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.
Что пишет японский автор
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.
- Обновите ComfyUI. Если шаблон не находится, версия старая. Если не хватает нод, возможно, вы на стабильной версии, а не на Nightly.
- Установите официальные воркфлоу через Comfy Manager: кнопка Manager или Ctrl+M, затем Install Custom Nodes и ComfyUI-LTXVideo.
- 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.
- 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.
- Выставьте размер: ширина и высота кратны 32. Автор берёт 1280×704 и 1920×1088: для 1080 берут 1088.
- 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.
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.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.
| Источник | Видеопамять | Место на диске |
|---|---|---|
| README ComfyUI-LTXVideo (официальный) | 32 ГБ и больше | 100 ГБ и больше |
| LTX Desktop для Windows (корейский обзор по GitHub приложения) | 16 ГБ и больше | 160 ГБ и больше |
| Mac по оценке modelfit.io (по японской заметке) | общая память 24 ГБ | не 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.
| Модель | Лицензия | Коммерческое использование результата |
|---|---|---|
| Wan 2.2 | Apache 2.0 | Можно; авторы не претендуют на права на результат |
| LTX-2.5 | LTX-2.x Community License | Можно до $10 млн выручки в год, дальше — договор |
| Krea 2 | Krea 2 Community License v1 | Можно при годовой выручке до $1 млн, плюс контент-фильтр |
| Qwen-Image 2.1 | Qwen Research License | Только 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
