ComfyUI-LTXVideo 视频生成指南：安装、两阶段放大与 4K 工作流实操-育师

ComfyUI-LTXVideo 视频生成指南：安装、两阶段放大与 4K 工作流实操

【免费下载链接】ComfyUI-LTXVideoLTX-Video Support for ComfyUI项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo

上周给产品页做 4 秒展示视频：LTX-2 直出只有 720p，放大到 1080p 细节糊掉，硬上 4K 直接爆显存。ComfyUI-LTXVideo 是 Lightricks 官方维护的 ComfyUI 自定义节点包，围绕 LTX-2 视频生成模型提供两阶段上采样、IC-LoRA 控制、Tiled Fusion 大画布生成等能力。LTX-2 模型本体已内置在 ComfyUI 核心里，这个仓库解决的是"怎么把模型用好"的问题：节点、工作流、内存策略都配好了，拖个 json 进画布就能跑。

LTX-2 视频生成为什么需要这个插件

解决什么：ComfyUI 自带的 LTX-2 支持只能跑基础采样；两阶段 2× 上采样、深度/边缘/姿态控制（IC-LoRA）、4K/8K 分块融合、长视频时间分块、HDR 与配音（Dub-It）等能力都在这 20+ 个自定义节点里。
适合谁：有 32GB+ 显存 NVIDIA 显卡、想在 ComfyUI 里做文生视频、图生视频或视频编辑的用户。
上手成本：仓库自带 30 多套示例工作流（example_workflows/），首次运行时缺失模型可以一键下载，不用手动找文件。

三步装好 ComfyUI-LTXVideo

前提：已安装 ComfyUI，NVIDIA GPU 显存 32GB 以上，磁盘预留 100GB 以上放模型。

克隆仓库到 ComfyUI 的 custom_nodes 目录：

cd ComfyUI/custom_nodes git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-LTXVideo pip install -r ComfyUI-LTXVideo/requirements.txt

放置模型文件（详见 README.md 的 Required Models 一节）：22B 主模型进models/checkpoints，空间/时间上采样器进models/latent_upscale_models，各类 LoRA 进models/loras，Gemma 3 文本编码器进models/text_encoders。
重启 ComfyUI。节点会出现在 "Lightricks" 分类下（显示名带 🅛🅣🅧 前缀）。嫌手动放模型麻烦，也可以改用 Comfy Manager 安装 "LTXVideo"，首次运行工作流时通过 Workflow Overview 面板点 Download all 自动拉取。

三分钟看懂两阶段生成原理

整个仓库的核心思路可以压缩成一条流水线：先在低分辨率把构图和动作"定稿"，再上采样后做一轮短 refine，最后分块解码出视频。

为什么两阶段：一次性在高分辨率采样又慢又容易漂移；先在低分辨率定稿，2× 放大后只跑 3 步 refine，细节和速度能兼顾。
大画布怎么办：LTXVTiledFusionSampler保持一张潜空间画布和一个噪声场，每个去噪步在重叠分块上跑模型再高斯混合回画布，峰值显存只跟单个分块大小相关，所以 FullHD/4K/8K 才跑得动。
长视频怎么办：LTXVLoopingSampler按时间切片，每段用上一段的尾帧做条件，配合空间分块输出超长内容。

分阶实战：从 97 帧到 8K

上手：单阶段工作流出第一条视频 🎬

打开 LTX-2.5_T2V_I2V_Single_Stage_Distilled.json，填入 prompt，可选接一张首帧图做 I2V，点 Run。关键认知只有一个数字：帧数必须是 1 + 8 的倍数（97、105、121……），填错工作流直接报错。单阶段没有上采样，胜在快，适合反复试 prompt。

进阶：两阶段工作流加 2× 上采样 🧩

换成 LTX-2.5_T2V_I2V_Two_Stage_Distilled.json，流程变化：第一阶段在基础分辨率生成，LTXVPatcherVAE配合空间上采样器把潜空间放大 2 倍，第二阶段只用 3 步 refine。两个实操要点：

prompt 写得越具体，第一阶段的构图越稳；第二阶段主要靠上采样器补细节。
prompt 不够好时，接上LTXVPromptEnhancer（Gemma 3 扩写），见 prompt_enhancer_nodes.py。

显存不够 32GB 时，把模型加载节点换成 low_vram_loaders.py 里的低显存加载器，它们控制加载顺序和 offload，让生成在 32GB 内完成。

高手：Tiled Fusion 冲 4K/8K 与长视频 ⚡

两条路径按需选：

大画布上采样：用 LTX-2.5_V2V_TiledFusion_Upscale.json，output_size可选 FullHD / 4K / 8K。阶段 2 的 prompt 只写风格（光线、调色、胶片感、锐度），不要点名具体物体——点名了的东西会被盖进每一个空间分块。完整参数说明在 tiled_fusion_sampler.md。

长视频：用 looping_sampler.md 描述的LTXVLoopingSampler，时间分块 + 尾帧条件 + 可选关键帧，支持 2×2 空间网格。启动参数示例：

python -m main --reserve-vram 5

常用参数怎么调

参数	建议值	调整方向/效果
帧数	1 + 8k，如 97	必须满足 1+8 的倍数；调大时长按比例加
`temporal_tile_size`	80	长视频每段时间窗（像素帧）；调大更顺滑但吃显存
`temporal_overlap`	24	相邻时间块重叠帧数；调大衔接更自然
`overlap_frac`	≥ 0.5	空间分块重叠比例；低于 0.5 会在规则纹理上出现周期网格
`tile_frames`	97	Tiled Fusion 时间窗；开启`use_streaming`时 guide 与 sampler 必须同值
`grid_cycle`	1	1=固定网格（最省）；4=每步平移网格，弱化接缝规律性
`adain_factor`	0.0–1.0	长视频 AdaIn 归一化强度；出现颜色漂移时从小往上调
LoRA strength（像素上采样器）	中低值起步	调低更贴近原片；调高允许更多"创造性"细节
decode tile size	工作流默认值	调大解码更快但更吃显存；低显存保持默认
`--reserve-vram`	5	给系统预留 GB 数；爆显存时配合低显存加载器使用

高频问题：现象、原因、解法 📌

现象	原因	解法
4K 大画布出现规则网格伪影	`overlap_frac`低于 0.5，或 guide 上开了`use_tiled_encode`	`overlap_frac`调到 0.5 以上；所有`LTXAddVideoICLoRAGuide`的`use_tiled_encode`保持 false
生成中途 OOM 爆显存	22B 模型整幅潜空间一次性驻留	换 low_vram_loaders.py 的加载器 +`--reserve-vram 5`；解码 tile 保持默认
4K 放大后 prompt 里的物体出现在每个分块	阶段 2 prompt 点名了具体物体，分块融合后细节被复制	阶段 2 只写风格类描述：光线、调色、胶片感、锐度
工作流报错、帧数不合法	帧数不是 1 + 8 的倍数	改成 97、105、121 这类值；时长由 fps × 秒数换算时可能差 1 帧
长视频跨段颜色/饱和度漂移	新时间块没有做归一化	开启`adain_factor`或接`LTXVNormalizingSampler`，以首段时间块为参考统计量