2026 年 8 月 11 日，Lightricks 发布 LTX-2.5，替换此前的 LTX-2.3。这个 22B 参数的视频音频一体模型，架构上限是 4K HDR、最高 50fps 与 24kHz 立体声同步生成，听上去像数据中心专属。但 ComfyUI 生态为它准备了 int8_convrot 构建，把显存门槛压到 12GB 起，一张普通的消费级显卡就能参与。
本文不是资源盘点，也不是图像风格教程，而是一份可以直接照做的 ComfyUI 视频生成实操记录：从对表硬件、下载模型文件，到搭工作流、绕开三个最贵的坑。模型本身的架构演进与许可细节，见本站开源篇LTX-2.5 开源资源详解，这里只聚焦「在 ComfyUI 里跑通」这一件事。
动手前先说清预期：12GB 档位跑出来的不是 4K 直出大片，而是低分辨率短片段加上采样精修的产物，这在 LTX-2.5 的官方工作流设计里本来就是标准路线，不是权宜之计。想明白这一点，后面的每一步都会顺很多。
通读全文你会发现，这篇 SOP 的主线只有一句话：把 22B 模型塞进消费级显卡，靠的不是某个神器级开关，而是量化变体、两阶段结构、offload 与上采样四件事的组合拳。每一步都是在给显存做减法，每一步也都有明确的操作对象，照着做即可。
第零步：对表硬件，先确认你能跑哪一档
ComfyUI 本地视频生成的第一课，是别高估自己的显卡。以 LTX-2.5 为例，全量 BF16 权重需要 80GB 以上显存，那是数据中心的事；个人玩家走的是 distilled 或 int8 量化变体，单卡 12GB 显存起步，distilled 的 FP8 变体同样压在 12GB 这一档。ComfyUI 里用的 int8_convrot 构建就属于这类量化产物，而不是 BF16 原版。
软件环境方面，innfactory 整理的口径是 CUDA 12.7 及以上、PyTorch 约 2.7、Python 3.12 及以上。这三个版本号建议动手前逐项核对，老环境的 CUDA 与 PyTorch 组合经常在装视频模型时出兼容问题。稳妥做法是新建一个干净的虚拟环境专供 ComfyUI，避免与旧项目的依赖打架；节点与整合包资源可以参考本站此前的ComfyUI 资源盘点，本文不再重复罗列。
还有一件事比显存更容易被忽略：磁盘空间。LTX-2.5 全组件下载约 66GiB，即便只下 ComfyUI 所需的量化文件，加上音频 VAE、上采样器这些周边，也要预留出足够的空盘，别下到一半才发现空间见底。
另外提醒一句心态问题：第一次搭视频工作流，从装节点到出第一条片，折腾一整个晚上是常态。视频生成与图像生成的调试成本不在一个量级，一次生成的等待更久、变量更多，越是急着想看成片，越容易在参数上乱调。把第零步的环境核对当成正式步骤来做，后面能少走很多回头路。
如果你的显卡只有 8GB，不必硬凑 LTX-2.5：Wan 2.2 的 TI2V-5B 加上 offload 是更现实的起点，短片为主、480p 到 720p 分辨率，足够把工作流完整跑熟。各家模型的许可与显存门槛差异不小，选型对比详见本站横评篇，这里先按下不表。
一句话总结这一步：12GB 走 LTX-2.5 的 distilled/int8 构建，8GB 选 Wan 2.2 TI2V-5B，不要在硬门槛上赌运气。
第一步：下齐四类模型文件，一个都不能少
LTX-2.5 的权重托管在huggingface.co/Lightricks/LTX-2.5（明文地址：huggingface.co/Lightricks/LTX-2.5）。注意它是 gated=auto 模式：不登录、不同意许可条款，连模型卡页面都看不了，更别提下载。所以流程是先注册登录，进模型页点同意条款，等页面放行后再逐个下载文件。许可为 LTX-2.x Community License，年收入低于 1000 万美元（含）免费商用，达到门槛则须购买商业协议；同族许可的细节，本站 41 批那篇LTX-2 发布报道已核过一轮，可对照阅读。
顺带分清两个仓库页：Hugging Face 上还有一个 Lightricks/LTX-2.5-Diffusers 版本，同样 gated=auto，那是给 Diffusers 库用的；ComfyUI 路线认准上面那个主仓库的 comfy 构建文件即可，别下混。
ComfyUI 要用的是 int8_convrot 构建，四类文件与对应目录如下，建议逐个核对文件名再下载：
| 文件 | 目录 |
|---|---|
| ltx-2.5-22b-distilled-transformer-comfy-int8-convrot.safetensors | models/diffusion_models/ |
| gemma4-12b-with-proj-ltx-2.5-comfy-int8-convrot | models/text_encoders/ |
| ltx-2.5-video-vae-bf16 | models/vae/ |
| ltx-2.5-audio-vae-bf16 | models/vae/ |
| ltx-2.5-latent-spatial-upscaler-x2-bf16 | models/latent_upscale_models/ |
几个容易忽略的点：文本编码器是自定义 Gemma 4 12B，不是常见开源视频模型默认搭配的通用编码器，放错目录工作流会直接报错；视频 VAE 与音频 VAE 是两个独立文件，后文会讲到漏下音频 VAE 的代价；latent 空间上采样器是两阶段工作流精修环节的核心，不少教程把它当成可选项，实际上它决定你成片的分辨率上限。
工作流节点与示例模板来自官方自定义节点仓库ComfyUI-LTXVideo（明文地址：github.com/Lightricks/ComfyUI-LTXVideo），克隆或下载后按 ComfyUI 自定义节点的常规方式装好。装完节点、放好四类文件、刷新页面能看到 LTX 的模板工作流，第一步才算闭环。
第二步：三种工作流，按用途选型
官方模板把工作流分成三型，先想清楚用途再选，能省一半调试时间。
第一型是 T2V/I2V 两阶段工作流，也是成片质量的主路线。T2V 从纯文字提示词生成，I2V 以一张图作为首帧起点，二者共享同一套两阶段结构：第一阶段完成主体生成，输出低分辨率的 latent；第二阶段加载 ltx-2.5-latent-spatial-upscaler-x2-bf16，把 latent 做 2 倍空间上采样后精修。两阶段的设计本质，是把「画内容」与「修细节」拆开，各自把显存压力控制在可承受的范围内。
第二型是单阶段工作流，一次生成直接出片。速度快、显存占用低，代价是没有上采样精修环节，画面细节上限明显更低，适合构图预览与参数试错。实战建议：先用单阶段把提示词和镜头调顺，锁定结果后再切两阶段出成品，这比上来就在两阶段里盲调省时得多。
两类入口的选择也有讲究。T2V 适合从零开始构思镜头，提示词里把主体、动作、镜头运动分层写清楚；I2V 则适合已经有参考图的场合，比如把角色定妆图、产品图动起来，生成结果与首帧图的贴合度是主要观察点。无论哪类入口，先在单阶段里确认构图没有跑偏，再进入两阶段精修，顺序不要反。
第三型是 A2V 音频驱动工作流，从一段音频生成对应视频。LTX-2.5 的音频能力是 24kHz 立体声同 pass 同步生成，A2V 则反过来以音轨为驱动，适合对口型、音乐可视化一类的内容。
另外提醒一个 LTX-2.5 的特性：原生多镜头，跨镜头切换时保持角色、环境、光照与声音的一致性，这在写提示词时可以直接利用。至于时长，自动时长预测会按内容估长，但单次生成的最长时长存在口径分歧：官方宣传称最长约 20 秒（可用 Extend 管线扩展），第三方整理则称约 121 帧、24fps 下约 5 秒。两说并存，建议以你本地实测为准，不要拿任何一方的数字当承诺。
三个坑，每一个都以显存或时间为代价
坑一：音频 VAE 是独立文件，跳过它就是无声视频。这是本工作流最经典的翻车点。很多人按清单下到视频 VAE 就以为齐活了，渲染半天得到一段哑片，因为 ltx-2.5-audio-vae-bf16 是单独的文件，不在视频 VAE 的依赖链里，节点图中它是独立的解码分支。排查无声问题时，先看 models/vae/ 目录里有没有它，再检查节点连线。LTX-2.5 的卖点之一就是音画同 pass 同步生成，为省一个文件的下载把它丢掉，等于白瞎了模型最值钱的能力。
坑二：提示词增强器默认关闭，不是坏了，是故意关的。它会额外加载约 5GB 的模型，每次生成多花 1 到 2 分钟。显存紧张或批量跑任务时，这个默认值是合理的；但如果你写的提示词偏简单、想要更细的镜头描述，开它通常划算。建议的用法：构思阶段开着让它帮你扩写，摸清它的扩写风格后关掉，改成自己写全提示词，把那 1 到 2 分钟省回来。批量出片时同理，扩写一次定稿，比每代都过一遍增强器效率高。
坑三：显存策略错在「一次到位」。想直接生成高分辨率长片段，是 12GB 显卡爆显存最快的路径。正确做法是三段式：优先用量化或 distilled 变体；依赖 ComfyUI 的原生 offload 机制，让暂时不用的组件让出显存；生成短的低分辨率片段，再交给专用 upscaler 放大。生成短低分辨率再上采样，在这个硬件档位不是妥协，而是标准省法，LTX-2.5 官方的两阶段设计本身就是按这个思路组织的。它的架构里连 VAE 解码器都是一个扩散模型，解码环节本身也吃算力，就更没有一步到位的余裕了。
收尾：什么时候不该用 LTX-2.5
跑通之后，值得回头想一步：LTX-2.5 是不是你的最优解。按场景给结论。
要音画一体、许可门槛可接受，LTX-2.5 是目前 ComfyUI 生态里最顺的选择，12GB 的 distilled/int8 门槛也友好。
要最宽松的许可，选 Wan 2.2：Apache 2.0，商用几乎没有附加条件，TI2V-5B 对 8GB 显卡也友好，代价是无原生音频。
24GB 卡且不受地区限制，可以考虑 HunyuanVideo 1.5：14GB 显存起步，4090 上 step-distilled 版本约 75 秒渲染一条，但腾讯社区许可不适用于欧盟、英国和韩国，1 亿月活以上需另行协商。
要参考音频与对白能力，看 MiniMax H3：32kHz 立体声加 11 语言对白，但它是 33B dense 模型，本地部署显存口径未公布，社区许可排除欧盟、英国、韩国和美国，年收入 2000 万美元以上需书面授权。
收尾补一句工程视角的判断：这套流程跑熟之后，你会发现自己大部分时间花在提示词与镜头设计上，而不是盯着显存曲线。这是好现象，说明硬件层已经不构成瓶颈，工作流层开始接管效率。届时若想继续深入，模型自带的 RAW 与 EXR 工作流、VFX 方向的 LoRA 全家桶都是下一步的扩展方向，这些在本站开源篇里有更完整的梳理。五轴完整对比数据则在横评篇开源视频模型本地部署横评，本文不重复展开。回到 ComfyUI 视频生成本身：硬件对表、文件下齐、工作流选对型、三个坑绕开，12GB 显卡从今天就能出片。
常见问题
Q1: 12GB 显存真的能跑 LTX-2.5 吗？ 可以，但仅限 distilled/int8 量化变体，ComfyUI 用的是 int8_convrot 构建，单卡 12GB 显存起步，FP8 变体也在这一档。全量 BF16 权重需要 80GB 以上显存，那是数据中心路线。
Q2: 为什么生成的视频没有声音？ 大概率是漏下了音频 VAE。ltx-2.5-audio-vae-bf16 与视频 VAE 是两个独立文件，都要放进 models/vae/ 目录，节点图里音频解码是独立分支，缺文件或断线都会导致无声。
Q3: 8GB 显卡怎么参与 ComfyUI 视频生成？ 换模型：Wan 2.2 的 TI2V-5B 加 offload 是 8GB 档的现实起点，短片为主、480p 到 720p。先把工作流跑熟，再考虑升级硬件。
Q4: 从 Hugging Face 下载 LTX-2.5 提示无权限怎么办？ 权重是 gated=auto 模式，必须登录并同意许可条款后才会放行下载，连浏览模型卡都需要登录。许可为 LTX-2.x Community License，年收入低于 1000 万美元（含）免费商用。
Q5: 提示词增强器值得开吗？ 它额外占用约 5GB 模型、每次生成多 1 到 2 分钟，所以默认关闭。显存富余且提示词写得简单时值得开；摸清扩写风格后，可改为手写完整提示词并关掉它，省下这 1 到 2 分钟。