什么是 LTX 2.5？

LTX 2.5 是 Lightricks 视频生成模型继 LTX-2、LTX 2.3 之后的新版本。

基本机制与 LTX 2.3 相同，不过它不只是让输出变得更漂亮，还带来了几项较大的改进。

  • Multi-shot
    • 一次生成多个镜头
  • Gemma 4 Text Encoder
    • Text Encoder 从 Gemma 3 改为 Gemma 4
  • Diffusion Decoder
    • 不再使用 VAE Decode，而是用扩散模型从 latent 还原视频
    • 思路和 PiD 比较接近

除此之外还有一些改进，不过如果是在 ComfyUI 中使用，暂时知道这些就够了。

推荐设置

  • 分辨率
    • 必须是 32 的倍数
  • FPS
    • 不限制为几个固定值
    • 默认值是 24 FPS
  • 帧数
    • 必须是 8n + 1
  • 视频最长长度
    • 481 帧
    • 24 FPS 时约为 20 秒

模型下载

LTX 2.5 的模型需要认证才能下载。请用 Hugging Face 账号登录，然后在 LTX-2.5 的页面 点击 Agree and Access。

后面使用的 IC-LoRA，也需要在各自的页面上同样点击同意。

📂ComfyUI/
└── 📂models/
    ├── 📂diffusion_models/
    │   └── ltx-2.5-22b-distilled-transformer-comfy-int8-convrot.safetensors
    ├── 📂latent_upscale_models/
    │   └── ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors
    ├── 📂text_encoders/
    │   └── gemma4-12b-with-proj-ltx-2.5-comfy-int8-convrot.safetensors
    └── 📂vae/
        ├── ltx-2.5-video-vae-bf16.safetensors
        └── ltx-2.5-audio-vae-bf16.safetensors

text2video

ltx_2_5_text2video.json

和 LTX-2 一样，这是一个 2 阶段工作流：先以目标分辨率的一半生成，再放大 2 倍。

Deep divetext2video

分辨率设置

之后会放大 2 倍，所以在 EmptyLTXVLatentVideo 中输入目标分辨率一半的值。

这个值也必须是 32 的倍数，因此目标宽度和高度请设为 64 的倍数。

帧数设置

在这个工作流中，输入想要生成的视频秒数（sec）和 FPS 后，帧数会自动取整为合适的 8n + 1。

Outputs

Multi-shot

从 Seedance 2 等模型开始，这种功能逐渐常见起来。现在一次生成就能制作多个镜头。

ltx_2_5_text2video_multishot.json

不需要特别的写法，只要用自然语言写出“这里切换镜头……”之类的内容，模型就会识别。

写起来很轻松，不过模型有时也不会将它识别为 Multi-shot。遇到这种情况，就耐心多试几次吧。

Outputs

Duration Predictor

视频长度基本上需要手动设置，不过要判断这段提示词究竟适合几秒，其实也挺让人纠结的。

LTX 2.5 可以根据提示词内容，自动推测表现这些内容所需的视频长度。

模型下载

📂ComfyUI/
└── 📂models/
    └── 📂model_patches/
        └── ltx-2.5-duration-head-bf16.safetensors
ltx_2_5_text2video_duration_predictor.json
Deep diveDuration Predictor

LTXV Duration Predictor

节点会输出根据提示词预测的帧数，再连接到普通 text2video 工作流的 length。

这毕竟只是预测，所以结果有时会比预期更短或更长。即便如此，能自动预测视频长度还是个挺有意思的功能。

Outputs

image2video

ltx_2_5_image2video.json

用法和 LTX 2 的 image2video 相同。使用 LTXVImgToVideoInplace 将输入图像插入为第 1 帧。

以前出于各种原因，会使用 LTXV Preprocess 故意降低输入图像的质量。不过在 LTX 2.5 中，至少就我使用的情况来看似乎已经不再需要，所以这里将它去掉了。

Outputs
输入
输入
输出

Generative Interpolation / FLF2V

将任意数量的图像交给模型，让它流畅地填补图像之间的内容。

如果只指定视频的第一张和最后一张图像，就是通常所说的 FLF2V。

ltx_2_5_generative_interpolation.json
Deep diveGenerative Interpolation / FLF2V

LTXV Add Guide

在 frame_idx 中指定插入图像的位置。

  • 0：第一帧
  • -1：最后一帧

增加节点并依次连接起来，就能进行 Generative Interpolation。

根据图像的不同，结果有时不像补帧，反而更像转场。
对于插在中间的 LTXVAddGuide，可以尝试将 strength 降到 0.3～0.4 左右。

Outputs
输入 1
输入 1
输入 2
输入 2
输入 3
输入 3
输出

IC-LoRA

IC-LoRA 在 LTX 中的作用类似于 ControlNet 或视频编辑 LoRA。

LTX 2.5 与许多为 LTX 2.3 制作的 IC-LoRA 兼容，可以直接使用。

Union Control

和普通 ControlNet 一样，可以用线稿、深度图或姿势视频控制生成视频。

模型下载

📂ComfyUI/
└── 📂models/
    └── 📂loras/
        └── ltx-2.3-22b-ic-lora-union-control-ref0.5.safetensors
ltx_2_5_ic_lora_union_control_pose.json

关于 IC-LoRA 的详细说明，请参阅 LTX 2 / IC-LoRA (Pose)。

Outputs
输入 / 姿势
输出

Clean Plate

Lightricks 官方发布了许多可以用 LTX 2.5 做 VFX 处理的有趣 IC-LoRA。

有把白天变成夜晚的，也有让场景被水淹没的，种类很多。这次我们来试试能把视频中特定物体去掉的 Clean Plate。

模型下载

📂ComfyUI/
└── 📂models/
    └── 📂loras/
        └── ltx-2.5-22b-ic-lora-clean-plate-1.0.safetensors
ltx_2_5_ic_lora_clean_plate.json

提示词的写法需要注意一下。

不要像图像编辑那样写“去掉〇〇”，而是用普通的句子描述〇〇消失之后的景象。如果要去掉的东西很明确，可以像 no bicycle anywhere in the frame 这样，再补充一句“没有它”，效果会更稳定。

位于画面边缘或部分被遮挡的物体似乎比较容易去干净，而占据画面中央大部分的物体似乎不太擅长。大概是因为去掉之后，视频中几乎没有留下可以参考的背景吧。

Outputs
输入
输出

基本上，用这个工作流也能运行其他 IC-LoRA。不过也有几个需要专用工作流，下面来看看。

Alpha Gen

可以把视频中的前景抠出来。

不过它不会直接输出透明背景的视频，所以需要稍微做一些后期处理。

模型下载

📂ComfyUI/
└── 📂models/
    └── 📂loras/
        └── ltx-2.5-22b-ic-lora-alpha-gen-0.9.safetensors
ltx_2_5_ic_lora_alpha_gen.json

不使用提示词，保持空白即可。

输出的是黑白的遮罩视频。

ComfyUI 无法制作透明视频，所以这里把它做成绿幕视频。

Deep diveAlpha Gen

合成到绿幕上

  • 用 ImageToMask 把黑白视频转成遮罩
  • 用 InvertMask 反转
  • 用 ImageCompositeMasked，把纯绿色的 EmptyImage 合成到背景部分

超过 145 帧的视频，原视频的内容似乎会开始混进遮罩。工作流中截取到 145 帧。

Outputs
输入
遮罩
绿幕

Refine Details

在补充细节的同时，把任意视频放大到 4K 这样的高分辨率。

为了降低计算量，它会把视频分成图块（tile）来处理，因此需要自定义节点。

自定义节点

模型下载

📂ComfyUI/
└── 📂models/
    └── 📂loras/
        └── ltx-2.5-22b-ic-lora-refine-details-1.0.safetensors
ltx_2_5_ic_lora_refine_details.json

Deep diveRefine Details

先调整视频尺寸

先把视频拉伸到较大的尺寸（这个工作流中约为 4 MP）。

Refine Details 做的事情，就是把这种被拉伸后变模糊的视频，重新清晰地描绘出来。

Tiled Fusion Sampler

LTXVTiledFusionSampler 会把视频分割成图块后进行采样。

设置不需要特别修改。

提示词里写的不是画面中的内容，而是 sharp photographic detail、natural film grain 这类关于画质的词。每个图块都会收到完整的提示词，所以如果写了人物等内容，它可能会被画进没有这个人的图块里。

Outputs
输入
输出