LTX-Video是由以色列AI公司Lightricks开发的视频生成模型系列，核心团队来自希伯来大学，曾在图像处理领域推出Facetune、Photoleap等知名产品。LTX-Video是首个基于DiT架构实现实时高质量视频生成的模型，能够在1216×704分辨率下以30fps生成快于观看速度的视频。该系列以“实时生成”为核心定位，从2024年的2B参数起步，经过13B扩展和音视频联合生成两个关键节点，最终演进至2026年的22B全模态世界模型。
从版本谱系来看，LTX-Video已发展出以下主要版本线：
0.9.x系列（奠基阶段） ：LTX-Video 0.9（2024年11月）→ 0.9.1 → 0.9.5（2025年3月）→ 0.9.7 → 0.9.8（2025年7月）。该系列提供2B和13B两个参数规格，基于T5-XXL文本编码器和单流DiT架构，仅支持视频生成，不含音频能力。其中13B版本于2025年5月推出，将生成质量提升至工作室级别。0.9.8版本新增蒸馏模型，支持最长60秒视频生成，并引入OpenRail-M许可证允许商用。
LTX-2系列（音视频联合生成） ：LTX-2（2025年10月23日）是系列的分水岭版本，参数量19B，首次实现同步音视频联合生成，支持24kHz音频输出。采用Gemma 3作为文本编码器，标志着从“无声视频生成”向“音视频一体化”的范式转变。
LTX-2.3系列（质量精修） ：2026年3月发布，参数量从19B提升至22B，音频质量提升至48kHz，新增原生9:16竖版生成和最高4K分辨率输出，图像转视频的自然度和视觉一致性显著改善。
LTX-2.5系列（当前旗舰） ：2026年8月11日发布，是当前推荐的生产级模型，引入原生多镜头生成、自适应时长预测、HDR ACES输入输出和全新扩散视频解码器。采用定制Gemma 4 12B文本编码器，文本理解能力和提示词遵循度大幅提升。在2张NVIDIA GB200配置下生成10秒720P视频仅需6.8秒。
第二部分：各版本详细对比与拆解
一、核心版本参数对比
维度 LTX-0.9.x LTX-2 LTX-2.3 LTX-2.5
发布时间 2024年11月 2025年10月 2026年3月 2026年8月
参数规模 2B / 13B 19B 22B 22B
文本编码器 T5-XXL Gemma 3 Gemma 3 Gemma 4 12B
架构 单流DiT + Video VAE 非对称双流DiT 非对称双流DiT 非对称双流DiT + 扩散解码器
音频生成 不支持 支持（24kHz） 支持（48kHz） 支持（48kHz）
最高分辨率 1216×704 720p基础 4K 4K（Fast）/ 1080p（Pro）
帧率 30 FPS 24 FPS 25 FPS 50 FPS
原生多镜头 不支持 不支持 不支持 支持
自适应时长 不支持 不支持 不支持 支持
竖版原生 不支持 不支持 支持（9:16） 支持
HDR支持 不支持 不支持 不支持 HDR ACES
开源协议 OpenRail-M 开放权重 开放权重 开放权重（门控）
从0.9.x到2.5，LTX-Video经历了三次明确的能力跃迁。0.9.x时代聚焦“实时性能”——以2B小模型实现快于观看速度的生成，在RTX 4090上即可运行。LTX-2时代聚焦“音视频一体化”——首次将音频生成纳入模型能力范围，使视频自带同步音轨。LTX-2.5时代则聚焦“生产级交付”——通过原生多镜头、扩散解码器和HDR支持，将模型从“片段生成器”升级为“影视级创作平台”。
二、LTX-2.5 核心技术拆解
原生多镜头生成：LTX-2.5最核心的突破是将多镜头生成从“多次独立生成再拼接”变为“单次生成含多镜头的连续视频”。创作者可以在一条提示词中描述多个镜头的切换（如“镜头1：全景展示城市天际线。镜头2：切换到街角咖啡馆内部。”），模型会自动处理镜头切换并保持角色和场景的跨镜头一致性。
扩散视频解码器（Diffusion Video Decoder） ：这是LTX-2.5在画质层面的关键升级。传统VAE解码器通过插值还原像素，容易在高动态镜头中产生伪影。扩散解码器采用去噪方式还原画面，能更准确地重建文字和人脸等细节，同时保持高压缩比。
自适应时长预测（Duration Head） ：LTX-2.5引入了时长预测功能，模型可以根据提示词内容自动决定合适的视频长度，而非由用户手动设置。这一能力对批量内容生产场景尤为重要——API调用方无需为每条提示词单独指定时长参数。
定制Gemma 4文本编码器：LTX-2.5使用专门微调的Gemma 4 12B作为文本编码器，与模型权重版本锁定。这一选择使提示词遵循度显著提升，尤其是对复杂多子句提示的理解能力。
三、0.9.x系列的2B与13B规格对比
在0.9.x时代，2B和13B形成了清晰的质量-效率分层：
维度 2B系列 13B系列
参数量 20亿 130亿
显存需求 单张消费级GPU 更高显存要求
生成速度 15倍加速蒸馏版 比同类快近30倍
推荐分辨率 768×512 1216×704
质量定位 快速迭代/原型 工作室级质量
典型用途 社交媒体/预览 商业交付/电影预可视化
2B蒸馏版在LTX家族中实现了最低的聚合MAD（平均绝对偏差），在256×160分辨率下为14.23，甚至优于13B的22.34，说明蒸馏后的2B模型在时序一致性上具有独特优势。13B Dev版本提供最高质量输出，13B Distilled版本在质量和速度之间取得平衡，适合快速迭代。
四、定价体系对比
LTX-Video采用API按秒计费模式。LTX-2.5 Fast在720p下$0.09/秒，1080p下$0.13/秒，1440p下$0.19/秒，4K下$0.30/秒。LTX-2 Pro（1080p）定价为$0.06/秒（Image-to-Video），1440p为$0.12/秒，2160p为$0.24/秒。在fal.ai平台上，LTX-2.3 Fast 1080p为$0.20/秒，1440p为$0.40/秒，4K为$0.80/秒。
LTX-2.5的开源权重采用门控下载机制，用户需要在Hugging Face上接受许可证并配置访问令牌后方可使用。官方提供两种量化包：4-bit量化版（36GB，约10%噪声）和8-bit质量版（59GB，约0.6%噪声），8-bit版本支持扩散解码器开关，可为97帧768×512片段增加约21秒渲染时间换取更锐利的纹理和边缘。
第三部分：为什么分这么多版本？
一、场景适配：从“能生成”到“能交付”的三级跳
LTX-Video的版本分化遵循一条清晰的“速度-质量-交付”演进路径。0.9.x管快速原型和实时生成，2B版本在消费级GPU上实现快于观看速度的生成，13B版本为商业场景提供工作室级画质。LTX-2管音视频一体化，使生成的视频自带同步音轨，消除了后期配音的独立步骤。LTX-2.5管生产级交付，原生多镜头、自适应时长和HDR ACES支持使其具备了进入专业影视工作流的能力。
这一分层的核心价值在于场景精度的匹配。社交媒体创作者使用2B蒸馏版即可满足日常内容产出；广告团队需要音画同步时切换到LTX-2；影视制作团队需要多镜头叙事和HDR交付时使用LTX-2.5。正如SD.Next文档所指出的，LTX家族“每一代都支持，但新一代不严格是旧一代的超集”——自适应时长只在2.5上存在，逐帧解码控制只在0.9.x上存在。
二、技术路线的根本性跃迁
LTX-Video的技术路线经历了三次根本性转向。0.9.x时代基于单流DiT架构和T5-XXL文本编码器，核心目标是“在消费级硬件上实现实时视频生成”，通过高度压缩的时空潜在空间（1:192压缩比，32×32×8像素/token）实现效率突破。LTX-2引入了非对称双流DiT架构——视频流和音频流各自拥有独立的VAE，通过双向交叉注意力实现深度耦合，使音频不再是“后期附加”而是“原生产出”。LTX-2.5则在双流架构基础上引入扩散视频解码器和定制Gemma 4文本编码器，将视觉保真度推至专业级。
三、开源战略的分层设计
Lightricks采取了精细的分层开源策略。0.9.x系列以OpenRail-M许可证开源，允许商业使用。LTX-2和2.3以开放权重形式发布，在Hugging Face上提供FP8量化版本。LTX-2.5则采用门控下载机制，用户需要接受许可证后方可获取权重。这一策略的精妙之处在于：0.9.x的宽松开源吸引了大量开发者和研究者构建社区生态；2和2.3的开放权重使商业用户能够在本地部署和微调；2.5的门控机制则在保持“开放世界模型”定位的同时，为Lightricks保留了商业化空间。
四、实时生成能力的差异化定位
LTX-Video与其他视频生成模型最核心的差异化在于“实时性”。LTX-2B蒸馏版在NVIDIA H100上生成5秒24fps的768×512视频仅需2秒，快于实时播放速度。LTX-2.5在2张GB200上生成10秒720P视频仅需6.8秒。这一速度优势使LTX-Video成为唯一能够支撑“实时交互式视频生成”的开源模型。Infinite TV项目正是基于这一能力构建——系统监听Twitch聊天消息，将其转化为提示词，通过LTX实时生成视频并推送到RTMP直播流，实现了从“视频生成”到“视频直播”的产品形态突破。
第四部分：最著名版本——LTX-2.5 ComfyUI 本地部署实战
LTX-2.5是当前推荐的生产级版本，原生多镜头生成、扩散视频解码器、自适应时长和HDR ACES使其成为影视级AI视频生成的首选开源基座。以下为基于ComfyUI的完整本地部署步骤。
步骤一：环境准备与硬件规划
硬件配置基准：
推荐配置：NVIDIA GPU，显存32GB+（RTX 5090或A100），100GB+空闲磁盘空间
极致轻量：Mac Studio M4 Max 128GB（4-bit量化版36GB）
企业级：2×NVIDIA GB200，10秒720P视频6.8秒生成
内存：32GB DDR5及以上
操作系统：Ubuntu 22.04 / Windows 10/11 / macOS（mlx-serve）
软件环境清单：
Python 3.12+
PyTorch 2.5+
CUDA 12.1+
ComfyUI最新版本（LTX-2.5原生支持）
步骤二：安装ComfyUI并部署LTX-Video节点
方案A：ComfyUI Manager一键安装（推荐）
bash
# 更新ComfyUI到最新版本
cd ComfyUI
git pull
# 打开ComfyUI，点击Templates按钮
# 搜索“LTX-2.5”
# 选择Text to Video或Image to Video模板
# 点击“Download all”自动下载所需模型
# 重启ComfyUI
节点将出现在节点菜单的“LTXVideo”分类下，包括LTXVideo/loaders、LTXVideo/samplers、LTXVideo/conditioning、LTXVideo/utils等子分类。
方案B：手动安装
bash
cd ComfyUI/custom_nodes
git clone https://github.com/Lightricks/ComfyUI-LTXVideo.git
cd ComfyUI-LTXVideo
pip install -r requirements.txt
# 重启ComfyUI
步骤三：下载LTX-2.5模型文件
bash
# 接受LTX-2.5许可证后，使用Hugging Face令牌下载
huggingface-cli login
# 下载主模型
huggingface-cli download Lightricks/LTX-2.5 \
--local-dir ./models/LTX-2.5
# 下载文本编码器（Gemma 4 12B）
huggingface-cli download Lightricks/LTX-2.5 \
gemma4-12b-with-proj-ltx-2.5-bf16.safetensors \
--local-dir ./models/text_encoders
# 下载视频VAE和音频VAE
huggingface-cli download Lightricks/LTX-2.5 \
ltx-2.5-video-vae-bf16.safetensors \
ltx-2.5-audio-vae-bf16.safetensors \
--local-dir ./models/vae
# 下载提示增强器（可选）
huggingface-cli download Lightricks/LTX-2.5 \
gemma4_e2b_it_bf16.safetensors \
--local-dir ./models/text_encoders
LTX-2.5使用分离的视频VAE和音频VAE——视频VAE解码生成的视频帧，音频VAE解码生成的音轨。文本编码器使用Gemma 4 12B，提示增强器可将简短提示扩展为更详细的描述。
步骤四：启动ComfyUI并加载工作流
bash
python main.py --listen 0.0.0.0 --port 8188
浏览器访问 http://localhost:8188，点击Workflows按钮，导航到 custom_nodes/ComfyUI-LTXVideo/example_workflows/ 选择LTX-2.5工作流文件。关键参数配置：
分辨率：720p / 1080p / 4K
帧率：25 FPS或50 FPS
模式：Text-to-Video / Image-to-Video / Audio-to-Video
步骤五：Python原生调用（Diffusers）
python
import torch
from diffusers import LTXPipeline
pipe = LTXPipeline.from_pretrained(
"Lightricks/LTX-2.5",
torch_dtype=torch.bfloat16
)
pipe.to("cuda")
# 多镜头提示词
prompt = (
"Shot 1: Wide establishing shot of a rain-soaked Tokyo street "
"at night, neon signs reflecting in puddles. "
"Shot 2: Cut to a close-up of a lone figure standing under "
"an umbrella, their face illuminated by passing headlights. "
"Shot 3: Camera pulls back to reveal the entire intersection, "
"with the figure walking away into the crowd."
)
video = pipe(
prompt=prompt,
num_inference_steps=8, # 蒸馏版8步
guidance_scale=3.0,
height=720,
width=1280,
num_frames=250 # 约10秒@25fps
).frames[0]
from diffusers.utils import export_to_video
export_to_video(video, "output.mp4", fps=25)
步骤六：量化版本部署（低显存方案）
对于显存不足的场景，使用FP8或NVFP4量化版本：
bash
# 下载FP8量化版
huggingface-cli download Lightricks/LTX-2.5-fp8 \
--local-dir ./models/LTX-2.5-fp8
python
pipe = LTXPipeline.from_pretrained(
"./models/LTX-2.5-fp8",
torch_dtype=torch.float8_e4m3fn
)
pipe.enable_sequential_cpu_offload() # 序列CPU卸载
Mac用户可通过mlx-serve使用4-bit量化版（36GB）或8-bit质量版（59GB）运行LTX-2.5。
步骤七：监控与调优
关键指标监控：
显存占用：FP8约20-25GB，BF16约40GB，4-bit量化约36GB（Mac）
生成速度：2×GB200上10秒720P约6.8秒；RTX 4090上约30-60秒/5秒视频
GPU利用率：目标>80%
降本策略：对快速原型使用2B蒸馏版（15倍加速）；对标准生产使用LTX-2.5 Fast（$0.09/秒@720p）；对电影级交付使用LTX-2.5 Pro（1080p/4K）。启用提示增强器可提升长提示词的遵循度。
第五部分：不同版本的实践结果
案例一：Infinite TV实时AI视频直播（基于LTX-Video 2B实时生成）
Infinite TV是一个基于LTX-Video构建的实时AI视频生成系统，监听Twitch聊天消息，将选中的消息转化为提示词，通过LTX后端生成视频，添加文字叠加层后推送到RTMP直播流。系统采用React仪表盘管理直播流程，支持自动连续生成——每一段视频生成完成后自动接入下一段，形成不间断的直播流。
实践成效：这一案例的核心价值在于验证了LTX-Video实时生成能力在交互式直播场景中的可行性。传统AI视频生成是“离线批量”模式，用户提交提示词后等待数分钟获得结果。Infinite TV展示了另一种范式——观众通过聊天实时影响视频内容，视频生成速度必须快于播放速度才能维持连续直播。LTX-2B蒸馏版在H100上以2秒生成5秒视频的速度恰好满足了这一需求。这一模式代表了AI视频从“内容生产工具”向“实时内容引擎”的转变。
案例二：CYLNDR与杜克狐猴中心获奖公益广告（基于LTX Studio + LTX-Video）
CYLNDR Studios与杜克狐猴中心合作，利用LTX Studio的AI生成能力制作了一支获奖的非营利组织广告。该项目将真实狐猴的影像素材与AI生成的自然环境融合，讲述了马达加斯加狐猴栖息地保护的紧迫故事。制作团队在传统拍摄素材的基础上，使用LTX-Video生成补充镜头——包括狐猴在森林中穿梭的动态场景和栖息地遭受破坏的视觉呈现——填补了传统拍摄无法获得的画面。
实践成效：这一案例代表了LTX-Video在公益营销与纪录片制作场景中的落地价值。杜克狐猴中心作为学术研究机构，预算远不足以支撑传统广告的航拍和野外拍摄成本。LTX-Video的快速生成能力使团队能够以极低的成本获得高质量的补充镜头，同时保持与实拍素材一致的视觉风格。该广告最终获得行业奖项认可，证明了AI生成内容在专业营销场景中的品质已达到可交付标准。
案例三：McCann Paris采用LTX Studio替代传统制作流程（基于LTX Studio + LTX-Video）
Lightricks击败Google和OpenAI，与全球知名广告公司McCann Paris达成合作，将LTX Studio平台用于电影规划和创意内容制作。McCann Paris使用LTX Studio进行从脚本到视频的创意探索和概念可视化，在提案阶段快速生成多种视觉方向供客户选择。
实践成效：这一案例代表了LTX-Video在广告创意前期场景中的工业化落地。传统广告创意流程中，提案阶段需要制作故事板或动画预览，成本高、周期长。LTX Studio的脚本到视频工具使创意团队能够在数小时内生成多个视觉方向供客户评审，大幅缩短了从创意到提案的周期。Lightricks击败Google和OpenAI获得这一合作，标志着LTX-Video在专业创意工作流中的竞争力得到了行业头部公司的认可。
案例四：Clutch在NYFAi获奖的AI制作实践（基于LTX Studio）
Clutch是一家创意营销机构，在NYFAi（纽约AI电影节）中使用LTX Studio制作了获奖项目。团队利用LTX Studio的AI生成能力完成了从概念到成片的完整创作流程，探索了AI视频生成在创意叙事中的表达边界。
实践成效：这一案例的核心价值在于验证了LTX-Video在创意短片和实验性内容中的创作自由度。NYFAi作为AI影视创作领域的专业赛事，评审标准不仅关注技术完成度，更关注AI是否真正服务于叙事和情感表达。Clutch团队通过LTX Studio将AI生成与实拍素材融合，探索了“人机协作创作”的新模式——不是用AI替代传统制作，而是用AI扩展创作的视觉语言。该项目的获奖代表了专业创意社区对LTX-Video创作潜力的认可。
版权声明：本平台仅提供信息存储空间服务，用户发布内容不代表本站观点，交易风险自担；侵权违法内容请立即举报（邮箱：37996619@qq.com），本站接通知后先行屏蔽，责任由发布者承担。