LTX-2.5 本地实战22B 开源视频模型文生视频与图生视频带同步音效输入一句描述得到一段脚步声、风声与对白和画面对齐的视频。这是 LTX-2.5——本地可跑文生视频、图生视频与音视频同步生成的开源 AI 视频生成模型。组织年收入低于 1000 万美元即可免费商用。项目速览22B DiT 架构与许可证门槛LTX-2.5 是创意软件公司 LightricksLTX Studio 的开发商开源的最新一代视频生成模型。主模型采用Diffusion TransformerDiT架构参数量 22B权重完全开放每个组件是一个独立的 .safetensors 文件想加载哪个加载哪个也能直接拿来微调。许可证方面年收入低于 1000 万美元的组织免费商用超出门槛需与官方另签商业协议。四种使用场景文生视频、图生视频、音视频同步、视频转视频文生视频从一句话到多镜头画面没有素材、只有想法时就用文生视频。LTX-2.5 使用定制版 Gemma 4 12B 文本编码器多角色、运镜、光线、动作这类长提示里的细节不会被丢内置的提示词增强器还能把一句短描述扩展成更完整的电影级指令额外算力开销很小。更实用的是原生多镜头生成一次输出多个连贯镜头角色身份、环境、光线、声音、视觉风格在切镜后依然保持一致。画质上模型按场景复杂度动态分配算力新的扩散视频解码器接手重建环节人脸、纹理、屏幕文字更清晰复杂场景伪影更少。图生视频让静态图动起来还能控制中间帧和结尾帧最常用的玩法。给模型一张首帧图片配一句动态描述比如镜头缓慢后拉风吹过草地画面就会自然地动。还可以用多张图做条件输入把中间帧、结尾帧也钉住镜头控制更精准。图片宽高只需满足能被 32 整除。音视频同步声音和画面一次生成对齐多数 AI 视频模型只出哑片LTX-2.5 则用独立的音频 VAE与视频联合生成——脚步、风声、环境音乃至对话都对齐画面动作。做短剧、Vlog、产品演示省掉了整条后期配音链路。视频转视频存量素材做风格迁移与增强手头已有素材时视频到视频模式适合做风格迁移、画质增强、内容扩展创作流程从从零造补到再创作。快速上手环境要求与最小可运行命令环境要求官方建议 Python ≥ 3.12、CUDA ≥ 12.7、PyTorch ≈ 2.7NVIDIA 显卡体验最佳。获取模型权重git clone https://gitcode.com/hf_mirrors/Lightricks/LTX-2.5最小命令仓库是组件化打包官方ltx-pipelines包通过参数逐个指向组件文件。蒸馏版文生视频的最简形式uv run python -m ltx_pipelines.distilled \ --transformer-path diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors \ --prompt A golden retriever running through a sunny meadow --output-path out.mp4完整运行时其余组件文本编码器、视频 VAE、音频 VAE、时长头、空间上采样器通过--text-encoder-path、--video-vae-path、--audio-vae-path等参数一并发入。不写--num-frames时时长预测头会根据提示词自动定帧数显存紧张可加--quantization fp8-cast --offload cpu动态降精度并卸载到内存。关键约束最容易踩坑的两条约束规则示例帧数num_frames % 8 11、9、17、…、121分辨率宽高均能被 32 整除544×960进阶选型dev、蒸馏与量化版本组件目录怎么看主模型共 5 个文件选哪个看用途和硬件版本特点谁该选dev bf16ltx-2.5-22b-dev-transformer-bf16.safetensors完整可训练版要微调、训 LoRA 的人distilled bf16ltx-2.5-22b-distilled-transformer-bf16.safetensors固定 8 步调度、CFG1出片最快大多数人的首选速度画质均衡distilled int8ltx-2.5-22b-distilled-transformer-comfy-int8-convrot.safetensorsint8 量化仅限 ComfyUIComfyUI 用户、显存偏紧dev int8ltx-2.5-22b-dev-transformer-comfy-int8-convrot.safetensors完整版 int8 量化仅限 ComfyUI想要完整质量又显存有限的 ComfyUI 用户distilled NVFP4ltx-2.5-22b-distilled-transformer-nvfp4.safetensorsNVFP4 格式NVIDIA Blackwell 显卡用户极致省显存这代蒸馏版更新幅度很大更多保留了完整版的画质、提示遵循度与运动一致性追求速度的人值得先试它。注意两个 int8 版只能在 ComfyUI 里加载ltx-pipelines走的是 bf16 权重。5 个主模型都放在 diffusion_models/配套的 Gemma 4 12B int8 文本编码器也在 text_encoders/ 里。目录结构一行一个职责完整说明见 README.mddiffusion_models/DiT 主模型视频生成的大脑text_encoders/Gemma 4 12B 文本编码器负责理解提示词vae/视频 VAEDiffVAE 高品质版 Conv 轻量版与音频 VAEloras/官方蒸馏 LoRA配合 dev 版工作流使用model_patches/时长预测头不指定帧数时自动推断时长latent_upscale_models/空间 x2 与时间 x2 放大模型多阶段高清管线必备ComfyUI 入口官方工作流模板已内置拖拽节点即可完成文生视频、图生视频与音频生成不用写代码量化版权重就是为它准备的。Diffusers 入口习惯 Diffusers 生态的话官方另有兼容包LTX2ImageToVideoPipeline走两阶段管线——先低分辨率生成再经 latent upsampler 放大 2 倍直接输出带音频的成品视频。避坑问答显存不足、商用授权与能力边界问题答案显存装不下 22B 怎么办换 int8 或 NVFP4 量化版或用 bf16 版加--quantization fp8-cast --offload cpu低显存也能跑能不能商用年收入低于 1000 万美元的组织在 LTX-2.x 社区许可证下免费商用超过该门槛需联系官方签署商业协议能力边界怎么看不能提供事实性信息作为统计模型可能放大既有社会偏见提示词写法对结果影响很大可能生成与提示不完全一致乃至不当的内容发布前建议人工审核如果你是想批量产出短视频素材的创作者或是想研究视频生成技术的开发者LTX-2.5 值得花一个下午搭起来先把上面的蒸馏版文生视频命令跑通确认声画同步的效果再决定是接入 ComfyUI 工作流还是基于 dev 版开始微调。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考