LTX-2 将开放权重的音视频生成带入本地工作流

摘要

30 秒看懂

Matthew Berman 评述 2026 年 1 月发布的 LTX-2 和 NVIDIA 的演示。他对同步音视频、本地使用及创作控制能力充满期待；不过，理解视频中提到的速度、时长和开放程度，需要考虑基准测试条件、硬件与模型许可。

1音视频模型Berman 重点介绍了能够同时生成视频、声音和对话的模型。
2本地定制他讨论了本地使用和微调，但这些操作受到硬件和许可条件约束。
3速度比较18 倍的数字是厂商在特定设置下使用 H100 与 Wan 2.2 比较所得的单步性能结果。
4创作控制视频介绍了镜头、姿势和口型同步工作流；实际控制能力取决于所用工具和配置。

要点建议

LTX-2 可以生成同步的音频和视频，并可在合适硬件上的本地工作流中使用。
已发布的社区许可证包含使用条件，并非不受限制的授权。
约 18 倍的数字来自厂商在特定 H100 设置下与 Wan 2.2 的比较，并非普遍适用的加速幅度。
视频中提到的 60 秒时长不能视为所有 LTX-2 配置都能实现。

主题Generative media 视觉与视频 Open-weight models

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

LTX-2 演示

Berman 评述 NVIDIA 和 ComfyUI 的同步生成演示。模型及其本地使用均受硬件和许可条件约束。

我对 LTX-2 感到很兴奋：这个模型能生成视频和同步音频，包括对话。NVIDIA 在 ComfyUI 中演示了一套工作流，我认为这是让个人在自己的电脑上获得更多创作能力的一步。把它比作价值十亿美元的工作室，是一种兴奋之情的表达，并非经过测量的制作能力对等。

用户可以下载模型权重，用于本地工作流，并在合适的硬件上通过微调或 LoRA 等技术进行改造。我在视频中称它完全开源，但 LTX-2 社区许可证包含条件和限制，包括某些规模较大的商业实体需要购买许可证。能够取得权重，并不意味着所有用途都不受限制。

速度与创作控制

他讨论了生成时长、速度比较和编辑控制功能。理解这些数字需要结合相应的基准测试和配置。

我说生成片段最长可达 60 秒，LTX-2 的速度是 Wan 的 18 倍。这个 18 倍数字来自 Lightricks 在特定生成设置下，使用 H100 比较 LTX-2 与 Wan 2.2 14B 的单步吞吐量；它不能保证在每台机器上端到端速度都提高 18 倍。LTX-2 最初的发布公告称可生成最长 10 秒的同步音视频，NVIDIA 则在演示中提到最长 20 秒；视频里的 60 秒数字不应推广到所有配置。

我重点介绍了首尾帧动画、本地 RTX 优化、镜头运动、演员姿势和口型同步对话。这些能力是在特定工作流中演示或讨论的，并不保证每段生成片段都能实现精确控制或逼真的物理效果。我认为这类工具最终可能让更多人制作节目和电影，但这是对未来的预测。