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 Lightricks（LTX Studio 的开发商）开源的最新一代视频生成模型。主模型采用Diffusion Transformer（DiT）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 ≈ 2.7，NVIDIA 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）：

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：

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.md）：

• diffusion_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 VAE（DiffVAE 高品质版 + Conv 轻量版）与音频 VAE
• loras/：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

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。