LTX-Video lokalnie: klip 5 s w 18 s na RTX 4090, LTX-2 i LTX Desktop

👁 117 przeczytań

LTX-Video 13B distilled od Lightricks to najszybszy otwarty model wideo, jaki uruchomiłem na własnej karcie: klip 5 s w 768×512 powstaje na RTX 4090 w 18 s, a w 1216×704 w 37 s, przy ok. 16 GB zajętej pamięci karty. Jest darmowy także do zarabiania, jeśli firma ma mniej niż 10 mln USD przychodu rocznie. Nowsza rodzina LTX-2 dokłada dźwięk, ale waży kilka razy więcej. Pozostałe modele, które działają u mnie lokalnie, zebrałem w przewodniku Lokalne AI.

LTX-Video, LTX-2, LTX Desktop: co jest czym

Lightricks (firma od Facetune i LTX Studio) ma dwie rodziny otwartych modeli wideo i jeden program. Nazwy łatwo pomylić, a wymagania różnią się kilkukrotnie.

Rozmiary to pliki z repozytoriów Lightricks na Hugging Face (sprawdzone 17 października 2026). Do LTX-Video dochodzi enkoder T5 (5,2 GB w fp8), do LTX-2 i 2.3 enkoder Gemma 3 12B (najmniejszy w paczce Comfy-Org: 9,45 GB), a do LTX-2.5 Gemma 4 12B (15,4 GB w int8). Format NVFP4 jest przeznaczony dla kart RTX 50. LTX-2.5 jako jedyny wymaga zalogowania na Hugging Face i akceptacji licencji przed pobraniem.

Fraza „ltx 2” zwykle oznacza tę nową rodzinę. LTX-2 działa lokalnie, a ComfyUI 0.41 ma gotowe szablony dla LTX-2, 2.3 i 2.5. Tych modeli nie pobierałem (kilkadziesiąt GB na model), więc mierzę tu tylko LTX-Video 13B. Porównanie z Wan 2.2 i Kandinsky 6 jest w tekście lokalny generator wideo AI.

LTX Desktop

LTX Desktop to otwarta aplikacja Lightricks (licencja Apache 2.0, wersja 1.3.0 z 9 października 2026) do generowania wideo modelami LTX-2.x na Windowsie, Linuksie i Macu z Apple Silicon. Robi wideo z tekstu, obrazu i dźwięku, edytuje fragmenty klipu i ma prosty montaż. Według dokumentacji:

• lokalnie domyślnie działa LTX 2.5 Fast, do wyboru jest LTX 2.3 Fast, a LTX 2.5 Pro tylko w płatnej chmurze,
• na Windowsie potrzebna jest karta Nvidia z co najmniej 15 GiB VRAM, 16 GB RAM (zalecane 32 GB) i ok. 72 GB miejsca na podstawowy zestaw LTX 2.5 Fast,
• wagi 2.5 wymagają konta na Hugging Face, a tekst aplikacja domyślnie koduje w chmurze przez darmowy klucz API LTX. Lokalny enkoder można włączyć w ustawieniach.

Mam LTX Desktop zainstalowany (starsza wersja 1.0.5), ale bez modeli i generowania w nim nie uruchamiałem: wymaga ok. 72 GB pobierania w plikach po kilkadziesiąt GB, a LTX 2.5 konta na Hugging Face. Jeśli masz kartę 16-24 GB i chcesz wideo z dźwiękiem w okienku, to najprostsza droga do LTX-2. Do LTX-Video 13B wystarczy ComfyUI albo Hangar.

Mój test na RTX 4090

Sprzęt: RTX 4090 24 GB, 64 GB RAM, i9-14900KF, Windows 11, ComfyUI 0.41.0, modele na dysku SSD po USB. Model: ltxv-13b-0.9.8-distilled-fp8 z enkoderem t5xxl fp8. Ustawienia z szablonu Hangara: 8 kroków z harmonogramem zapisanym w pliku modelu, CFG 1, sampler euler, 24 kl./s, dekodowanie VAE kafelkami. Polecenia po angielsku: tramwaj w deszczu na starym mieście i bocian lądujący na gnieździe. Czas liczyłem od wysłania zadania do zapisanego pliku MP4, VRAM to szczyt zajętości całej karty z nvidia-smi odczytywany co 0,5 s.

Sam próbnik (8 kroków) trwał według logu ComfyUI 8 s przy 768×512 i 22 s przy 1216×704. Resztę czasu zajmują enkoder tekstu i dekodowanie VAE, a w pierwszym klipie także wczytanie modelu (20,9 GB plików, dysk SSD po USB). ComfyUI miałem uruchomione z opcją --disable-smart-memory, a ok. 1,7 GB VRAM zajmował przed testem system. Dla porównania Wan 2.2 5B robił u mnie klip 5 s w 1280×704 w ok. 4 minuty (test z 26 września, 20 kroków), czyli LTX jest ok. 6 razy szybszy.

Klipy bez poprawek

Tramwaj wyszedł najlepiej: mokry bruk z odbiciami latarni, ludzie z parasolami, tramwaj odjeżdża w głąb ulicy, kamera płynnie jedzie za nim. Tablica kierunkowa na tramwaju to bełkot, jak w większości modeli wideo.

Bocian pokazuje słabości. Polecenie mówiło, że ląduje na gnieździe, a model postawił go w gnieździe od pierwszej klatki i kazał machać skrzydłami. Kościoła w tle nie ma, a w lewym dolnym rogu pojawił się nieczytelny napis, wyglądający jak znak wodny. W wersji 768×512 przy dolnej krawędzi kadru przemknął rozmyty kształt. Do szkicu ujęcia i tła wystarczy, do gotowej sceny z konkretną akcją trzeba kilku prób.

Najprościej: Hangar

LTX-Video 13B distilled jest w katalogu Hangara. To moje narzędzie: darmowy menedżer lokalnych modeli obrazu, wideo i muzyki na Windows, bez konta i bez abonamentu, z ComfyUI jako silnikiem (instaluje ComfyUI portable od zera albo podpina istniejące). Katalog ma dwa warianty: 13B fp8 (20,9 GB razem z enkoderem T5) i 2B fp8 (9,6 GB) na słabsze karty. Wariantu 2B jeszcze nie testowałem.

1. Pobierz instalator (14 MB) ze strony Hangara. Nie jest jeszcze podpisany cyfrowo, więc Windows SmartScreen pokaże ostrzeżenie: kliknij „Więcej informacji”, a potem „Uruchom mimo to”.
2. Hangar wykrywa kartę (Nvidia z CUDA, od 8 GB VRAM, najlepiej 12 GB i więcej) i pokazuje, czy model się zmieści.
3. Wybierz LTX-Video 13B distilled i wariant. Hangar pobiera pliki z Hugging Face i sprawdza ich sumy sha256.
4. Wpisz opis sceny po angielsku, ustaw długość w sekundach i rozdzielczość, kliknij generuj.

W teście Hangara na RTX 4090 (17 października 2026) klip 2 s w 768×512 powstał w 58 s razem z ładowaniem modelu.

Ręcznie w ComfyUI krok po kroku

1. Zainstaluj albo zaktualizuj ComfyUI. Instrukcję od zera mam w tekście ComfyUI. Na Windowsie uruchamiaj je z ustawionym PYTHONUTF8=1.
2. Z repozytorium Lightricks/LTX-Video na Hugging Face pobierz ltxv-13b-0.9.8-distilled-fp8.safetensors (15,7 GB) do ComfyUI/models/checkpoints. Na kartę 8-12 GB weź ltxv-2b-0.9.8-distilled-fp8.safetensors (4,5 GB).
3. Z repozytorium comfyanonymous/flux_text_encoders pobierz t5xxl_fp8_e4m3fn_scaled.safetensors (5,2 GB) do ComfyUI/models/text_encoders. VAE jest w pliku modelu.
4. Otwórz Workflow, Browse Templates i szablon „LTXV Text to Video”. Jest pod stary model 2B 0.9, więc w Load Checkpoint wybierz plik 13B distilled, a w Load CLIP t5xxl fp8 (typ ltxv).
5. Wersja distilled potrzebuje 8 kroków i CFG 1: zamiast LTXVScheduler podłącz do SamplerCustom węzeł ManualSigmas z listą 1.0, 0.9937, 0.9875, 0.9812, 0.975, 0.9094, 0.725, 0.4219, 0.0 (to harmonogram zapisany w pliku modelu) i ustaw CFG na 1.
6. Szerokość i wysokość ustaw jako wielokrotność 32, liczbę klatek jako 8n+1: 121 klatek to 5 s przy 24 kl./s. Lightricks zaleca rozdzielczości do 1280×720 i poniżej 257 klatek.
7. Pisz długi opis po angielsku: kto, co robi, jak porusza się kamera, jakie jest światło. Szablon ComfyUI ostrzega wprost, że przy krótkim poleceniu jakość wyraźnie spada.
8. Gdy brakuje pamięci przy dekodowaniu, zamień VAE Decode na VAE Decode (Tiled).

Przy LTX-2 i nowszych nie trzeba nic przerabiać: w przeglądarce szablonów są gotowe „LTX-2 Text to Video (Distilled)”, „LTX-2.3: Text to Video” i „LTX-2.5: Text to Video”, a ComfyUI wskaże pliki do pobrania.

Licencja: kiedy wolno zarabiać

LTX-Video od wersji 0.9.6 (w tym 13B 0.9.8) jest na licencji LTXV Open Weights. Przeczytałem ją w repozytorium 17 października 2026:

• Pozwala używać, modyfikować i rozpowszechniać model w dowolnym celu, także komercyjnym, z listą zakazanych zastosowań w załączniku A.
• Firmy z rocznym przychodem od 10 mln USD muszą wykupić licencję komercyjną, a za korzystanie bez niej grozi podwójna opłata.
• Jeden zakaz łatwo przeoczyć: publikowane treści trzeba wyraźnie oznaczyć jako wygenerowane maszynowo.
• Licencja nie wyklucza żadnych krajów, więc w Polsce i w UE obowiązują te same warunki.

LTX-2 i 2.3 mają LTX-2 Community License (5 stycznia 2026), a LTX-2.5 LTX-2.x Community License (11 sierpnia 2026). Próg jest ten sam, 10 mln USD przychodu. Licencja 2.x pozwala dużym firmom bez opłat testować model w celach niekomercyjnych. Wan 2.2 na Apache 2.0 i Kandinsky 6 na MIT nie mają żadnego progu.

LTX-Video czy inny lokalny model wideo

• Szybki szkic ujęcia: LTX-Video 13B distilled. W moim teście ok. 6 razy szybszy od Wan 2.2 5B, ale upraszcza akcję (bocian zamiast lądować stał w gnieździe).
• Licencja bez warunków: Wan 2.2 5B (Apache 2.0). W teście Hangara klip 2 s 1280×704 zajął mu 105 s.
• Wideo z dźwiękiem i mową: Kandinsky 6 (MIT, ok. 2 min na klip 5 s w wersji Lite) albo LTX-2.x przez LTX Desktop.

Najczęstsze pytania

Czym różni się LTX-Video od LTX-2?

LTX-Video (0.9.x, 2B i 13B) robi sam obraz z enkoderem T5. LTX-2 (19B), 2.3 i 2.5 (22B) to rodzina z 2026 roku, która robi obraz i dźwięk naraz, z enkoderem Gemma. Cały zestaw LTX-2 to ok. 30-40 GB plików.

Ile VRAM potrzebuje LTX-Video?

Wersja 13B fp8 zajęła u mnie 15,3-16,4 GB całej karty przy 768×512 i 1216×704 (razem z ok. 1,7 GB zajętymi wcześniej przez system). Na karcie 16 GB będzie na styk, a na 8-12 GB lepiej wziąć 2B fp8 (4,5 GB pliku). Wersji 2B nie mierzyłem.

Czy LTX-2 działa lokalnie?

Tak. Wagi LTX-2, 2.3 i 2.5 są na Hugging Face, ComfyUI 0.41 ma do nich gotowe szablony, a Lightricks daje aplikację LTX Desktop. Według jej dokumentacji na Windowsie potrzeba karty Nvidia z co najmniej 15 GiB VRAM i ok. 72 GB miejsca na dysku. Na swojej karcie LTX-2 jeszcze nie mierzyłem.

Czy LTX-Video rozumie polecenia po polsku?

Słabo. Enkoder T5 uczono głównie na angielskim, dlatego opisy piszę po angielsku, a polskie realia (tramwaj, kamienice, bocian) opisuję wyglądem. Napisy w kadrze wychodzą jako bełkot, jak w większości modeli wideo.

Jak długie klipy robi LTX-Video?

Mierzyłem klipy 5 s (121 klatek). Lightricks pisze, że 13B 0.9.8 w specjalnym trybie potrafi do 60 s, ale ten tryb wymaga węzłów ComfyUI-LTXVideo i go nie sprawdzałem.