LTX 2.3とは？

LTX 2.3 は、Lightricks の動画生成モデル LTX-2 の改良版です。

基本的な考え方やノード構成は LTX-2 と同じです。
そのため、このページでは LTX-2 から何が変わるか だけ見ていきます。

推奨設定値

  • 解像度
    • 最終出力として 1.5M ピクセル前後
    • ※32の倍数である必要があります
  • FPS
    • 24 / 25 / 48 / 50
  • フレーム数
    • 65 / 97 / 121 / 161 / 257
    • 8n + 1 である必要があります

モデルのダウンロード

📂ComfyUI/
└── 📂models/
    ├── 📂checkpoints/
    │   └── ltx-2.3-22b-dev-fp8.safetensors
    ├── 📂latent_upscale_models/
    │   └── ltx-2.3-spatial-upscaler-x2-1.1.safetensors
    ├── 📂loras/
    │   └── ltx-2.3-22b-distilled-lora-384.safetensors
    └── 📂text_encoders/
        └── gemma_3_12B_it_fp8_scaled.safetensors

基本的な処理の流れ

アーキテクチャは LTX-2 と同じなので、workflow もそのまま流用できます。
ただし、そのままではあまり良い結果が出ません。

そこで、このページでは、コミュニティが見つけた 3stage workflow を紹介します。

もともと LTX-2 は、一度低解像度で生成したものを Hires.fix して 1.5MP にする 2stage での生成をしていました。
2.3 ではさらに 1 段増やし、非常に小さな解像度で生成したものを 2 倍 Hires.fix、さらにそれをもう 2 倍 Hires.fix します。

公式に推奨されている方法ではありませんが、明確に結果が良いのでこちらを採用しています。

全て distilled-lora を適用した 8 ステップ生成です。

プロンプトについて

LTX-2 と同様に、プロンプトの質はそのまま生成動画の質に繋がります。
公式のプロンプトガイドを参考にしながら、定量的で情報量のあるプロンプトを書くのがおすすめです。

LLM に手伝ってもらうのも有効です。参考リンクと作りたい内容を渡して、整えてもらいましょう。

ComfyUI には、コアで LLM を動かす TextGenerate ノード があります。
多くの LTX-2 workflow ではこれでプロンプトを整えていますが、あくまでプロンプトを修正するだけのノードなので、このページの workflow では使っていません。
個人的には ChatGPT や Gemini で別に作る方が気楽だと思います。

text2video

LTX-2.3_text2video_distilled_3stage.json

動画解像度・長さ・FPSの設定

生成したい動画と音声のパラメータをここで決めます。

  • EmptyLTXVLatentVideo / LTXV Empty Latent Audio に、解像度・フレーム数・FPS を入力します。
  • 🚨LTX-2 のときと異なる部分
    • 2倍を二回、つまり最終的には縦横4倍の解像度になるため、それを加味して 0.1MP 程度の値を設定します

出力例

image2video

LTX-2.3_image2video_distilled_3stage.json

出力例

入力
入力
出力

audio2video

LTX-2.3_audio2video_distilled_3stage.json

出力例

audio-image2video

LTX-2.3_audio-image2video_distilled_3stage.json

出力例

IC-LoRA

LTX-2.3 でも、LTX-2 と同様に IC-LoRA 系の拡張を使うことができます。

モデルのダウンロード

📂ComfyUI/
└── 📂models/
    └── 📂loras/
        └── ltx-2.3-22b-ic-lora-union-control-ref0.5.safetensors

IC-LoRA Union (Pose)

LTX-2.3_IC-LoRA(Pose)_distilled_2stage.json
  • 🚨IC-LoRA のときは 3 stage ではなく 2 stage の workflow を使います
  • IC-LoRA Union では、制御動画に「生成動画の半分の解像度」を使う、という特殊な手法を使います
    • そのため 3 stage にすると、制御画像の解像度は "半分の半分の半分の半分"、つまり 100px ほどまで落ちます
    • そこまで小さくなると、制御画像としてまともな情報を保てません
    • そのため、IC-LoRA では 2 stage で止めます

出力例

入力
出力

ID-LoRA

参照画像 1 枚 + 短い参照音声 + テキストプロンプトから、その人がその場面でその内容を喋っている talking head 動画を生成します。

ボイスクローンで作った音声をあとから audio-image2video に流し込むのとは違い、ID-LoRA は音声と動画を同時に生成します。
そのため、口の動きや声の雰囲気も含めて、より一体感のある映像になりやすいです。

モデルのダウンロード

配布ファイル名はどちらも lora_weights.safetensors です。
分かりにくいので、それぞれ LTX-2.3-ID-LoRA-CelebVHQ-3K.safetensors / LTX-2.3-ID-LoRA-TalkVid-3K.safetensors にリネームしておくと扱いやすいです。

📂ComfyUI/
└── 📂models/
    └── 📂loras/
        ├── LTX-2.3-ID-LoRA-CelebVHQ-3K.safetensors
        └── LTX-2.3-ID-LoRA-TalkVid-3K.safetensors

workflow

LTX-2.3_ID-LoRA_distilled_3stage.json

全体のベースは image2video です。
そこに、ID-LoRA 用の LoRA と参照音声条件を追加します。

ID-LoRA モデル

ID-LoRAを読み込みます。

  • LTX-2.3-ID-LoRA-CelebVHQ-3K
  • LTX-2.3-ID-LoRA-TalkVid-3K

二種類ありますが、データセットが違うだけで仕組みとしては同じものです。
さほど違いはありませんが、両方使ってみて相性の良い方を見つけてみてください。

LTXV Reference Audio (ID-LoRA)

ID-LoRAと参照音声をつなぎます。

  • 参照音声には、5秒程度にトリムしたものを使います。
  • あくまで参照するだけなので、生成する動画の長さとは関係ありません。

プロンプト

プロンプト形式は決まっているので、これに従って書きます。

[VISUAL]: 場面描写および登場人物の見た目
[SPEECH]: 登場人物のセリフ
[SOUNDS]: 演者のしゃべり方 + 環境音/周囲の音
  • ナレーションのように声だけ乗る形にならないよう、人物が実際に喋っていることも [VISUAL] に書いておくと安定しやすいです

出力例

input
input
ref_audio
output