从安装到出片：ComfyUI-LTXVideo 用 LTX-2 生成 AI 视频的实操教程
【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo
ComfyUI-LTXVideo 是为 ComfyUI 制作的 LTX-2 视频生成节点包，负责把文本、静态图片或已有视频加工成可用的视频片段。它解决的是"模型能力已有、但缺节点和流程"的问题，适合刚接触 LTX-2、想在 ComfyUI 里跑通第一条 AI 视频工作流的新手。开始前确认三件事：已安装 ComfyUI、有 CUDA 兼容 GPU 且显存 32GB 以上、磁盘留有 100GB 以上空间给模型和缓存。
十分钟拿到第一个结果：安装步骤与出片主线
- 打开 ComfyUI，点击 Manager 按钮（或按 Ctrl+M），选择 Install Custom Nodes，搜索 "LTXVideo" 并安装。更省事的替代路径是手动克隆到 ComfyUI 的 custom_nodes 目录并安装依赖：
cd custom_nodes git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo cd ComfyUI-LTXVideo pip install -r requirements.txt- 重启 ComfyUI。成功后，节点菜单里会出现 "LTXVideo" 分类，所有节点都挂在这里。
- 加载示例工作流：
example_workflows/2.3/LTX-2.3_T2V_I2V_Single_Stage_Distilled_Full.json。它同时覆盖文字生成视频和图片生成视频两种输入，是最通用的入门起点。 - 首次运行时，所需模型（主模型 checkpoint、Gemma 文本编码器等）会自动下载；你也可以按 README 的清单手动放入
models/checkpoints、models/loras、models/text_encoders等目录。 - 在提示词框里写入画面描述，确认分辨率与帧数符合显存预算，然后排队执行。第一次出片可能需要几分钟下载和加载，属正常现象。
ComfyUI-LTXVideo LTX-2 视频生成基础模型出图示例
按输入类型看能力
文字到视频
单阶段工作流直接用提示词从噪声生成片段，蒸馏版速度快、适合日常出片，完整版细节更足。LTX-2 本身是音视频联合模型，仓库里还有一条纯音频路径：T2A 工作流配合LTXVAudioOnlyModel节点，只用文本生成音频，不产出画面。
图片到视频
把一张图接进条件输入，首帧即被锁定，模型负责补出后续运动。需要更强控制时选 IC-LoRA 工作流：
- 联合控制（depth + 人体姿态 + 边缘）：
LTX-2.3_ICLoRA_Union_Control_Distilled.json - 运动轨迹跟踪：
LTX-2.3_ICLoRA_Motion_Track_Distilled.json - 两阶段带空间上采样：
LTX-2.3_T2V_I2V_Two_Stage_Distilled.json
对已有视频再加工
把输入换成一段已有视频，同一套模型可以做定向修改，而不必整段重画：
- 细节增强：V2V Detailer 工作流
- 局部重绘与扩边：Inpaint / Outpaint 两阶段工作流
- 配音与口型：Lipdub 工作流，换语言或改台词，保留说话人音色，二阶段中音频冻结后上采样
- 高动态范围：HDR IC-LoRA 输出 LogC3 线性 HDR，
LTXVHDRDecodePostprocess节点给出 SDR 预览并可选导出 EXR 序列 - 创意放大：Pixel Spatial Upscaler IC-LoRA 以 2× 或 4× 重新合成细节，低倍数值更贴近原片，高倍数值更自由
出片问题排查：现象、原因与调整项
| 现象 | 可能原因 | 该调什么 |
|---|---|---|
| 画面闪烁、帧间抖动 | 采样步数不足，缺少时序一致性约束 | 启用 STG 引导器（STGGuiderAdvanced）并选预设；延长片段时加大 Extend/Looping 节点的帧重叠 |
| 细节模糊、发软 | 用了蒸馏模型 + 基础分辨率单阶段 | 换完整模型；改两阶段工作流，接空间/时间上采样 |
| 生成速度太慢 | 完整模型、高分辨率、步数偏高 | 换蒸馏模型；降分辨率；改用单阶段工作流 |
| 显存溢出（OOM） | 全流程常驻显存不足 | 换 low_vram_loaders.py 里的 LowVRAM 加载节点；启动时加--reserve-vram；降低分辨率或改用分块采样 |
| 长视频或高倍分辨率下出现接缝 | 分块重叠不够 | 增大 temporal_overlap 与空间 overlap，提高 temporal_overlap_cond_strength |
显存优化与配置取舍
- 32GB 档：以蒸馏模型加单阶段工作流为主。加载环节改用
low_vram_loaders.py提供的 LowVRAM 加载节点，它们会排好执行顺序并做模型卸载，官方说明可让全流程落在 32GB 内；启动 ComfyUI 时加python -m main --reserve-vram 5给系统留出余量。 - 48GB 及以上：可放心跑完整模型与两阶段上采样工作流，分辨率和帧数上限可以往上探；长视频、超高分辨率交给 LTXVLoopingSampler 的时间/空间分块，而不是硬扛。
- 任何档位：磁盘预留 100GB 以上；同时只加载当前工作流需要的模型变体，checkpoint、空间上采样器、时间上采样器、蒸馏 LoRA 各取其一即可。
继续深入的路
- 先跑通示例：把 example_workflows/ 下 2.3 与 2.0 两套工作流各挑 2-3 个跑一遍，重点观察每个节点连了哪些输入。
- 再换参数：从 guiders/ 和 STG 预设入手理解引导强度；做长视频前通读 looping_sampler.md，里面列全了 LTXVLoopingSampler 的帧块、重叠、条件帧参数。
- 最后自建工作流：参考 tricks/nodes/ 与 tricks/utils/ 里 FlowEdit、PAG、注意力缓存等高级节点的实现方式，按需取用。
第一条能稳定复现的工作流，比十个没跑完的参数组合更有价值。下一步：把单阶段 T2V 工作流的分辨率、帧数和步数各改一遍，记录出片差异，形成你自己的参数基线。
【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
