LTX 2.3 特寫鏡頭：帶有原生音頻的肖像圖像到視頻#
LTX 2.3 特寫鏡頭是一個 RunComfy-ready ComfyUI 工作流程，可以將單一肖像轉換為電影般的面向前的剪輯，並產生聯合生成的原生音頻。“特寫鏡頭”描述了框架目標和提示風格，而不是單獨的 LTX 模型變體或 LoRA。該圖運行精煉的 LTX 2.3 v1.1 GGUF 路徑，沒有活動的細節 LoRA，使用兩階段潛在管道和 x2 空間升頻器來提供穩定的身份、自然的唇同步和清晰的特寫框架。
設計用於時尚肖像、對話節拍、訪談和精緻的社交剪輯，這個 ComfyUI 構建強調緊密的構圖和一致的音視頻運動。使用 LTX 2.3 特寫鏡頭，您提供一張靜態圖像和一個簡明的場景描述；工作流程處理運動、時間和聲音，以生成一個準備分享的 MP4。
Comfyui LTX 2.3 特寫鏡頭工作流程中的關鍵模型#
- LTX-2.3 22B Distilled 1.1 (僅限 Transformer)。核心視頻音頻生成器經過精煉以提高推理速度和降低內存，同時保持質量。來源：Lightricks/LTX-2.3。
- LTX-2.3 x2 空間升頻器 1.1。一個原生潛在升頻器，在第二次通過期間銳化細節並提高運動穩定性。打包在 LTX 2.3 版本中：Lightricks/LTX-2.3。
- LTX-2.3 Video VAE (bf16) 和 LTX-2.3 Audio VAE (bf16)。解碼器將視頻和音頻潛在轉換為幀和波形，同時保持同步緊密。精選權重：Kijai/LTX2.3_comfy。
- LTX 2.3 22B 1.1 的量化 GGUF 權重。內存高效的 UNet/transformer 和文本堆棧，優化用於 CPU 卸載或低 VRAM 的 GPU。分發：QuantStack/LTX-2.3-GGUF。
- Gemma 3 12B Instruct 文本編碼器與 LTX 文本投影。提供強大的提示理解和時間標記符號，連接到 ComfyUI 的 CLIP 接口。通過 GGUF 包包含：QuantStack/LTX-2.3-GGUF。
- 用於快速預覽的可選小型 VAE。在迭代期間的取樣器預覽中有用：madebyollin/taehv。
如何使用 Comfyui LTX 2.3 特寫鏡頭工作流程#
此工作流程在兩個協調階段運行。第一次通過在基本尺寸建立特寫運動和原生音頻。第二次通過進行空間升頻並完善身份和唇同步，然後解碼並將視頻與音頻混合。
- 模型 加載 GGUF 中的精煉 LTX 2.3 22B 1.1 模型，基於 Gemma 3 的文本堆棧，以及 LTX 視頻和音頻 VAE。它還啟用序列並行和預覽助手以促進更流暢的迭代。默認情況下沒有激活細節 LoRA，這保持了 LTX 2.3 特寫鏡頭的外觀乾淨和一致。
- 視頻設置 在此設置您的目標寬度、高度、幀速率和剪輯長度。圖形在內部強制執行有效的尺寸，但選擇適合製作的值會產生更穩定的結果和更流暢的播放。如果您計劃快速迭代，請從謹慎開始，然後在第二次通過中放大。
- T2V — 文本到視頻模式 當您僅想從文本生成時，切換提供的文本到視頻開關。對於 LTX 2.3 特寫鏡頭，默認路徑是圖像到視頻，這保持了身份和框架固定在您的肖像上。
- 輸入圖像 提供一個乾淨的肖像靜止圖像，面部沒有遮擋。工作流程預處理並調整圖像大小，然後使用
LTXVImgToVideoInplace(#161) 錨定身份和鏡頭幾何。保持背景雜亂最小，並允許一些空間，以便緩慢的推進感覺自然。 - 提示 使用一個簡明的正面提示來描述隨著時間的推移發生的鏡頭，包括台詞閱讀、呼吸、微動作和聽得到的事件。將負面提示集中在去除瑕疵上，而不是風格監控。不要重複已在參考圖像中可見的細節，因為這會降低保真度和穩定性。
- 準備 LTX 潛在 該圖創建與您的設置匹配的空視頻和音頻潛在，將它們合併為單個 AV 潛在，並附加您選擇的幀速率的正面和負面條件。這保持了時間、運動和音頻從一開始就同步。
- 取樣器 — 第一次通過 第一次通過使用
CFGGuider(#129) 與速度優化的取樣器生成一致的低分辨率 AV 潛在。這個階段鎖定了特寫鏡頭行為、語音節奏和基本的唇同步。可以將其視為建立發生內容的敘述通過。 - 取樣器 — 第二次通過升頻 AV 潛在被分割，視頻路徑使用
LTXVLatentUpsampler(#118) 進行 x2 升頻。身份通過LTXVImgToVideoInplace(#160) 重新投影，以在更高尺寸下保持面部穩定，然後音頻和視頻重新結合並使用專注於保真的取樣器進行完善。此通過增強細節，減少閃爍，並打磨 LTX 2.3 特寫鏡頭的外觀。 - 解碼 使用平鋪 VAE 解碼視頻幀以提高內存效率，通過音頻 VAE 解碼音頻，並使用
VHS_VideoCombine將所有內容混合成 H.264 MP4，標準 4:2:0 像素格式。您可以在迭代期間預覽音頻，並將最終持續時間修剪以匹配生成的語音。 - 可選 如果 VRAM 緊張，啟用分片前饋選項以用一點速度換取穩定性。為了更快的 look-dev，使用小型預覽 VAE。多 GPU 用戶可以從序列並行補丁中受益，以保持長序列的順暢。
Comfyui LTX 2.3 特寫鏡頭工作流程中的關鍵節點#
LTXVImgToVideoInplace(#161 和 #160) 將肖像錨定到潛在視頻中，以便面部在微推進和微動作播放時保持穩定。保持其在圖像到視頻中活躍；僅當使用文本到視頻模式時切換其bypass。為了獲得最佳的 LTX 2.3 特寫鏡頭效果，從一個清晰、光線均勻的參考開始，避免口部遮擋。LTXVLatentUpsampler(#118) 在第二次通過精細化之前在潛在空間中應用原生 LTX 2.3 x2 空間升頻器。這在增加細節的同時保持運動一致性。對於特寫，保持升頻在 x2 通常提供最佳的清晰度和穩定性平衡。CFGGuider(#129 和 #103) 將您的正面和負面條件結合為統一的指導信號，用於兩種模式。小調整指導強度可以緊縮或放鬆對您的腳本和框架的遵循。如果增加指導，考慮稍微軟化負面清單以避免過度限制表情。SamplerCustomAdvanced(#113 和 #119) 第一次通過偏向速度導向的策略快速建立運動和音頻，而第二次通過切換到保真導向的策略以銳化細節。如果更改取樣器策略，保持第一次通過快速，第二次通過精確，以便 LTX 2.3 特寫鏡頭保持其電影光澤。LTX2_NAG(#342) 引入噪聲感知指導，平衡視頻和音頻條件。提高視頻重點可以鞏固框架和姿勢；提高音頻重點可以加強唇同步。與CFGGuider一起保守調整，以避免過度限制。LTXVConditioning(#107 和 #22) 將您的提示和幀速率綁定到潛在時間線。保持單一場景級的正面提示和精簡的負面提示，以獲得最清晰的對齊。附加的幀速率確保語音節奏和運動節奏保持同步。VHS_VideoCombine(#140) 以標準播放設置將最終結果編碼為 MP4。為了傳遞，通過降低crf提高質量；為了編輯，啟用trim_to_audio以便剪輯長度與生成的語音完全匹配。
可選附加#
- LTX 2.3 特寫鏡頭的框架提示 裁剪使得眼睛位於上三分之一附近，留出一些空間，並保持嘴巴完全可見以改善唇同步。避免強烈的背光或重濾鏡在參考中。
- 有效的提示 寫出隨時間發生的事情，包括可聽到的時刻，如呼吸、笑聲和房間聲音。省略已存在於圖像中的屬性。保持負面清單簡短且實用。
- 尺寸和性能 如果 VRAM 低，先嘗試適中的基本尺寸，然後讓第二次通過升頻。遵循 LTX 網格約束的尺寸將更可預測地取樣，更高的幀速率需要更多的計算。
- 迭代工作流程 鎖定圖像和提示，迭代第一次通過直到運動和讀取感覺正確，然後移至第二次通過以獲取細節。使用小型預覽 VAE 以加快檢查速度，並僅在準備好導出時啟用完整解碼。
- 何時使用 T2V 切換到文本到視頻模式以生成僅由旁白驅動的 B 卷和抽象特寫。對於以身份為驅動的鏡頭，保持肖像路徑以保留 LTX 2.3 特寫鏡頭的美學。
致謝#
此工作流程實施並建立在以下作品和資源的基礎上。我們衷心感謝 Lightricks 的 LTX‑2.3 模型，LTX Docs 的圖像到視頻工作流程指南，QuantStack 的 LTX‑2.3‑GGUF 量化以及 iiTzMYUNG 的 LTX 2.3 源展示，感謝他們的貢獻和維護。有關權威細節，請參閱下列鏈接的原始文檔和存儲庫。
資源#
- Lightricks/LTX-2.3
- GitHub: Lightricks/LTX-2
- Hugging Face: Lightricks/LTX-2.3
- arXiv: arXiv:2601.03233
- LTX Docs/圖像到視頻工作流程指南
- GitHub: Lightricks/ComfyUI-LTXVideo
- Docs / Release Notes: 圖像到視頻工作流程指南
- QuantStack/LTX-2.3-GGUF
- Hugging Face: QuantStack/LTX-2.3-GGUF
- iiTzMYUNG/LTX 2.3 特寫鏡頭絕對瘋狂！
- Docs / Release Notes: LTX 2.3 特寫鏡頭絕對瘋狂！
注意：使用所引用的模型、數據集和代碼需遵循其作者和維護者提供的各自許可和條款。
