ltx2.3 最强开源视频生成模型，支持图生视频、文生视频、消费级显卡可本地部署，一键整合包
LTX‑2.3 是一个开源的音视频生成模型，支持从文字、图片和音频生成带有画面和声音的视频。这个模型由 Lightricks 发布，完整模型权重和代码可以开源使用，也可以在本地显卡上部署生成视频。它在 2026 年发布后在社区里引起了较多讨论，很多人用于短视频制作、模型实验和工作流程集成。([LTX][1])
LTX2.3 是什么
LTX‑2.3 是 Lightricks 发布的开源视频生成基础模型。它基于一种叫Diffusion Transformer（DiT）的架构，有大约 220 亿个参数，可以一次性生成视频和音频，不需要先生成画面再后处理配音。模型支持多种输入方式，包括：
- 文本生成视频（text‑to‑video）
- 图片生成视频（image‑to‑video）
- 音频驱动生成视频（audio‑to‑video）
模型可以输出最高 4K 分辨率的视频片段，并支持横屏和原生竖屏（9:16）格式，可用于适配手机端短视频平台。([LTX][1])
模型在同一次推理过程中处理画面和音频，所以输出的视频和声音是一致的，不需要后期再混合，减少了制作步骤。([Cinevva][2])
软件特点
以下是 LTX‑2.3 的一些核心特点，整理了官方说明和社区讨论：
多模态输入输出
LTX‑2.3 支持三种主要输入模式：
- 文本到视频：用户写一段描述语句，模型根据提示生成视频内容。
- 图片到视频：用户提供一张或多张图片作为参考序列，生成连续画面。
- 音频到视频：输入音频片段，生成画面并保持与声音同步。([AI工具集][3])
这种多模态支持让制作流程更灵活，不局限于单一方式。([LTX][1])
原生音视频同步
和很多旧版本或一些开源模型不同，LTX‑2.3 在生成过程中就已经把音频和画面放在一起输出，不需要单独配音或对齐步骤。([Cinevva][2])
支持竖屏格式
模型原生支持 9:16 竖屏输出，这是很多短视频平台需要的格式，不需要裁剪或后期调整。([LTX][1])
改进的细节和提示词处理
相比前一代 LTX‑2，LTX‑2.3 在细节表现、提示词理解、纹理表现等方面有明显提升，提示词更容易被模型准确理解。([ChooseAI][4])
生成时长和帧率
单次生成视频时长最多约 20 秒，支持不同帧率选项，例如 24、25、48、50 帧每秒，适应不同的视觉需求。([Cinevva][2])
LTX2.3 需要的硬件条件（本地部署）
在社区讨论中，有人分享了不同 VRAM 下的运行情况，说明实现本地生成视频的硬件需求并不是统一的固定标准，而是会根据分辨率和模型版本不同而变化。
建议硬件配置
- 显卡：RTX 4090 是理想选择，可在较高分辨率下运行；也有人在 3060 系列显卡上测试过，但需要调整参数、降低分辨率或拆分生成步骤。([Reddit][5])
- 显存：至少 12GB 以上显存才可能稳定运行完整 1080p 输出；更低显存需要使用量化模型或分步生成流程。([Reddit][5])
- CPU、内存等：现代多核 CPU 和 32GB 以上内存可以提升整体处理性能。社区用户常见组合是如 Ryzen 9 + 64GB 内存等配置。([Reddit][6])
模型版本
官方开源仓库提供不同版本的模型权重，包括原始、量化（如 FP8）和精简版本，可以针对不同硬件选择更合适的模型。([LTX][1])
与其它开源视频生成模型对比
下面是 LTX‑2.3 和其他开源视频生成模型的一些对比，主要整理社区讨论和模型参数：
| 特征 | LTX‑2.3 | Wan 2.2 | 其他开源模型 |
|---|---|---|---|
| 核心架构 | DiT（Diffusion Transformer） | 类似扩散架构 | 不同扩散/变换架构 |
| 参数量 | 约 220 亿 | 一般较少 | 依具体模型 |
| 音视频同步 | 支持（同一次生成） | 通常需要后处理 | 大部分不支持 |
| 本地部署 | 支持 | 支持 | 多数可本地运行 |
| 竖屏原生支持 | 有 | 少 | 多数不支持或需要裁剪 |
| 多输入支持 | 文/图/音 | 文生、图生部分支持 | 多数只支持文本或图片 |
| 最高分辨率 | 最高可到 4K | 多数低于 | 有些可扩展 |
| 模型开放 | 开源权重 | 部分模型开源 | 各不相同 |
这是基于社区整理和用户反馈整理的对比表，不同模型在具体使用体验上可能还有差异。社区普遍认为 Wan 2.2 在某些清晰度指标上表现强，但 LTX‑2.3 在音视频同步、竖屏支持等方面具有独特优势。([Reddit][7])
下载安装包
本文配套的一键整合包下载链接可以从百度网盘获取：
链接地址：
https://pan.baidu.com/s/1y6kfxkE0ivA1Rw5o44i-Aw?pwd=lijj
请按页面提示输入提取码后下载。里面大多包含模型权重、ComfyUI 工作流和一键启动脚本。根据不同显卡和系统选择合适的版本。
安装与配置步骤（教程式）
下面是一个简单的安装和部署流程示例，假设你使用的是 Windows 环境。
1. 准备环境
- 在显卡驱动和 CUDA 驱动上先确保安装 NVIDIA 官方最新驱动。
- 安装 Python（建议 Python 3.10+）。
- 确保环境变量设置正确，以便直接在命令行调用 Python。
2. 解压一键整合包
把整合包解压到合适的文件夹，例如：
D:\AI\LTX2.3\3. 安装依赖
打开命令行终端，定位到模型主目录，运行：
pipinstall-rrequirements.txt确保依赖顺利安装。通常会包括 PyTorch、Transformers、ComfyUI 或其他需要的库。
4. 模型权重放置
把下载的模型权重文件放置到指定文件夹，例如：
models/ltx2.3/按照文档指引确认权重路径正确。
5. 启动生成界面或脚本
如果是一键启动配置：
python run_server.py或者打开 ComfyUI 界面并加载 LTX‑2.3 的节点，选择对应流程（文本/图片/音频生成模板），然后输入提示词开始生成。
6. 调整输出参数
在生成过程中可以调整：
- 输出分辨率
- 帧率
- 生成时长
- 模式选择（fast、pro）
根据硬件性能选择合适设置。
社区实践经验
从一些用户反馈看，LTX‑2.3 在高显存显卡上生成视频质量平衡较好，也有人在低显存上尝试使用量化模型。权衡点在于：
- 在低显存条件下可以降低分辨率、拆分生成阶段。([Reddit][5])
- 使用提示词技巧可以提高生成稳定性和符合度。([Reddit][8])
- 某些复杂人物场景可能出现细节偏差或不稳定，需要多次尝试调整。([Reddit][9])