LTX-2/2.3：一次生成带声音的视频

前面几课的 Wan2.2 能把画面做得很好，但有个共同点：出来的视频是哑的。想有声音？得另找配音、对口型、混音，一套后期下来比生成视频还费劲。

这一课换一个自带声音的模型：LTX-2，Lightricks 开源的音视频基础模型。它最大的特点是一次推理同时生成画面和声音——动作、对白、音效、背景音乐一起出来，天然同步。LTX-2.3 版本已原生内置在 ComfyUI 模板库里——这一课就把 LTX-2 ComfyUI 工作流完整跑一遍，不用装任何自定义节点。

学完你能做什么

• 加载官方 LTX-2.3 文生视频模板，生成 1280×720、约 5 秒、自带声音的视频
• 下载并归位 LTX-2.3 的五个模型文件（主模型 27.14 GB），说得出每个文件是干嘛的
• 写出「画面 + 声音」的 LTX-2.3 提示词：动作、视觉细节、音频三要素
• 说得出 LTX-2 和 LTX-2.3 的关系，以及蒸馏加速（8 步、CFG 1）的用法
• 按需求在六种原生工作流里选对模板：文生视频、图生视频、首尾帧、音频驱动对口型、IC-LoRA 控制、ID-LoRA 定制数字人

你现在的困境

• 生成的视频没声音，配音、对口型、加音效全得自己后期，一条视频两遍工
• 想让视频里的人「开口说话」，普通视频模型生成的嘴型和对白完全对不上
• 听说过 LTX-2 能音画一起生成，但网上教程要么是旧版 LTX-2 的工作流，要么要装一堆自定义节点

什么时候用这一招

当你需要：

• 视频自带同步的声音：环境音、对白、音效一次生成
• 让画面里的人开口说话，嘴型和声音对得上
• 9:16 竖屏视频（LTX-2.3 专门优化了竖屏人像质量）
• 视频里出现清晰的文字（LTX-2.3 强化了文字渲染）

而且不想：

• 生成完画面再跑一遍配音和对口型流程
• 安装第三方自定义节点包

🎒 开始前的准备

• 跑通过ComfyUI 视频生成：会用模板库加载工作流、会看输出目录
• ComfyUI 更新到 v0.16.4 以上（模板库对 LTX-2.3 四个基础模板标注的最低版本；本教程核对时官方最新版为 v0.43.2，直接更到最新最省事）
• 磁盘准备 31 GB 起步：主模型一个文件就 27.14 GB，文本编码器的大小官方未标注，预算再放宽一些
• 显存心里有数：22B 模型即使 fp8 量化也不小，先按模板默认参数跑通，再考虑改大分辨率
• 网络不好？模型仓库在 ModelScope 有官方镜像（Comfy-Org/ltx-2.3、Comfy-Org/ltx-2），见第 2 步

核心思路

三句话讲清这一课的新东西：

1. LTX-2 是「音视频一起生成」的模型。 它是 Lightricks 的 19B 参数 DiT 音视频基础模型，一次推理同时产出同步的视频和音频。LTX-2.3 是它的升级版本（权重为 22B 规格），换了新的潜空间和 VAE，细节、竖屏人像、音频质量、图生视频一致性、提示词理解和文字渲染全面升级。
2. 声音不是外挂，是和画面同一个潜空间里联合去噪出来的。 模板里视频潜空间和音频潜空间先拼接（LTXVConcatAVLatent），一起采样，再分别用视频 VAE 和音频 VAE 解码（音频 VAE 就内置在主模型文件里），最后合成一个带音轨的视频。
3. 加速靠蒸馏 LoRA，不是换模型。 LTX-2 时代有独立的 distilled 权重（8 步、CFG=1）；LTX-2.3 的文生视频模板把蒸馏做成了一个 2.55 GB 的 LoRA 挂在 dev 主模型上，采样 8 步、CFG 1 就能出片。

ComfyUI 为 LTX-2.3 内置了六种原生工作流，覆盖从生成到控制到定制：

工作流	干什么	输入
T2V 文生视频	文字直接生成音视频	提示词
I2V 图生视频	图片动起来并配声音	一张图 + 提示词
FLF2V 首尾帧	两张图之间补过渡	首帧图 + 尾帧图
IA2V 音频驱动	对口型数字人	一张图 + 一段音频
IC-LoRA 控制	深度/姿态/边缘控制生成	控制视频 + 参考图
ID-LoRA 定制	指定人物长相和声音	参考图 + 短音频 + 提示词

本课主线跑通 T2V，其余五种在第 6 步速览——它们共用大部分模型文件。

跟我做

第 1 步：更新 ComfyUI 并加载 LTX-2.3 文生视频模板

为什么：官方模板把整套音视频管线（文本编码、双 LoRA、联合采样、视频和音频解码、合成保存）都配好了，从模板起步不会漏文件、不会填错参数。

1. 把 ComfyUI 更新到最新版（桌面端用内置更新，便携版运行 update_comfyui 更新脚本）
2. 打开模板库（Browse Templates），进 Video 分类，找到 LTX-2.3 Text to Video（直接搜「LTX-2.3」更快）
3. 点击加载

你应该看到：

• 画布上一个大大的 Text to Video (LTX-2.3) 包装节点，旁边一张说明便签、一个 SaveVideo 输出节点

• 包装节点自带一段英文示例提示词（讲机械零件在空中自动组装、最后亮出「LTX-2.3」刻字——正好演示它的文字渲染能力）

• 没有任何红节点

• 模板加载完成，画布无红节点

💡 版本不够会缺节点

模板库给 T2V/I2V/FLF2V/IA2V 标注的最低版本是 0.16.4，ID-LoRA 模板要 0.19.0，IC-LoRA 模板要 0.22.0。版本太老会报节点不存在，先更新再玩。

第 2 步：下载五个模型文件（含国内镜像）

为什么：LTX-2.3 的文生视频模板需要五个文件，其中四个合计约 31 GB（文本编码器的大小官方未标注）；加载模板后弹窗会自动下载，手动下载时要认准文件名和目录。

文件	大小	放进目录	作用
ltx-2.3-22b-dev-fp8.safetensors	27.14 GB	models/checkpoints/	22B 主模型（fp8 量化），音频 VAE 也内置在里面
ltx_2.3_22b_distilled_1.1_lora_dynamic_fro09_avg_rank_111_bf16.safetensors	2.55 GB	models/loras/	蒸馏 LoRA：8 步快速采样
gemma-3-12b-it-abliterated_lora_rank64_bf16.safetensors	599.1 MB	models/loras/	挂在文本编码器上的「解禁」LoRA，提示词理解更好
gemma_3_12B_it_fp4_mixed.safetensors	—	models/text_encoders/	Gemma 3 12B 文本编码器（fp4 量化版）
ltx-2.3-spatial-upscaler-x2-1.1.safetensors	949.6 MB	models/latent_upscale_models/	潜空间 2 倍放大器，出高分辨率

目录结构长这样：

ComfyUI/
├── models/
│   ├── checkpoints/
│   │   └── ltx-2.3-22b-dev-fp8.safetensors
│   ├── loras/
│   │   ├── ltx_2.3_22b_distilled_1.1_lora_dynamic_fro09_avg_rank_111_bf16.safetensors
│   │   └── gemma-3-12b-it-abliterated_lora_rank64_bf16.safetensors
│   ├── text_encoders/
│   │   └── gemma_3_12B_it_fp4_mixed.safetensors
│   └── latent_upscale_models/
│       └── ltx-2.3-spatial-upscaler-x2-1.1.safetensors

💡 国内用户：模板便签列出的模型仓库在 ModelScope 有官方镜像——Comfy-Org/ltx-2.3（LoRA）和 Comfy-Org/ltx-2（文本编码器、gemma LoRA），搜索仓库名即可；主模型文件在 Hugging Face 的 Lightricks/LTX-2.3-fp8 仓库。

你应该看到：五个文件各就各位；包装节点上的五个模型下拉框都能选中对应文件名，没有红色报错。

• 五个模型文件归位，下拉框全部选中正确文件

第 3 步：认识 Workflow Wrapper 包装节点

为什么：这个模板把几十个内部节点折叠成一个 Workflow Wrapper（子图），你平时只需要管包装节点上的几个参数；想改细节时再双击进去看内部管线。

包装节点上你真正要碰的参数：

参数	模板默认	说明
提示词	自带英文示例	画面 + 声音一起写，见第 4 步
prompt_enhance	开	提示词自动增强：写得短也会帮你扩写细节
width / height	1280 / 720	输出分辨率；内部先生成低分辨率潜空间，再用 2 倍放大器拉到目标值
duration	5	时长（秒）
fps	25	帧率
seed	随机	固定种子方便复现
五个模型下拉框	第 2 步那五个文件	换权重就在这里换

1. 先什么都别改，认清每个参数的位置
2. 双击包装节点进入内部：能看到 Gemma 文本编码器加载、两个 LoRA 加载器、音视频潜空间拼接、两段采样（8 步生成 + 3 步精修）、视频/音频分别解码的完整管线

你应该看到：内部子图按加载模型 → 编码提示词 → 拼接音视频潜空间 → 采样 → 解码 → 输出的顺序排布；采样用的是 CFGGuider，cfg 为 1，步数各由一段手动 sigma 表控制：低分辨率主生成走 8 步，2 倍潜空间放大后的精修段再走 3 步——蒸馏 LoRA 把两段都压到了个位数步数。

• 能说出包装节点上七个参数各自管什么

第 4 步：写「画面 + 声音」提示词

为什么：LTX-2.3 是音视频模型，提示词只写画面就浪费了一半能力；官方给的三要素是核心动作、视觉细节、音频。

官方提示词结构（LTX-2 的指南同样适用）：

1. 核心动作：按时间顺序描述事件怎么发生、怎么发展
2. 视觉细节：把你想看到的细节全写出来——外观、背景、机位、光线
3. 音频：写清楚这段场景里有什么声音、角色说了什么话

写法要点：一段连贯的文字，直接从动作开始写，别铺垫；LTX-2 官方建议控制在 200 词以内。

官方图生视频模板自带一个标准示范（埃及女王那段），照这个结构写你的：

埃及王室女子，蓝金头饰和高领、白色绣金长裙和臂环，沙漠，左右两列机器人士兵列队。
她稳步向前走，头保持水平、目光直视前方——不低头。镜头只做一个连续缓推：
从她、机器人和沙漠的远景，平稳推进到中景或中近景，然后停住。她停下脚步，
身姿和头部依然挺直，说：「古老的神沉默了，而我没有。」机器人士兵原地踏步或微动，
沙粒和衣料随风飘动。不拉远；唯一的镜头运动就是这次连续推进。

注意示例里三样东西都在：动作顺序（走 → 镜头推 → 停 → 说话）、视觉细节（服装、列队、风沙）、音频（一句台词 + 环境声）。对白直接写进提示词，模型会连声音带嘴型一起生成。

负向提示词保持模板自带的不动：

pc game, console game, video game, cartoon, childish, ugly

你应该看到：提示词框里是一段连贯文字，三要素按「核心动作 → 视觉细节 → 音频」的顺序排布，对白写在引号里。

• 提示词里同时有动作、视觉细节和音频描述

第 5 步：生成并检查音视频

为什么：跑通一次完整流程，你就知道「音画同步」到底长什么样。

1. 保持模板默认参数（1280×720、5 秒、25fps），把提示词换成你自己的
2. 按 Ctrl+Enter 运行
3. 生成完成后播放输出视频，开声音

你应该看到：

• 采样两段合计 11 步（8 步生成 + 3 步精修，蒸馏 LoRA 加速），比常规 20+ 步的视频模型少一大截

• SaveVideo 节点输出一个带音轨的视频文件，画面里若有对白，嘴型和声音是对得上的

• 1280×720、约 5 秒、25fps

• 输出视频播放有声音，音画同步

• 分辨率 1280×720、时长约 5 秒

第 6 步：换用 LTX-2 ComfyUI 的其他五种工作流（可选）

为什么：LTX-2.3 的六种工作流共用大部分模型文件，会一个就会六个；按任务挑模板即可。

模板（模板库搜索词）	用途	额外要准备的
LTX-2.3 I2V	一张图动起来带声音	无，模型同 T2V
LTX-2.3 FLF2V	首尾帧过渡	另下 distilled 主模型 ltx-2.3-22b-distilled-fp8.safetensors（checkpoints/）；不用蒸馏 LoRA 和放大器
LTX-2.3 IA2V	图 + 音频对口型	无，模型同 T2V；上传一张人物图和一段音频
LTX-2.3 IC-LoRA	深度/姿态/边缘控制	distilled 主模型 + IC-LoRA 权重 ltx-2.3-22b-ic-lora-union-control-ref0.5.safetensors（loras/）+ MoGe 法线模型 moge_2_vitl_normal_fp16.safetensors（geometry_estimation/，新目录）
LTX-2.3 ID-LoRA	定制人物长相和声音	模型同 T2V，另加 ltx-2.3-id-lora-talkvid-3k.safetensors（loras/）；上传参考图和一小段音频

几个值得注意的点：

• FLF2V 和 IC-LoRA 用的是独立蒸馏主模型（ltx-2.3-22b-distilled-fp8），不是 dev 主模型加蒸馏 LoRA 的组合——别下错
• IA2V 和 ID-LoRA 都吃「图 + 音频」：IA2V 是让图里的人照着音频对口型；ID-LoRA 更进一步，把参考图里的人物长相和音频里的声音都定制进去
• IC-LoRA 模板内部用了子图（Subgraph）做模块化处理，还支持接深度、Canny 边缘、姿态骨架等各种预处理器输出

你应该看到：换模板后画布结构大同小异——还是包装节点加输出节点，只是多了上传图片或音频的入口；缺的模型文件加载时弹窗会提示下载。

• 知道按任务选模板，会核对每个模板要的模型文件

检查点 ✅

• 生成的视频自带音轨：环境声、对白和画面同步，嘴型对得上
• 说得出五个模型文件各是什么：主模型（音频 VAE 内置）、蒸馏 LoRA、gemma 解禁 LoRA、文本编码器、潜空间放大器
• 知道加速来自蒸馏 LoRA：8 步、CFG 1，不是靠调低参数硬凑
• 提示词三要素齐了：核心动作（按时间顺序）、视觉细节、音频
• 知道六种工作流怎么选：普通生成用 T2V/I2V，锁首尾用 FLF2V，对口型用 IA2V，控制用 IC-LoRA，定制人物用 ID-LoRA

踩坑提醒

❌ ComfyUI 版本太老，加载模板报节点不存在

LTX-2.3 模板用了较新的原生节点和子图功能，模板库标注的最低版本是 0.16.4（ID-LoRA 0.19.0、IC-LoRA 0.22.0）。版本低于这个数，加载后会出现红节点或缺节点报错。

正确做法：先更新 ComfyUI 再加载模板；四个基础模板更新到 0.16.4 以上即可，玩 IC-LoRA 要 0.22.0 以上。

❌ 模型文件下错或放错目录

五个文件里有两个 LoRA 都放 models/loras/，蒸馏 LoRA 和 gemma 解禁 LoRA 名字都挺长，手动下载时最容易搞混；文本编码器放 text_encoders/ 而不是 loras/。

正确做法：加载模板后先让弹窗自动下载（它会把文件放对位置）；手动下载就按第 2 步的目录树逐个核对，再检查包装节点五个下拉框选中的文件名。

❌ 分辨率时长一上来就拉满，显存爆了

22B 主模型即使 fp8 量化也很吃显存；模板默认 1280×720、5 秒是官方调好的平衡点，直接翻倍分辨率或时长容易 OOM。

正确做法：先按默认参数跑通；确认能出片后，再小步改参数试显存上限，改一次试一次。

❌ 提示词写成散文诗，动作顺序全靠猜

LTX-2.3 按时间顺序理解提示词，写一堆氛围词、不写清楚事件先后，模型就自由发挥；写太长（超过 200 词）反而稀释重点。

正确做法：一段连贯文字，开头就是核心动作，按发生顺序推进；细节和音频跟在后面；对白直接写进引号里。

进阶技巧（可选）

用 IC-LoRA 编辑模板做「视频修复」

模板库还内置了五个基于 IC-LoRA 的编辑模板：去字幕（Remove Subtitles）、去杂物（Remove Object）、修复老素材（Restore Archival Footage）、视频外扩（Video Outpainting）、Googly Eyes（加卡通大眼）。搜索模板名即可加载，用法和 IC-LoRA 控制模板一致。

官方去字幕模板的提示词可以直接抄来改：

Remove subtitles, captions, and related text occlusions from the video,
restoring a clean and natural underlying image.

社区 IC-LoRA 也能挂

LTX-2.3 的 IC-LoRA 接口是开放的，社区权重（如 joyfox 的 LTX2.3-ICEdit-Insight）同样兼容：下载后放进 models/loras/，用 LoRA 加载器挂在主模型旁边，按官方编辑模板的结构接线即可。

多卡加速

模板内部自带 LTXVSequenceParallelMultiGPUPatcher 节点——有多张 GPU 时，用它做序列并行，把 22B 模型的采样拆到多卡上跑。

本课小结

✅ 这一课把声音带进了 ComfyUI 视频生成，LTX-2 ComfyUI 工作流跑通：

• ✅ 音视频一体：LTX-2.3 一次推理同时生成画面和声音，音频 VAE 内置在主模型文件里，不用额外下载
• ✅ 五个模型文件归位（四个合计约 31 GB），模板弹窗一键下载，国内走 ModelScope 镜像
• ✅ 加速靠蒸馏 LoRA：8 步、CFG 1，出片速度和质量的平衡点官方已经调好
• ✅ 提示词三要素：核心动作（按时间顺序）+ 视觉细节 + 音频，200 词以内
• ✅ 六种工作流按任务选：T2V、I2V、FLF2V、IA2V、IC-LoRA、ID-LoRA

关键配置字段回顾：

字段	推荐值	说明
Checkpoint	ltx-2.3-22b-dev-fp8.safetensors（27.14 GB）	22B 主模型，音频 VAE 内置
蒸馏 LoRA	ltx_2.3_22b_distilled_1.1_lora_dynamic_fro09_avg_rank_111_bf16.safetensors（2.55 GB）	8 步快速采样
gemma 解禁 LoRA	gemma-3-12b-it-abliterated_lora_rank64_bf16.safetensors（599.1 MB）	挂在文本编码器上
文本编码器	gemma_3_12B_it_fp4_mixed.safetensors	fp4 量化版
潜空间放大器	ltx-2.3-spatial-upscaler-x2-1.1.safetensors（949.6 MB）	分辨率 2 倍
包装节点	1280×720 / duration 5 / fps 25	prompt_enhance 默认开
采样	8 步生成 + 3 步精修 / CFG 1	蒸馏 LoRA 加速
负向提示词	pc game, console game, video game, cartoon, childish, ugly	模板自带，保持不动

下一课预告

LTX-2.3 一次出一段带声音的视频；下一课的 LTX-2.5：多镜头叙事、4K HDR 与 DFR 把篇幅和规格再往上推。你会学到：

• 多镜头叙事：一条片子里切多个镜头
• 4K HDR 输出与 DFR（Diffusion Fidelity Rendering，按场景复杂度分配渲染算力）
• LTX-2.5 的蒸馏版怎么用

附录：源码参考

点击展开查看源码位置

更新时间：2026-11-06（模板库模板 video_ltx2_3_t2v 等，官方标注最低 ComfyUI 版本 0.16.4）

内容	位置
官方教程（LTX-2.3，六种工作流）	https://docs.comfy.org/tutorials/video/ltx/ltx-2-3
官方教程（LTX-2，提示词指南）	https://docs.comfy.org/tutorials/video/ltx/ltx-2
提示词进阶指南	https://ltx.video/blog/how-to-prompt-for-ltx-2
工作流模板 JSON（T2V）	https://github.com/Comfy-Org/workflow_templates/blob/main/templates/video_ltx2_3_t2v.json
权重仓库（Hugging Face）	https://huggingface.co/Lightricks/LTX-2.3
权重仓库（ModelScope 镜像）	https://modelscope.cn/models/Comfy-Org/ltx-2.3
LTX-2 模型主页	https://huggingface.co/Lightricks/LTX-2

本页参数（包装节点默认 1280×720 / duration 5 / fps 25、prompt_enhance 默认开、8 步采样 CFG 1、负向提示词、五个模型文件名与大小、ModelScope 镜像仓库名、各模板最低版本 0.16.4 / 0.19.0 / 0.22.0）均核对自模板 JSON video_ltx2_3_t2v.json、video_ltx2_3_i2v.json 的实际节点值与内置便签，以及 templates/index.json 的 minComfyUIVersion 字段；六种工作流与模型清单、IC-LoRA 编辑模板、社区 IC-LoRA 兼容性来自官方教程 ltx-2-3.mdx；LTX-2 基础事实（19B、200 词提示词建议、独立 distilled 权重）来自 ltx-2.mdx。