Лодка на озере на рассвете. Туман, тишина, и вдруг плеск о борт. Японский автор заметки в note, который до этого делал видео в Wan 2.2, говорит: именно этот звук заставил его пересесть на LTX-2.3. По его описанию, модель Lightricks генерирует картинку и звук одним проходом. С тех пор вышла LTX-2.5, и поводов для переезда стало больше.

Сам LTX я не гонял. Поэтому всё ниже — пересказ японского опыта и документов, а где материалы расходятся, я это прямо пишу.

Источник: theterminal.space

Что пишет японский автор

Источник: theterminal.space
Поначалу мне казалось, что картинка «немного грубовата». Но чем дольше я пользовался, тем сильнее менялось мнение. (Перевод с японского, автор заметки.)

Главный довод автора — звук. Шаги, ветер, брызги, удар предмета. По его словам, на одном и том же хронометраже ролик с шумом воспринимается как «событие», а беззвучный — как «движущаяся картинка».

Небольшая грубость картинки для меня меньше значит, чем то, что в кадре появился звук. Так я это чувствую. (Перевод.)
Я больше не хочу делать видео на беззвучном Wan 2.2. (Перевод.)

Звук: что на самом деле поменялось

  • Звук приходит вместе с картинкой: не нужно искать эффект и подгонять его под каждый кадр.
  • В Wan 2.2 тот же результат возможен, но, по словам автора, каждый ролик тогда превращается в отдельную возню с поиском и монтажом звука.
  • Слабое место самое неприятное: по его словам, в карточке модели не-речевые звуки (среда, эффекты) описаны как менее качественные. Его любимый эффект как раз попадает в эту зону.

Звук из LTX, по словам автора, лучше брать как основу: сильные места оставить, слабые заменить. Это важно для тех, кто делает озвучку на заказ.

Как устроена модель

В заметке и в официальном описании LTX-2 — это DiT-модель, которая создаёт видео и звук в одном проходе. По досье подтверждены 22 миллиарда параметров и двухпоточная архитектура. Остальное ниже автор пишет со слов документации, и в наших материалах этого не нашлось.

  • Трансформер на 22B: центральная часть, файл с «22b» в имени.
  • Текстовый энкодер: автор пишет, что в 2.3 это Gemma 3 12B, в 2.5 — Gemma 4 12B, подогнанная под LTX.
  • Видео-VAE: возвращает сжатые данные в кадры.
  • Audio-VAE и вокодер: возвращают данные в звуковую волну. Для 2.3 автор отмечает новый вокодер с лучшей разборчивостью речи.
  • Апскейлеры: пространственный (x2) и временной (больше кадров).
  • Варианты dev и distilled: dev — полная версия для качества и LoRA, distilled — быстрее, по заметке рассчитана на 8 шагов при CFG 1.

Сверьте эти детали с карточкой модели на Hugging Face до скачивания. В нашем досье их нет, и я не хочу выдать их за проверенные.

Wan: где граница, по версии автора

Автор утверждает, что Wan 2.2 — последняя версия с открытыми весами, а Wan 2.5 Preview со звуком и следующие версии распространяются только через API и веб-сервисы. Это его пересказ новостей, и в наших материалах ни ссылок, ни дат для этого утверждения нет.

Что подтверждается: Wan 2.2 вышел 28 июля 2025 года с лицензией Apache 2.0. Это пишет другой японский автор, ссылаясь на GitHub. Кстати, S2V-14B, по описанию первого автора, двигает картинку под готовое аудио и звук не создаёт. Тоже проверено пока только в одном источнике.

Как начать в ComfyUI

Порядок по официальной логике README и заметке автора. Шаблоны и файлы меняются, поэтому сверяйте имена с тем, что показывает сам ComfyUI.

  1. Обновите ComfyUI. Если шаблон не находится, версия старая. Если не хватает нод, возможно, вы на стабильной версии, а не на Nightly.
  2. Установите официальные воркфлоу через Comfy Manager: кнопка Manager или Ctrl+M, затем Install Custom Nodes и ComfyUI-LTXVideo.
  3. Откройте шаблон LTX-2.3 T2V или I2V. Для звука с нуля это самый понятный старт. IA2V и ID-LoRA нужны, когда звук или голос загружаете сами.
  4. Положите файлы по папкам. По списку автора: checkpoints — ltx-2.3-22b-dev-fp8.safetensors; text_encoders — gemma_3_12B_it_fp4_mixed.safetensors; loras — дистилляционный LoRA и LoRA для энкодера; latent_upscale_models — ltx-2.3-spatial-upscaler-x2-1.1.safetensors. Для FLF2V и IC-LoRA нужен distilled-чекпоинт.
  5. Выставьте размер: ширина и высота кратны 32. Автор берёт 1280×704 и 1920×1088: для 1080 берут 1088.
  6. Кадров 121 при 24 fps — около 5 секунд. Кадры по правилу модели должны быть кратны 8 плюс 1.

В промте опишите и картинку, и звук. Автор советует 1–2 фразы про звук. Английский, по его опыту, реагирует лучше.

ПромтИз японской заметки, для LTX-2.3 (T2V/I2V). Первая строка — картинка, вторая — звук. Меняйте сцену и звуки под себя, структура та же.
A wooden boat rocks gently on a lake at dawn, mist over the water.
Sound of small waves lapping against the hull, distant birds chirping, soft wind.
Скопируйте и вставьте в нейросеть как есть.

Железо: цифры расходятся

Требования зависят от того, какой вариант вы запускаете. Официальный README и корейский обзор LTX Desktop дают разные пороги, и это разные программы.

ИсточникВидеопамятьМесто на диске
README ComfyUI-LTXVideo (официальный)32 ГБ и больше100 ГБ и больше
LTX Desktop для Windows (корейский обзор по GitHub приложения)16 ГБ и больше160 ГБ и больше
Mac по оценке modelfit.io (по японской заметке)общая память 24 ГБне указано

Для Mac официальных требований в README нет. Оценку modelfit.io корейский обзор LTX Desktop даёт другую: 15 ГБ памяти в момент запуска. Выбирайте по своему железу и своему тесту: одна цифра ничего не решает.

Лицензия: порог $10 млн, и считается он по группе

Условия LTX-2.x Community License выглядят так. Организация с выручкой до $10 млн в год может использовать модель в коммерции бесплатно. Выше нужен платный договор. Суммы в источниках даны только в долларах, курс я не пересчитываю.

Выручку считают по всей группе, включая материнские, дочерние и аффилированные компании. Студия-подрядчик с оборотом $2 млн внутри холдинга с $40 млн под бесплатный порог не попадает. Напоминаю: это пересказ карточки на Hugging Face и сопроводительного обзора, а текст лицензии главнее.

В японской заметке, где собраны условия сразу для одиннадцати моделей (сверка 6 ноября), есть и соседи. Смотрите, что у них.

МодельЛицензияКоммерческое использование результата
Wan 2.2Apache 2.0Можно; авторы не претендуют на права на результат
LTX-2.5LTX-2.x Community LicenseМожно до $10 млн выручки в год, дальше — договор
Krea 2Krea 2 Community License v1Можно при годовой выручке до $1 млн, плюс контент-фильтр
Qwen-Image 2.1Qwen Research LicenseТолько исследования и оценка

Таблица из японского обзора. Тексты лицензий меняются, поэтому перед продажей работ смотрите первоисточник.

Где подвох

  • Дата выхода LTX-2.5. Японский автор и корейский обзор говорят о 11 августа. Англоязычные обзоры от октября пишут, что модель вышла в октябре. В карточке 11 августа указано как дата лицензии, а не выпуска. Пока не проверите сами, дату выхода не пишите.
  • Статус LTX-2.3. Заметка утверждает, что официальный GitHub считает 2.3 «легаси» и рекомендует 2.5. Но README ComfyUI-LTXVideo по-прежнему ссылается на LTX-2.3, и подтверждения этой формулировки я не нашёл.
  • Цифры скорости и качества — от вендора, без независимых сравнений. Скорость «10 секунд за 6,8 секунды» относится к двум GPU GB200 в дата-центре, а не к домашней видеокарте.
  • Файлы 2.3 и 2.5 не взаимозаменяемы. По заметке, LoRA может работать с обеими версиями, но в описании на GitHub сказано, что LoRA работает только на той модели, на которой обучалась. Сначала проверьте на своём LoRA.
  • Разрешение для 4K. По заметке, в README для UHD 4K указаны ширина 3840 и высота 2176, а не 2160. Проверьте команду перед запуском.
  • Данные и голоса. Инструменты с ID-LoRA работают с чужим голосом и лицом. Берите свой голос или материал с разрешением.

Как применить: звук как черновик

Сам этих схем не гонял. Беру их из материалов как рабочие варианты, которые стоит проверить.

Сценарий первый: черновик, потом апскейл. По японскому разбору официального репозитория ComfyUI-LTXVideo, сначала делаете видео на низком разрешении, смотрите композицию и движение, и только потом подключаете апскейлеры. Для x2 и x4 в репозитории есть отдельные LoRA. Силой LoRA, guidance и количеством шагов вы регулируете, насколько сильно модель дорисовывает детали. Ниже значения — ближе к черновику, выше — больше новых деталей.

Сценарий второй: сначала звук, потом видео. Есть английский разбор AI-KSK от 8 ноября: в ComfyUI сначала генерируется музыка или эффекты в Stable Audio 3, затем аудио-реактивный LoRA в LTX2.3 задаёт движение под звук. В разборе тест на 15 секунд, по нему делать выводы рано, но схема полезная.

  • Если эффект в LTX слабый — вырежьте его и замените в монтаже.
  • Для черновой проверки ставьте низкое разрешение и короткий ролик.
  • Перед съёмкой заказчика сравните LTX и привычный Wan на одинаковом промте и одинаковой сцене.

Если нужен звук в кадре и локальный рендер, LTX-2.5 выглядит разумным выбором. Если уже настроены LoRA под Wan 2.2 и нужны беззвучные клипы, Wan 2.2 пока работает, а лицензия у него проще. Для работы через крупный холдинг до покупки лицензии сверьтесь с текстом.

Библиотека промтов для видео: готовые формулы под другие модели

Источники

ComfyUI-LTXVideo — официальный репозиторий Lightricks

LTX-2.5 licence: free below $10M revenue, paid above

LTX-2.5 Diffusion Decoder: What Changes and What to Know

Sound Assets in ComfyUI: Stable Audio 3 for Music, BGM and SFX, Then LTX2.3 Audio-Reactive Video

Источникnote.com