最近 AI 视频圈可以说是被一个名字刷屏了 —— LTX-2。它不仅完全免费开源，而且直接把现在最前沿的视频生成能力，一股脑塞进了一个模型里。LTX-2 是第一个基于 DiT 的音视频基础模型，它将现代视频生成的所有核心功能集成在一个模型中：同步音频和视频、高保真度、多种性能模式、可用于生产的输出、API 访问和开放访问！
更离谱的是：8GB 显存的家用显卡就能跑本地生成，不用排队、不用云端、不怕限速想生成多少就生成多少！可以说，这是第一次，普通人真正有了“自己的视频生成工厂”。关键是它可以生成那种 “老司机” 秒懂的AI视频，本地生成没有任何限制……
对中文的提示词理解也超准确，生成的人物也非常适合我们亚洲人的审美标准，比如下方的生成效果，无论是男孩还是女孩，颜值确实很高！
工作流下载：
LTX-2 开源项目：https://github.com/Lightricks/LTX-2 或 【备用下载】
快速部署：
# Clone the repository
git clone https://github.com/Lightricks/LTX-2.git
cd LTX-2
# Set up the environment
uv sync --frozen
source .venv/bin/activate
从LTX-2 HuggingFace 存储库下载以下模型：
LTX-2 型号检查点（选择并下载以下其中一项）
空间放大器– 此存储库中当前两阶段流水线实现所必需的
时间放大器– 该模型支持此功能，并且是未来管道实现所必需的。
精简版 LoRA – 此存储库中当前两阶段流水线实现所必需的（DistilledPipeline 和 ICLoraPipeline 除外）
Gemma文本编码器（从存储库下载所有资源）
LoRA
优化技巧
- 使用 DistilledPipeline – 仅使用 8 个预定义 sigma 即可实现最快的推理（第一阶段 8 个步骤，第二阶段 4 个步骤）
- 启用 FP8 转换器– 降低内存占用：
--enable-fp8（CLI）或fp8transformer=True（Python）
- 安装注意力机制优化– 使用 xFormers (
uv sync --extra xformers) 或适用于 Hopper GPU 的Flash Attention 3
- 使用梯度估计——在保持质量的前提下，将推理步骤从 40 步减少到 20-30 步（参见流程文档）。
- 跳过内存清理– 如果您的显存足够，请禁用阶段间的自动内存清理，以加快处理速度。
- 选择单阶段流水线——适用
TI2VidOneStagePipeline于不需要高分辨率时快速生成图像的情况。
当然对于新手来说，我建议大家直接使用ComfyUI 进行一键部署，会超级方便！
ComfyUI 最新版：【点击下载】
【注意】： 由于 ComfyUI 官方客户端所必须的环境安装包和AI模型的下载是需要外网环境，如果如果你无法下载的话，那么可以通过【安全加密VPN】来进行解决【点击下载】，并开启TUN全局模式！
安装以后在模板中心，选择你对应的LTX-2 音视频模型，支持文生视频、图生视频、视频编辑等，如果显存比较小的，建议选择下方的量化版，这样可以避免爆显存的问题
8G 显存版模型：
1、【点击下载】 或 【网盘下载】由KJ大佬提供
直接选择里面的 ltx-2-19b-distilled_Q4_K_M.gguf。当然，ltx-2-19b-distilled_Q8_0.gguf也可以！
2、【点击下载】 适合8G以下显存
其次，VAE模型使用KJ的 VAE！AUDIO VAE模型也是【点击下载】；
然后，text_encoders：我们去打开GGUF量化版的unsloth/gemma-3-12b-it-GGUF 【点击下载】
Q４版，Q２也可以。还有两个文件很重要，也要同时放到text_encoders
目录下：去ltx-2官方模型库中下载这个：
以及，去KJ库中下载：
也放在models\text_encoders下。
请将以下模型放入 ComfyUI 对应的目录下（文件名仅供参考，认准关键词）：
| 模型类型 |
存放路径 |
下载说明 |
| 视频主模型 (UNET) |
models/unet/ |
下载目标：LTX-Video 蒸馏模型的 GGUF 版本推荐版本：• 8G 显存推荐：ltx-2-19b-distilled_Q4_K_M.gguf (兼顾质量与显存)• 极致节省：Q3_K_M.gguf（如果能找到的话） |
| 文本编码器 (CLIP) |
models/clip/ |
注意：必须加载“双组件”，缺一不可！• 组件 A (理解语义)：gemma-3-12b-it-Q4_K_S.gguf（Gemma 3 的 GGUF 量化版）• 组件 B (负责翻译)：ltx-2-19b-embeddings_connector_distill_bf16.safetensors（投影层文件，约 300~600MB，无此文件会直接报错）•tokenizer.model |
| VAE 模型 |
models/vae/ |
下载目标：LTX-Video KJ版 VAE (LTX2_video_vae_bf16.safetensors和LTX2_audio_vae_bf16.safetensors) |
二、插件安装
确保安装了 ComfyUI-GGUF 插件（通常位于 custom_nodes 目录下）。
如果不是使用我的魔改版，可直接它的最新版试。
三、启动器参数设置 (秋叶启动器)
为了在 8G 显存上运行，必须严格限制显存使用并禁用不兼容的加速库：
打开秋叶启动器 → 高级选项
关键设置：
显存策略：选择 “低显存 (Low VRAM)”
Xformers：必须关闭 (取消勾选)
原因：LTX 的 Gemma 文本编码器太大，会被卸载到 CPU 内存。Xformers 不支持 CPU 运算，开启会导致 No operator found… device=cpu 报错
附加参数（切换到专家模式）：
plaintext
–lowvram –disable-xformers 或 “–disable-xformers”
测试文生视频提示词：
1⃣ 情侣中文对话（口型+情绪测试）
用途：测试中文普通话 + 口型同步
一对 20 多岁的亚洲年轻情侣坐在咖啡馆里聊天，女生微笑着说普通话：“你还记得我们第一次见面吗？”
男生轻轻点头，用普通话回答：“当然记得，那天你穿着白色裙子，我一眼就喜欢上你了。”
自然光，真实摄影风格，镜头轻微晃动，人物口型与语音完美同步，情绪温暖真实。
2⃣ 搞笑情侣短剧
用途：测试表情变化 + 语音节奏
亚洲年轻情侣在家里吵架，女生用普通话生气地说：“你又忘记洗碗了！”
男生一脸无辜，用搞笑语气说：“我不是忘了，我是在等灵感。”
轻喜剧风格，表情夸张但自然，口型同步，节奏轻快。
3⃣ 游戏实况风格
用途：测试动态画面 + 解说同步
第一人称射击游戏画面，玩家在城市废墟中战斗，一边玩一边用普通话解说：
“这把枪后坐力太大了，但伤害真的高，我要从右边绕过去。”
画面流畅，枪声和语音同步，画面带轻微游戏 HUD。
4⃣ 主播带货风格
用途：测试真人讲解 + 口播
一位亚洲女主播面对镜头，用普通话热情介绍一款智能手表：
“这款手表不仅能测心率，还能监测睡眠，非常适合上班族。”
电商直播风格，灯光明亮，口型精准。
5⃣ 搞笑新闻播报
用途：测试长句 + 稳定语音
一位男主播用普通话严肃播报：
“今天的头条新闻是一只猫成功打开了冰箱，并且吃光了所有的鱼。”
新闻演播室背景，风格一本正经但内容搞笑。
6⃣ 自然风景纪录片
用途：测试环境音 + 旁白
航拍中国山川和湖泊，清晨薄雾环绕，一位男声普通话旁白：
“这里是大自然最宁静的角落，每一缕阳光都让人感到平静。”
电影级自然纪录片风格，声音温柔清晰。
7⃣ 狮子打斗场面
用途：测试动作 + 物理 + 音效
非洲草原上，两只雄狮激烈打斗，尘土飞扬，低吼声和脚步声同步，
镜头快速切换，真实野生动物纪录片风格，动作流畅有冲击力。
8⃣ 功夫打斗场景
用途：测试人物动作+音效同步
两名亚洲功夫高手在雨夜的街道上对决，拳脚相交，雨水飞溅，
伴随呼吸声和打斗音效，电影级动作风格，慢动作穿插。
9⃣ AI科幻对话
用途：测试多角色对话
未来科幻实验室里，一名亚洲女科学家用普通话说：
“你真的认为自己有情感吗？”
一个人形机器人用冷静的普通话回答：
“我正在学习理解人类的情绪。”
灯光冷色调，科幻电影风格。
搞笑动物配音
用途：测试配音贴合
一只小狗坐在沙发上，用童趣普通话配音：
“我今天很乖，所以我要多吃一点零食。”
可爱风格，口型自然贴合。
LTX-2 是什么？为什么它突然爆火？
一句话概括：
LTX-2 是第一个真正意义上的“全能型”音视频生成大模型。
它不是那种：
-
只能生成视频但没声音
-
或者画面和声音对不上
-
或者只能低分辨率
-
或者对显卡要求离谱
LTX-2 是基于最新 DiT（Diffusion Transformer）架构构建的，这是一种目前最先进的视频生成路线，它带来了几个质变级能力：
音画同步生成
不需要再后期配音，它可以直接：
-
生成画面
-
同时生成声音
-
并且嘴型、节奏说话完全同步
这在以前基本是只有商业级模型才能做到的。
高画质 + 多性能模式
LTX-2 不只有一种“画质”，它内置多种模式，比如：
-
极速模式（适合快速出草稿）
-
省显存模式（8GB 显卡也能跑）
-
高质量模式（细节拉满）
你可以根据自己显卡的能力，自由切换。
这意味着：
它不是为土豪准备的模型，而是为普通玩家准备的。
8GB 显卡也能跑，本地部署才是最大杀器
这一点，真的要单独说。
现在市面上很多 AI 视频模型，宣传得天花乱坠，但一看要求：
-
24GB 显存
-
48GB 显存
-
甚至 A100、H100
对普通人来说基本就是“看个热闹”。
而 LTX-2 的杀手级优势是：
哪怕只有 8GB 显存，你也能在自己电脑上跑它。
这意味着什么？
你可以：
-
用 RTX 3060
-
用 3050
-
用 2060
-
甚至一些低功耗卡
直接本地生成视频。
不用：
你就是你自己的 AI 视频工厂。
完全开源 + 无限生成，这才是真正的自由
LTX-2 是 100% 开源模型。
这点对创作者来说非常重要。
因为这意味着：
-
没有生成次数限制
-
没有内容审查锁死
-
没有“商用要额外付费”
-
你生成的视频，版权在你手里
你可以：
-
做短视频
-
做动画
-
做广告
-
做故事
-
做角色对话
-
做 AI 电影
随你怎么玩。
LTX-2 为什么会被称为“视频生成的转折点”？
过去，AI 视频是这样：
-
要么画面好但没声音
-
要么有声音但对不上嘴
-
要么要天价显卡
-
要么只能在云端被限制
而 LTX-2 把这些全部打通了：
音频 + 视频 + 高质量 + 本地运行 + 低门槛
这在整个 AI 视频领域，是第一次真正意义上的“民用化”。
总之
如果你：
-
做短视频
-
做自媒体
-
做动画
-
做 YouTube
-
做 TikTok
-
或者只是想玩 AI 视频
那么 LTX-2 就是你目前能用到的性价比之王。不是云端，不是订阅制，而是：你自己的显卡 + 你自己的模型 + 无限的视频创作能力。
登录
