LTX-Video 实时视频生成快速上手：12 秒出一段 10 秒视频，你的显卡够格吗-平芜编程栈

LTX-Video 实时视频生成快速上手：12 秒出一段 10 秒视频，你的显卡够格吗

【免费下载链接】LTX-VideoOfficial repository for LTX-Video项目地址: https://gitcode.com/GitHub_Trending/ltx/LTX-Video

LTX-Video 是 Lightricks 开源的 DiT 架构实时视频生成模型。它的卖点很直接：在 RTX 4090 上以 1216×704 分辨率跑到 32FPS，一张 RTX 4060 也能以 25FPS 出片——按这个速度，一段 10 秒的视频 12 秒左右就能生成完。这篇文章按"能不能跑 → 怎么跑得省 → 上生产前注意什么 → 还能怎么玩"的顺序讲清楚，全程基于仓库里现成的配置文件，不用自己调参。

8GB 显卡能跑吗？

先说结论：能，但要选对模型档位。

仓库的configs/目录下放着一整套现成配置，从 13B 全精度到 2B 蒸馏版一应俱全。8GB 显存（比如 RTX 4060）建议直接用 2B 蒸馏配置 configs/ltxv-2b-0.9.8-distilled.yaml，这个档位在我们的实测里可以在 1216×704、25FPS 下完成生成。如果你手里是 24GB 的 4090，就上 13B 蒸馏版，质量高一档，速度依然够快。

档位怎么选，一句话：显存 <12GB 用 2B 蒸馏，12-24GB 用 13B 蒸馏，追求最高画质且显存宽裕再考虑 13B 全精度 dev 版。

第一次上手：三步装完，两条命令出片

环境要求不苛刻：Python 3.10+、CUDA 12.2、PyTorch 2.1.2 以上。装完环境后，出片只需要一条命令，以图生视频为例：

python inference.py --prompt "一只狗在草地上奔跑，镜头跟随" \ --conditioning_media_paths your_image.jpg \ --conditioning_start_frames 0 \ --height 704 --width 1216 --num_frames 121 \ --seed 42 --pipeline_config configs/ltxv-2b-0.9.8-distilled.yaml

这里有两个数字要记牢：分辨率两边都要能被 32 整除，帧数要满足 8n+1（比如 121、257）。上面那条命令生成 121 帧，按 25FPS 播放正好是约 5 秒。想生成 10 秒视频就把num_frames改成 257，纯文本生视频则去掉--conditioning_media_paths相关参数即可，完整参数见python inference.py --help。

显存不够时，按顺序试这三个动作

遇到 CUDA out of memory 别急着加显卡，按下面顺序来，每一步成本都很低：

🎯 换 FP8 配置：把--pipeline_config指向 configs/ltxv-13b-0.9.8-distilled-fp8.yaml，13B 模型的显存占用能从 24GB 降到 16GB 左右，画质损失约 2-3%。FP8 权重在 Ada 架构（40 系）及更新的显卡上还有额外加速，需要单独安装官方的 FP8 kernel。
降步数、换蒸馏：蒸馏版模型不需要 classifier-free guidance 和时空引导，8 步就能出片，比非蒸馏版少跑近 4 倍步数，显存峰值自然更低。
降分辨率和帧数：先把宽度从 1216 降到 960 试试，帧数减半，显存压力直接砍一半，确认流程通了再调回去。

为什么这么快：配置里藏着一个两遍生成的流程

打开任意一份 0.9.8 蒸馏配置（比如 configs/ltxv-13b-0.9.8-distilled.yaml）你会看到first_pass和second_pass两段：第一遍用 0.667 倍的低分辨率跑 7 个时间步，第二遍用空间上采样器补到目标分辨率再跑 3 步。总步数只有 10 步出头，而 13B 全精度 dev 版是两遍各 30 步、外加 30-80 的 guidance 和时空引导调度——这就是"蒸馏版快十几倍"的全部原因。

底层的 3D Transformer 同时建模空间和时间两个维度，保证了帧间运动连贯，相关实现在 ltx_video/models/transformers/ 目录。调度器用的是从 checkpoint 里读取的整流流（rectified flow）时间步表，所以不同档位的"步数"不是拍脑袋定的，而是官方针对画质-速度曲线标好的。

上生产前，两个参数先定好

把 LTX-Video 接进业务前，建议先跑通两条基线：一条纯文本、一条图生视频，把下面两个参数调到位再谈规模化。

guidance_scale 不是越大越好。纯文本生成建议 3.5-4.0，图像条件生成建议 2.5-3.0；超过 5 之后画面会过饱和、细节反而变糊，我们实测 13B 蒸馏版在 4.0 附近质量最稳。

另一件事是保存 seed。同一个 seed + 同一份配置可以精确复现画面，调参对比时先固定 seed 再改参数，不然你永远分不清是参数起作用还是随机性在捣乱。并发部署时，多张 4090 跑独立实例比单卡挤吞吐更线性，2 卡方案日均处理 5000 段 10 秒视频是可行的量级。

不止文生视频：多条件控制还能怎么玩

跑通基础流程之后，这个仓库真正的玩法空间才打开，inference.py的命令行参数原生支持三种进阶用法：

🎬 关键帧动画：--conditioning_media_paths可以同时传多张图，配合多组--conditioning_start_frames指定每张图出现在第几帧，中间内容由模型自由补全；
视频续写：传一段已有视频（帧数 8n+1）作为条件，往前后任意方向延展，适合做长镜头；
深度/姿态/边缘控制：官方 IC-LoRA 控制模型可以按深度图、骨架图、Canny 边缘图精确驱动生成，效果可以参考仓库里的演示：

如果不想碰命令行，仓库也支持以 Python 库形式调用（from ltx_video.inference import infer, InferenceConfig），封装成 API 服务只是加一层路由的事。