220亿参数开源视频模型发布!4090本地跑4K,告别无声默片时代
01模型定位与核心能力概览
LTX-2.3由以色列AI公司Lightricks开发,是目前开源社区中参数规模最大的视频生成模型之一,采用Diffusion Transformer(DiT)扩散变换器架构,拥有220亿参数。该模型的核心定位为“生产级开源视频引擎”,强调本地部署能力、高一致性以及多模态同步生成。
据官方技术文档显示,LTX-2.3支持三种核心生成模式:文本生成视频(Text-to-Video)、图像生成视频(Image-to-Video)以及音频生成视频(Audio-to-Video)。这一多模态支持能力使其在开源视频模型中具备较高的通用性。素材中提到,该模型首次在LTX系列中实现了原生音频生成功能,可在生成视频的同时输出匹配的音效、环境音乃至对话内容,“告别无声默片,直接输出带声源的完整成片”。
在分辨率与时长方面,LTX-2.3最高支持4K分辨率输出,并原生支持9:16竖屏格式(最高1080×1920),适配抖音、TikTok等短视频平台的创作需求。帧率方面提供24FPS和48FPS两种选择,分别对应电影感与流畅运动风格。单次生成最长可达20秒视频,支持通过延展功能进一步延长。123
据官方技术文档显示,LTX-2.3支持三种核心生成模式:文本生成视频(Text-to-Video)、图像生成视频(Image-to-Video)以及音频生成视频(Audio-to-Video)。这一多模态支持能力使其在开源视频模型中具备较高的通用性。素材中提到,该模型首次在LTX系列中实现了原生音频生成功能,可在生成视频的同时输出匹配的音效、环境音乃至对话内容,“告别无声默片,直接输出带声源的完整成片”。
在分辨率与时长方面,LTX-2.3最高支持4K分辨率输出,并原生支持9:16竖屏格式(最高1080×1920),适配抖音、TikTok等短视频平台的创作需求。帧率方面提供24FPS和48FPS两种选择,分别对应电影感与流畅运动风格。单次生成最长可达20秒视频,支持通过延展功能进一步延长。123
02版本体系与硬件门槛
LTX-2.3提供了完整的模型版本体系,以满足不同硬件配置用户的需求。据技术文档梳理,该模型主要包含以下版本类型:
ltx-2.3-22b-dev为完整开发版模型,采用BF16精度,支持完整训练和LoRA微调,文件体积约44GB,适合追求最高画质的正式出片场景。ltx-2.3-22b-distilled为官方蒸馏版,通过知识蒸馏技术将推理速度提升至4-6倍,同时支持8步固定sigma快速推理,CFG参数固定为1,显存需求降至8GB以上即可运行。FP8量化版本进一步将显存占用降低50%,仅需6GB以上显存即可部署。此外还有2B参数的极致轻量蒸馏版,4GB显存即可运行,专用于实时预览和快速迭代场景。
在消费级显卡实测方面,有用户反馈在RTX 5090 32GB显卡上可流畅运行1080p甚至4K的FP8版本;RTX 4090 24GB在优化后可稳定运行720p分辨率;RTX 3060 12GB在约2-3分钟内可生成2秒视频;甚至有用户使用8GB显存的惠普暗影精灵5老旧设备成功生成768×384分辨率的视频。4567
ltx-2.3-22b-dev为完整开发版模型,采用BF16精度,支持完整训练和LoRA微调,文件体积约44GB,适合追求最高画质的正式出片场景。ltx-2.3-22b-distilled为官方蒸馏版,通过知识蒸馏技术将推理速度提升至4-6倍,同时支持8步固定sigma快速推理,CFG参数固定为1,显存需求降至8GB以上即可运行。FP8量化版本进一步将显存占用降低50%,仅需6GB以上显存即可部署。此外还有2B参数的极致轻量蒸馏版,4GB显存即可运行,专用于实时预览和快速迭代场景。
在消费级显卡实测方面,有用户反馈在RTX 5090 32GB显卡上可流畅运行1080p甚至4K的FP8版本;RTX 4090 24GB在优化后可稳定运行720p分辨率;RTX 3060 12GB在约2-3分钟内可生成2秒视频;甚至有用户使用8GB显存的惠普暗影精灵5老旧设备成功生成768×384分辨率的视频。4567
03ComfyUI工作流与操作流程
LTX-2.3在ComfyUI平台获得了原生支持,提供了完整的节点化工作流体系。据素材整理,核心工作流主要分为两大类型:
文生视频工作流(Text-to-Video):该流程适用于从零开始创作视频的场景。用户首先在Gemma 3 Prompt节点中输入创意描述,模型内置的256K超长上下文提示词增强引擎会自动将其补全为分镜级别的详细描述。随后设置分辨率、帧数、时长等参数,点击Queue Prompt即可生成视频。
图生视频工作流(Image-to-Video):素材中多位创作者更推荐这一模式,原因在于其“主体更稳定”“场景漂移更少”。具体流程为:准备一张高质量参考图,上传至Image-to-Video节点,输入运动、镜头、氛围等提示词后生成视频。由于模型基于已有图像延展,人物、产品、场景的一致性更强。
此外,20宫格工作流是专门针对AI漫剧创作优化的自动化流程。该流程将传统“一张图生一段视频”的碎片化操作升级为一张包含20组分镜的大图一次性动画化,输出接近60秒的连贯漫剧素材。据创作者反馈,这一方案“全程本地运行、免费无限制、支持音画同步与唇部对齐”,尤其适合日漫、韩漫、动态漫画及竖屏短剧创作者。891011
文生视频工作流(Text-to-Video):该流程适用于从零开始创作视频的场景。用户首先在Gemma 3 Prompt节点中输入创意描述,模型内置的256K超长上下文提示词增强引擎会自动将其补全为分镜级别的详细描述。随后设置分辨率、帧数、时长等参数,点击Queue Prompt即可生成视频。
图生视频工作流(Image-to-Video):素材中多位创作者更推荐这一模式,原因在于其“主体更稳定”“场景漂移更少”。具体流程为:准备一张高质量参考图,上传至Image-to-Video节点,输入运动、镜头、氛围等提示词后生成视频。由于模型基于已有图像延展,人物、产品、场景的一致性更强。
此外,20宫格工作流是专门针对AI漫剧创作优化的自动化流程。该流程将传统“一张图生一段视频”的碎片化操作升级为一张包含20组分镜的大图一次性动画化,输出接近60秒的连贯漫剧素材。据创作者反馈,这一方案“全程本地运行、免费无限制、支持音画同步与唇部对齐”,尤其适合日漫、韩漫、动态漫画及竖屏短剧创作者。891011
04生成质量与音画同步表现
LTX-2.3在画面质量方面进行了显著升级。官方技术文档指出,重新训练的VAE架构改善了潜在空间编码-解码质量,使头部、边缘、文字等尖端细节在生成流程中保留更完整,高分辨率下纹理模糊问题明显改善。据整合包评测数据,22B参数规模直接带来超过40%的画面细腻度提升,人物皮肤纹理、发丝细节、光影折射等微小元素均可清晰呈现。
在音画同步能力上,LTX-2.3实现了端到端的音频生成。用户实测反馈显示,该模型在生成雨景街道等场景时能自动合成真实雨声,在对话场景中可实现唇部动作与语音的自然匹配。不过也有观点指出,生成的声音是随机合成的,无法直接上传自定义声音进行控制,更适合作为初稿生成而非最终定稿。
用户评价方面,主流观点呈现分化:有用户认为“静态表现优秀,音画同步效果不错,无审查限制”;也有用户指出“音质有进步,但提示词与动态上还是不行,不如WAN 2.2”。关于提示词遵循度,官方文档坦承复杂场景可能无法完美匹配描述,建议使用负向提示词(worst quality, inconsistent motion, blurry等)来优化输出质量。12131415
在音画同步能力上,LTX-2.3实现了端到端的音频生成。用户实测反馈显示,该模型在生成雨景街道等场景时能自动合成真实雨声,在对话场景中可实现唇部动作与语音的自然匹配。不过也有观点指出,生成的声音是随机合成的,无法直接上传自定义声音进行控制,更适合作为初稿生成而非最终定稿。
用户评价方面,主流观点呈现分化:有用户认为“静态表现优秀,音画同步效果不错,无审查限制”;也有用户指出“音质有进步,但提示词与动态上还是不行,不如WAN 2.2”。关于提示词遵循度,官方文档坦承复杂场景可能无法完美匹配描述,建议使用负向提示词(worst quality, inconsistent motion, blurry等)来优化输出质量。12131415
05与WAN 2.2的竞品对比
LTX-2.3与WAN 2.2是目前开源社区关注度最高的两款视频生成模型。据CrePal等多方评测数据整理,两者核心参数对比如下:
参数维度上,LTX-2.3采用22B参数架构,WAN 2.2则提供14B标准版和1.3B轻量版两个选择。最高分辨率方面,LTX-2.3支持原生4K和1080p竖屏,WAN 2.2本地最高720p,1080p需通过API调用实现。原生音频支持是LTX-2.3的显著优势,实现了音视频统一管线生成;WAN 2.2则不具备原生音频功能。最大时长方面,LTX-2.3在720p分辨率下可生成约20秒视频,WAN 2.2约为10秒。
显存需求方面,LTX-2.3官方要求32GB显存,但通过FP8量化和社区优化版,8GB显存即可运行;WAN 2.2的14B版本需要24GB显存,1.3B轻量版则仅需8GB。
在实测表现上,有用户反馈LTX-2.3在720p分辨率下表现稳定,1080p下时长需缩短;WAN 2.2在768p以上分辨率时需要更多调优。在运动风格上,LTX-2.3的动作反馈“更敏捷但偶有飘忽感”,WAN 2.2则“动作感更重但更扎实”。161713
参数维度上,LTX-2.3采用22B参数架构,WAN 2.2则提供14B标准版和1.3B轻量版两个选择。最高分辨率方面,LTX-2.3支持原生4K和1080p竖屏,WAN 2.2本地最高720p,1080p需通过API调用实现。原生音频支持是LTX-2.3的显著优势,实现了音视频统一管线生成;WAN 2.2则不具备原生音频功能。最大时长方面,LTX-2.3在720p分辨率下可生成约20秒视频,WAN 2.2约为10秒。
显存需求方面,LTX-2.3官方要求32GB显存,但通过FP8量化和社区优化版,8GB显存即可运行;WAN 2.2的14B版本需要24GB显存,1.3B轻量版则仅需8GB。
在实测表现上,有用户反馈LTX-2.3在720p分辨率下表现稳定,1080p下时长需缩短;WAN 2.2在768p以上分辨率时需要更多调优。在运动风格上,LTX-2.3的动作反馈“更敏捷但偶有飘忽感”,WAN 2.2则“动作感更重但更扎实”。161713
06应用场景与用户群体适配
综合多源素材分析,LTX-2.3的核心应用场景可分为以下几类:
短视频与社交媒体内容创作者:原生9:16竖屏支持和24/48FPS帧率选择,使其能直接适配抖音、TikTok、Instagram Reels等平台。素材中提到“对于短视频创作者来说,这是实打实的效率提升”,无需通过裁剪或拉伸处理构图问题。
AI漫剧创作者:20宫格工作流与LTX-2.3的结合被多篇素材称为“降维打击”方案。3人团队使用该流程可在5天内完成一部爆款漫剧,算力成本降低55%,人力成本下降72%。对日漫、韩漫、动态漫画及竖屏短剧创作者而言,这一方案具备较高的性价比。
本地化部署需求者:相比按秒计费的云端视频生成服务,LTX-2.3的本地部署方案在成本和隐私保护上具备优势,“完全本地运行、免费无限制”成为吸引点。
不过,该模型也存在一定局限性:复杂双人肢体互动(如打斗场景)可能出现形变;超长视频仍需分段生成再拼接;提示词遵循度在复杂场景下仍有提升空间。对于追求极致动态表现或超长连贯叙事的专业影视项目,可能需要结合其他工具使用。918191
短视频与社交媒体内容创作者:原生9:16竖屏支持和24/48FPS帧率选择,使其能直接适配抖音、TikTok、Instagram Reels等平台。素材中提到“对于短视频创作者来说,这是实打实的效率提升”,无需通过裁剪或拉伸处理构图问题。
AI漫剧创作者:20宫格工作流与LTX-2.3的结合被多篇素材称为“降维打击”方案。3人团队使用该流程可在5天内完成一部爆款漫剧,算力成本降低55%,人力成本下降72%。对日漫、韩漫、动态漫画及竖屏短剧创作者而言,这一方案具备较高的性价比。
本地化部署需求者:相比按秒计费的云端视频生成服务,LTX-2.3的本地部署方案在成本和隐私保护上具备优势,“完全本地运行、免费无限制”成为吸引点。
不过,该模型也存在一定局限性:复杂双人肢体互动(如打斗场景)可能出现形变;超长视频仍需分段生成再拼接;提示词遵循度在复杂场景下仍有提升空间。对于追求极致动态表现或超长连贯叙事的专业影视项目,可能需要结合其他工具使用。918191
07多维度信息汇总
| 对比维度 | LTX-2.3 | LTX-2 | WAN 2.2 |
|---|---|---|---|
| 参数量 | 22B | 约8B | 14B/1.3B |
| 原生音频支持 | ✅ 支持 | ❌ 不支持 | ❌ 不支持 |
| 最高分辨率 | 4K/1080p竖屏 | 1080p | 720p本地 |
| 最大视频时长 | 约20秒 | 约5秒 | 约10秒 |
| 最低显存要求 | 8GB(量化版) | 8GB | 8GB(轻量版)/24GB(标准版) |
| 推理步数 | 8-50步(视版本) | 40-50步 | 16-24步 |
| 竖屏原生支持 | 优秀 | 一般 | 需后期处理 |
| 开源许可证 | Apache-2.0 | Community License | Apache-2.0 |
全网评论精华来自全网380条真实评论总结
观点1
运行报错问题多理由:大量用户反馈使用ComfyUI的LTX系列工作流时出现各类报错,如节点报错、模型加载失败、尺寸不匹配、显存不足、版本兼容问题等,部分用户升级环境或模型后问题加剧
占比35%
观点2
硬件配置要求高理由:多数用户反映运行LTX系列对显存、内存要求高,低配置显卡(如8G、12G显存)难以流畅运行,高配置显卡(如50系、40系高端)虽可运行但也存在爆显存、内存不足等问题
占比25%
观点3
模型与工作流问题理由:用户反馈模型下载困难、找不到对应模型、模型效果差(如画面糊、人脸崩坏、风格不符)、工作流设置复杂、放大模型识别失败等问题
占比20%
观点4
教程与资源需求理由:大量用户请求整合包、工作流、模型下载链接,询问参数设置、节点安装、提示词书写等教程,部分用户反馈找不到对应教程或资源
占比15%
观点5
效果与性能问题理由:用户反馈生成视频存在画面糊、人脸崩坏、风格不符、时长控制难、生成速度慢等问题,部分用户对比不同模型效果后认为LTX系列仍有优化空间
占比5%
当前文章无评论,是时候发表评论了