明。【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