LTX-Video：兼具速度與畫質的開源影片生成模型
想要把靜態照片變成影片，過去往往需要專業剪輯軟體與數小時的算圖時間。現在，Lightricks 開發的 LTX-Video 簡化了這個流程，讓文字生成影片（Text-to-Video, T2V）與圖片生成影片（Image-to-Video, I2V）變得更加直觀與高效。
什麼是 LTX-Video？
LTX-Video 是一款採用 Diffusion Transformer (DiT) 架構的開源即時影片生成模型。除了能將靜態影像轉換為動態影片（I2V）之外，它同時原生支援從文字直接生成影片（T2V）。
在技術層面上，LTX-Video 採用了強大的 3D 時空變分自編碼器（ST-VAE），將影片在空間（8x）與時間（8x）維度上進行高效壓縮，並搭配 T5-XXL 文本編碼器。這種設計結合了擴散模型（Diffusion Model）的畫面細膩度與 Transformer 對長序列資料的強大建模能力，能在維持動作連貫性的同時大幅降低計算延遲，甚至實現超越影片播放速率的極速算圖。
選擇適合的模型版本
創作者可根據硬體效能與應用場景選擇適合的模型版本：
- 13B / 2B 旗艦模型：具備高精度的運動控制與細緻的光影呈現，適合對畫質與鏡頭語言有高度要求的創作場景。
- 蒸餾版與輕量化模型：透過模型蒸餾技術（如 4-step / 8-step 蒸餾，或搭配 IC-LoRA 控制），可在極少的採樣步數下生成高質量影片，實現近乎即時預覽（Real-time preview）的互動創作體驗。
如何使用
- 本地腳本執行：技術愛好者與開發者可直接下載 GitHub 上的程式碼庫，透過設定配置文件與 YAML 檔案在本地端直接執行 T2V / I2V 任務。
- ComfyUI 節點整合：習慣使用視覺化工作流的使用者，可安裝官方維護的 ComfyUI-LTXVideo，將模型靈活整合至現有的 ComfyUI 創作流程中。
提示詞與鏡頭控制建議
提示詞（Prompt）與參考圖品質直接決定了輸出的動作流暢度與畫面細節。與其輸入簡單籠統的關鍵字，不如明確描述「鏡頭運動、主體動作、光影變化與材質質感」。例如：
- 不推薦：「深海裡的海浪」
- 推薦：「深藍色的海浪撞擊崎嶇岩石，激起白色泡沫，背景有雲霧繚繞的遠山；鏡頭慢速推近，伴隨劇烈的自然光影變化與高動態範圍質感。」
若進行圖片生成影片（I2V），建議使用高清晰度、邊緣明確且無運動模糊的靜態圖片作為首幀輸入。
常見問題
Q：硬體要求高嗎？ A：硬體門檻視模型版本與量化程度而定。全精度 13B 模型對顯存（VRAM）要求較高（建議 24GB 以上 GPU）；若硬體資源有限（如 8GB~12GB VRAM 的消費級顯示卡），建議優先採用 2B 版本、FP8/INT8 量化模型或蒸餾版本。
Q：解析度與幀數的設置建議為何？ A：由於時空 VAE 壓縮機制的限制：
- 解析度：長與寬建議必須為 32（或 64）的倍數（控制在 1216×704 或 720×1280 以內能獲得最佳速度與品質平衡）。
- 總幀數：建議設定為
8n + 1（例如 9, 17, 25, 33, 41, 49, 97, 121 幀），這是因為時間軸 VAE 執行了 8 倍採樣壓縮加上首幀對齊。
Q：有相關的 Python 開發資源嗎？
A：開發者可直接透過 Hugging Face 的 Diffusers 函式庫 載入 LTXVideoPipeline 或 LTXImageToVideoPipeline，非常便利地將 LTX-Video 整合進現有的 Python AI 工作流程中。
結語
LTX-Video 憑藉其卓越的 DiT 架構與極高的推論效率，顯著降低了高品質動態影片創作的技術與時間門檻。無論是社群媒體短片製作、廣告概念提案，或是數位藝術探索，這款開源工具都為文字與靜態影像賦予了動態的全新生命。
