LTX 2.3 Sulphur 2 flujo de trabajo de texto a video | Generador Cinematográfico

LTX 2.3 Sulphur 2 flujo de trabajo de texto a video para animación cinematográfica de personajes#

Este pipeline de ComfyUI convierte indicaciones de lenguaje natural en videos cortos, cinematográficos, enfocados en personajes con audio opcional, construido alrededor de los componentes Lightricks LTX‑2.3 y Sulphur 2. Genera en baja resolución para planificación de movimiento, amplía la secuencia latente, luego refina en alta resolución antes de decodificar a fotogramas y mezclar una pista de audio sincronizada.

El flujo de trabajo de texto a video LTX 2.3 Sulphur 2 es ideal para pruebas rápidas de animación de personajes, conceptos de movimiento estilo D‑Human y experimentos de texto a video pulidos. No depende de entradas de imagen a video o retransmisiones de indicaciones; todo comienza desde el texto, con el acondicionamiento LTXV guiando tanto los latentes de video como de audio de principio a fin.

Modelos clave en el flujo de trabajo de texto a video LTX 2.3 Sulphur 2 de ComfyUI#

• Lightricks LTX‑2.3. Generador principal de texto a video utilizado para síntesis espaciotemporal y latentes AV multimodales. Consulta el repositorio oficial del modelo para pesos y notas sobre capacidades y limitaciones. Hugging Face: Lightricks/LTX-2.3
• Lightricks LTX‑2.3 FP8 checkpoint. Variante eficiente en memoria de LTX‑2.3 que acelera la inferencia y permite clips más largos o resoluciones más altas en GPUs con restricciones. Hugging Face: Lightricks/LTX-2.3-fp8
• Modelo base Sulphur 2. Proporciona priors de estilo y detalle de personajes a través de LoRA en este flujo de trabajo, ayudando a lograr rostros nítidos y tonalidad cinematográfica. Hugging Face: SulphurAI/Sulphur-2-base
• LTX‑2.3 Spatial Upscaler x2 1.1. Ampliador de espacio latente que incrementa el detalle espacial antes del paso de refinamiento de alta resolución. Hugging Face: Lightricks/LTX-2.3 file ltx-2.3-spatial-upscaler-x2-1.1.safetensors
• Codificador de texto LTX (Gemma 3 12B IT empaquetado para LTX). Proporciona el espacio de incrustación de texto adaptado al acondicionamiento LTX‑2.3 para un seguimiento fiel de las indicaciones. Hugging Face: Comfy-Org/ltx-2
• LTX Audio VAE. Decodifica el latente de audio generado junto con el video para que el render final pueda incluir una banda sonora sincronizada. Hugging Face: Lightricks/LTX-2.3

Cómo usar el flujo de trabajo de texto a video LTX 2.3 Sulphur 2 de ComfyUI#

Lógica general El flujo de trabajo se ejecuta en tres actos: generación de baja resolución para establecer movimiento y composición, ampliación latente para incrementar el detalle espacial, y un paso de refinamiento de alta resolución que también produce el audio final. Los latentes se decodifican a fotogramas y forma de onda, luego se mezclan en un contenedor MP4 listo para entrega.

Configuración de Video Usa el grupo “Configuración de Video” para definir ancho, altura, tasa de fotogramas y duración. El conteo de fotogramas se calcula automáticamente a partir de tu duración y fps para que la sincronización y cadencia se mantengan consistentes. Estos valores impulsan la asignación y decodificación latente, por lo que debes establecerlos primero para que coincidan con tu relación de aspecto y tiempo de ejecución objetivo. Ajustar el fps aquí también informa al acondicionamiento para que la suavidad del movimiento y la alineación del audio usen el mismo reloj.

Indicación En “Indicación”, carga el codificador de texto LTX con LTXAVTextEncoderLoader (#316), luego escribe tu descripción positiva en CLIPTextEncode (#303) y cualquier rasgo no deseado en CLIPTextEncode (#312). El nodo LTXVConditioning (#304) fusiona el acondicionamiento positivo y negativo y añade la tasa de fotogramas elegida para que la guía temporal coincida con tu fps. Trata la indicación positiva como un breve de rodaje: sujeto, cámara, iluminación, ambiente y pistas de estilo. Mantén la lista negativa enfocada en artefactos que veas regularmente y quieras eliminar.

Modelo El grupo “Modelo” carga el checkpoint principal a través de CheckpointLoaderSimple (#315) y aplica un LoRA Sulphur 2 con LoraLoaderModelOnly (#285) para infundir textura cinematográfica y fidelidad de personajes. Aquí es donde puedes cambiar checkpoints o LoRAs para modificar el aspecto general y los priors de movimiento. La salida del modelo se enruta tanto a los guías iniciales como de refinamiento para que el estilo y la identidad sean consistentes en todos los pasos. Emparejar LTX‑2.3 con Sulphur 2 produce un contraste impactante y rostros detallados que se leen bien en movimiento.

Conversión de números Las expresiones de utilidad convierten tus fps y segundos en el conteo entero de fotogramas utilizado aguas abajo. Esto mantiene las líneas de tiempo de audio y video alineadas sin matemáticas manuales. Si revisas fps o duración más tarde, el gráfico actualiza automáticamente los nodos dependientes.

Latente Vacío “Latente Vacío” crea contenedores alineados para la generación: EmptyLTXVLatentVideo (#295) define el tamaño espacial y la longitud del latente de video, LTXVEmptyLatentAudio (#305) asigna el latente de audio a la misma tasa de fotogramas, y LTXVConcatAVLatent (#321) los fusiona en un único latente AV. Comenzar desde latentes vacíos asegura que el paso de difusión refleje completamente tu indicación y acondicionamiento en lugar de cualquier contenido preexistente.

Generar Baja Resolución La primera etapa de muestreo establece movimiento y composición a menor costo. CFGGuider (#313), KSamplerSelect (#291), y ManualSigmas (#306) gobiernan cuán fuertemente la indicación dirige la generación y el horario de ruido general. SamplerCustomAdvanced (#283) luego desruida el latente AV a un clip coherente. El resultado se divide por LTXVSeparateAVLatent (#307), y LTXVCropGuides (#284) refina la atención espacial para que el encuadre del sujeto que deseas se preserve durante la ampliación posterior.

Ampliación Latente LTXVLatentUpsampler (#287) utiliza el ampliador x2 de LTX‑2.3 para elevar el detalle espacial mientras se mantiene en el espacio latente para velocidad y estabilidad. Alimentar el video latente ampliado hacia adelante mejora la textura y legibilidad antes del refinamiento de alta resolución. Esto preserva el movimiento que te gustó del primer paso mientras abre espacio para bordes más nítidos y materiales más ricos.

Generar Alta Resolución El video latente ampliado se vuelve a unir con el latente de audio en LTXVConcatAVLatent (#278) y se guía nuevamente para la calidad final. CFGGuider (#282), KSamplerSelect (#280), y ManualSigmas (#281) tienen la última palabra sobre la fuerza de la indicación, el detalle y la coherencia temporal, con SamplerCustomAdvanced (#308) produciendo el latente AV refinado. LTXVSeparateAVLatent (#309) entrega el video a VAEDecodeTiled (#314) para la decodificación de fotogramas amigable con la memoria y el audio a LTXVAudioVAEDecode (#297) para la reconstrucción de la forma de onda. CreateVideo (#310) mezcla fotogramas y audio a tu fps objetivo, y SaveVideo (#75) escribe un archivo MP4/H.264.

Preprocesamiento de Imagen Esta área enruta los modelos VAE base y ampliadores para que el mosaico y la ampliación latente funcionen dentro de tu presupuesto de VRAM. Si experimentas presión de memoria, favorece los pesos FP8 de LTX‑2.3 y mantén habilitada la decodificación en mosaico para mantener el rendimiento y la calidad.

Nodos clave en el flujo de trabajo de texto a video LTX 2.3 Sulphur 2 de ComfyUI#

LTXVConditioning (#304) Fusiona el acondicionamiento de texto positivo y negativo y adjunta la tasa de fotogramas de trabajo para que la guía temporal coincida con tu render. Un lenguaje de escena fuerte y específico mejora la estructura del disparo; los negativos concisos reducen artefactos. Consulta la tarjeta del modelo LTX‑2.3 para notas de acondicionamiento. Hugging Face: Lightricks/LTX-2.3

LTXVCropGuides (#284) Dirige suavemente la composición para mantener al sujeto principal encuadrado según lo previsto. Úsalo para proteger el tamaño del rostro, la colocación del horizonte, o un sujeto centrado antes de la ampliación y refinamiento. Es especialmente útil para tomas estilo diálogo y primeros planos medios.

CFGGuider (#313, #282) Controla cuán agresivamente la indicación influye en la trayectoria de difusión en ambos pasos. Usa el primer guía para fijar el movimiento y la puesta en escena, luego el segundo para añadir nitidez sin alejarse del disparo establecido.

ManualSigmas (#306, #281) Define el horario de ruido. Pre-cargar más ruido fomenta una exploración de movimiento más grande; un horario más suave enfatiza la consistencia temporal. Mantén los horarios de baja y alta resolución complementarios en lugar de idénticos.

LTXVLatentUpsampler (#287) Realiza una ampliación latente x2 usando el ampliador oficial de LTX para que ganes detalle antes del muestreador de refinamiento. Cambiar a otra variante del ampliador LTX‑2.3 puede cambiar ligeramente la nitidez y el grano. Hugging Face: Lightricks/LTX-2.3

VAEDecodeTiled (#314) Decodifica clips largos o grandes en mosaicos manejables para evitar picos de VRAM. Si cambias el tamaño espacial o la longitud del clip, ajusta el mosaico para equilibrar el margen de memoria y la velocidad de decodificación.

LoraLoaderModelOnly (#285) Aplica el LoRA Sulphur 2 a la ruta del modelo base para que la fidelidad de los personajes y las pistas de estilo se transfieran a ambas etapas de muestreo. Usa esto para cambiar rápidamente de apariencia manteniendo la misma base LTX‑2.3. Hugging Face: SulphurAI/Sulphur-2-base

Extras opcionales#

• Control de semilla: establece valores fijos en ambos nodos RandomNoise para que las tomas sean reproducibles; cambia una semilla para explorar alternativas.
• Indicación: escribe indicaciones como direcciones de toma (sujeto, cámara, iluminación, ambiente). Mantén la lista negativa enfocada y corta.
• Rendimiento: si el VRAM es limitado, prefiere los pesos FP8 de LTX‑2.3 y mantén habilitada la decodificación en mosaico.
• Salida: el gráfico escribe MP4/H.264; cambia el contenedor o codec en SaveVideo si necesitas flujos de trabajo proxy ProRes.

Este flujo de trabajo de texto a video LTX 2.3 Sulphur 2 ofrece un camino limpio y de extremo a extremo desde la indicación hasta el video pulido con audio sincronizado, construido para una iteración rápida en animación cinematográfica de personajes.

Agradecimientos#

Este flujo de trabajo implementa y se basa en los siguientes trabajos y recursos. Agradecemos a RunningHub por el Flujo de Trabajo Básico de Sulphur2 para Producción de Video, SulphurAI por el modelo Sulphur-2-base, Lightricks por los modelos LTX-2.3 y LTX-2.3-fp8, y Comfy-Org por el codificador de texto LTX-2 por sus contribuciones y mantenimiento. Para detalles autorizados, consulte la documentación original y los repositorios enlazados a continuación.

Recursos#

• RunningHub/Sulphur2 Basic Workflow for Video Production
  • Docs / Notas de Lanzamiento: Sulphur2 Basic Workflow for Video Production
• SulphurAI/Sulphur-2-base
  • Hugging Face: SulphurAI/Sulphur-2-base
• Lightricks/LTX-2.3
  • GitHub: Lightricks/LTX-2
  • Hugging Face: Lightricks/LTX-2.3
  • arXiv: LTX-2: Efficient Joint Audio-Visual Foundation Model (2601.03233)
• Lightricks/LTX-2.3-fp8
  • GitHub: Lightricks/LTX-2
  • Hugging Face: Lightricks/LTX-2.3-fp8
  • arXiv: LTX-2: Efficient Joint Audio-Visual Foundation Model (2601.03233)
• Comfy-Org/ltx-2
  • Hugging Face: Comfy-Org/ltx-2

Nota: El uso de los modelos, conjuntos de datos y código referenciados está sujeto a las licencias y términos respectivos proporcionados por sus autores y mantenedores.