AI短剧系列 | 第 19 天：LTX 2.3 入门——视频生成能力与快速上手

在前面的系列文章中，我们已经完整走过了 ComfyUI 的节点式工作流与 MiniMax H3 的全自动导演平台。今天开始，我们把目光投向另一个近期热度极高的开源视频生成模型——LTX 2.3。如果说 ComfyUI 是”手工搭建的乐高”，MiniMax H3 是”一键交付的导演”，那么 LTX 2.3 则更像是介于两者之间的”可定制的高速摄影机”：它既有开源模型的灵活性，又具备极快的生成速度，非常适合用来批量产出短剧的动态镜头与高光片段。

本文将带你从零认识 LTX 2.3：它是什么、擅长什么、如何部署、如何用提示词生成第一个动态镜头，以及新手最容易踩的几个坑。读完本文，你就能在自己的机器上跑通第一条”文生视频”链路，为后面几天深入学习运动控制与图生视频打下基础。

什么是 LTX 2.3

LTX 2.3 是 LTX Video 系列的开源视频生成模型，由 Lightricks 团队推出。它的核心卖点有两个：速度快与可控性强。相比早期视频模型动辄几十秒甚至几分钟才能生成几秒画面，LTX 2.3 在消费级显卡上就能以相当可观的速度出片，这让”短剧流水线式批量出镜头”成为可能。

在短剧场景中，LTX 2.3 通常承担三类任务：

文生视频（Text-to-Video）：用一句描述生成一段动态镜头。
图生视频（Image-to-Video）：给一张静态图，让它动起来，保持画风一致。
高光片段合成：为剧情高潮点快速生产冲击力强的短视频素材。

核心概念：模型与运行方式

权重与参数规模

LTX 2.3 提供了不同量级的权重，常见的有 2B（20 亿参数）级别，兼顾效果与显存占用。对于短剧创作，2B 级别的模型已经能产出相当可用的画面，且对硬件友好。

推理框架

LTX 2.3 可以跑在多个生态里：你可以直接使用官方推理脚本，也可以通过 ComfyUI 的自定义节点调用。熟悉 ComfyUI 的同学可以把它当作一个”视频专用节点”接入已有工作流，实现图生视频、文生视频与后期处理的串联。

硬件要求

短剧场景建议的最低配置如下：

显卡（GPU）：建议 24GB 显存（如 RTX 4090、A10）以获得流畅体验；12GB 显存可以跑小分辨率。
内存（RAM）：至少 32GB，用于加载模型与处理中间帧。
磁盘：预留 100GB 以上，模型权重与生成的视频都比较占空间。

环境准备与安装

LTX 2.3 基于 PyTorch 生态，推荐使用 Conda 或 venv 隔离环境。下面是基于 Linux + NVIDIA GPU 的安装步骤。

第 1 步：创建虚拟环境

conda create -n ltx23 python=3.10 -y
conda activate ltx23

第 2 步：安装 PyTorch（CUDA 版）

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

第 3 步：克隆仓库并安装依赖

git clone https://github.com/Lightricks/LTX-Video.git
cd LTX-Video
pip install -r requirements.txt

第 4 步：下载模型权重

把下载好的权重放入指定目录，例如 checkpoints/。建议使用 Hugging Face 的下载脚本：

huggingface-cli download Lightricks/LTX-Video-2B --local-dir checkpoints/LTX-Video-2B

安装完成后，先跑一个最小验证，确认 CUDA 与模型加载正常：

import torch
from ltx_video.models.autoencoders.causal_video_autoencoder import CausalVideoAutoencoder

print("CUDA available:", torch.cuda.is_available())
print("Device:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "CPU")

实战步骤：生成第一个动态镜头

下面用一个”文生视频”的最小示例，带你跑通第一段画面。假设我们要生成一个短剧开头镜头：”清晨，一个年轻人站在天台边缘，风吹动他的衣角”。

第 1 步：编写提示词

提示词的质量直接决定画面效果。写提示词时遵循”主体 + 动作 + 镜头 + 光影 + 时长”的结构：

A young man standing at the edge of a rooftop at dawn,
his coat fluttering in the wind, cinematic lighting,
slow camera push-in, moody atmosphere, 24fps, 5 seconds

第 2 步：编写推理脚本

官方提供了命令行入口，可以先用最简单的参数跑通：

python inference.py 
  --ckpt_dir checkpoints/LTX-Video-2B 
  --prompt "A young man standing at the edge of a rooftop at dawn, his coat fluttering in the wind, cinematic lighting, slow camera push-in" 
  --height 512 --width 768 --num_frames 121 --fps 24 
  --seed 42 
  --output_dir outputs/

其中 num_frames=121、fps=24 意味着生成约 5 秒的画面。

第 3 步：用 JSON 管理多镜头提示词

短剧往往一次要批量出多个镜头，把提示词写进 JSON 更便于管理和复用：

{
  "shots": [
    {
      "id": "shot_01",
      "prompt": "A young man standing at the edge of a rooftop at dawn, coat fluttering, cinematic lighting",
      "duration": 5,
      "seed": 42
    },
    {
      "id": "shot_02",
      "prompt": "Close-up of the man's determined eyes, golden hour, shallow depth of field",
      "duration": 3,
      "seed": 43
    }
  ]
}

然后写一个简单的批处理脚本遍历这个 JSON：

import json
import subprocess

with open("shots.json", "r", encoding="utf-8") as f:
    data = json.load(f)

for shot in data["shots"]:
    cmd = [
        "python", "inference.py",
        "--ckpt_dir", "checkpoints/LTX-Video-2B",
        "--prompt", shot["prompt"],
        "--seed", str(shot["seed"]),
        "--output_dir", "outputs/"
    ]
    print("Generating", shot["id"])
    subprocess.run(cmd, check=True)

运行后，outputs/ 目录下就会生成对应的 mp4 视频文件，可直接用于后续剪辑。