LTX-Video 视频生成部署完全指南：8GB 显存起步，H100 上 10 秒出一条 4 秒片

LTX-Video 视频生成部署完全指南：8GB 显存起步，H100 上 10 秒出一条 4 秒片

【免费下载链接】LTX-VideoOfficial repository for LTX-Video项目地址: https://gitcode.com/GitHub_Trending/ltx/LTX-Video

LTX-Video 是开源的 DiT 架构实时视频生成模型，一套权重覆盖文生视频、图生视频、多条件控制与视频延长。2B 蒸馏版约 10 个采样步出一条 1216×704@30FPS、4 秒的视频，8GB 显存的卡就能起步，H100 上单条 10 秒出片。

🔍 先选型：4 个主力配置怎么选

选型决定了后面每一步的硬件成本和出片质量。先看对比表，再看三句结论。

结论：8GB 卡选 2B 蒸馏版起步，先 720×480 再上 704×1216；16GB 级卡选 13B 蒸馏版，是迭代性价比最高的档位；追求成片质量用 13B dev，显存吃紧就换 dev-fp8。多条件控制（深度/姿态/线条）需搭配官方 IC-LoRA，走 configs/ 里对应的 13B 配置。

两条命令预检：8GB 显卡能不能跑

代码库官方测试环境是 Python 3.10.5、CUDA 12.2、PyTorch ≥ 2.1.2（pyproject.toml 要求 Python ≥ 3.10）。跑两条预检：

nvidia-smi python -c "import torch; print(torch.cuda.is_available(), torch.version.cuda)"

第一条看驱动与显存，第二条应输出True和 CUDA 版本号。8GB 卡建议直接锁定 2B 蒸馏配置；24GB 级卡可以按 13B 蒸馏版规划。

四行命令装环境，一条命令出第一条视频

git clone https://gitcode.com/GitHub_Trending/ltx/LTX-Video cd LTX-Video python -m venv env && source env/bin/activate pip install -e .[inference]

首跑用仓库自带测试图走图生视频：

python inference.py \ --prompt "海浪拍打岩石的慢动作视频，金色光线，细节丰富" \ --conditioning_media_paths tests/utils/woman.jpeg \ --conditioning_start_frames 0 \ --height 704 --width 1216 \ --num_frames 121 --frame_rate 30 --seed 42 \ --pipeline_config configs/ltxv-2b-0.9.8-distilled.yaml

关键参数说明：

• --conditioning_media_paths传首帧图或视频段，--conditioning_start_frames 0表示从第 0 帧开始生成；
• --num_frames 121满足 8n+1 规则（8×15+1），30FPS 下约 4 秒；
• 704×1216是官方默认分辨率（需为 32 的倍数），8GB 卡可先改--height 480 --width 720；
• prompt 少于 120 词会自动触发增强模型，首次运行多下两个小模型。

验收：看 outputs 目录和四条参考耗时

跑通的判断标准只有一个：日志出现Output saved to ...，且outputs/日期/目录下多出video_output_*.mp4。首次运行会自动下载权重（ltx_video/inference.py 里走 hf_hub_download），13B 权重明显大于 2B，下载耗时取决于网络。

注意：官方 README 只给相对描述（"less VRAM usage"），具体 GB 数以上表来源为准，不要拿别人的博客数字当基准。

⚡ 调优：三档改法，先零改动再动参数

每档都按"改什么 → 收益 → 代价"给。

第一档：零改动，只换配置文件

• 把--pipeline_config从 dev 换成 distilled：官方数据 2B 蒸馏版比非蒸馏版快 15 倍，免 CFG/STG；代价是官方定位"轻微质量下降"。
• 再换 fp8 配置：显存进一步下降、加载更快；代价是需要 Ada 系及以上显卡装 Q8 kernels，老卡直接不可用。

第二档：改一个参数

• num_inference_steps从 40+ 降到 20~30：dev 版官方口径"20-30 步换速度"，单条耗时约降三成以上；代价是细节略损。蒸馏版建议 8 步（官方推荐值）。
• guidance_scale设 3~3.5：官方推荐区间，提示词遵循最稳；超出 5 会过拟合提示词导致画面失真。
• decode_noise_scale保持配置默认 0.025：影响 VAE 解码色彩保真，调到 0.01~0.03 之间微调；代价是偏离过大色彩会偏。

第三档：动管线

• 启用--offload_to_cpu：把不用的模块卸载到 CPU 省显存，代价是生成变慢，且代码里仅在 GPU 显存低于 30GB 时才真正生效，别当常规手段。
• 降分辨率到 720×480：显存和耗时同步下降，8GB 卡有社区验证数据；代价是细节明显损失，留给最后。
• stg_mode在attention_values/attention_skip/residual/transformer_block四档间切：影响 STG 的层跳过策略（见 skip_layer_strategy.py），速度和质量联动变化，逐档试。

接入业务：图生视频、视频延长和 API 套壳

场景一：图生视频。静图 + prompt 直接出片，核心是--conditioning_media_paths传图、--conditioning_start_frames 0定首帧。image_cond_noise_scale（默认 0.15）控制对原图的偏离度，人物图建议 0.1~0.3，风格化场景可以调高。

场景二：视频延长。同一条命令把路径换成视频段即可，但输入段帧数必须是 8n+1（9、17、25……），目标--num_frames要是 8 的倍数，否则被自动补齐裁剪。条件放在第 0 帧就是向前续写，放在靠后帧号就是向后回补；多段条件用--conditioning_strengths（0~1）分别控强度。

场景三：API 服务化。ltx_video/inference.py 暴露了infer和InferenceConfig，调用写法可直接参考 tests/test_inference.py。用 FastAPI 收 prompt、图片路径和参数，进程内持有 pipeline，uvicorn起多 worker；一张 24GB 卡约支撑单路 13B 蒸馏并发，多卡按进程分片。

成本为估算值，实际随云厂商竞价价格和片段长短浮动，非实时负载尽量走竞价实例。

排障：6 个现象的处理顺序

三句话收个尾

选型看卡：8GB 上 2B 蒸馏、16GB 上 13B 蒸馏、24GB 上 13B dev，一张对比表定终身。跑通靠三件事：两条命令预检、四行安装、一条首跑命令，验收只看 outputs 目录出不出 mp4。提速靠降档：换配置、减步数、降分辨率，每档都有官方数字可查。LTX-2 已把音频同步生成和多关键帧控制提上日程，这套部署栈的用法基本可以平移。踩坑和用法分享建议直接去项目 issue 区提交，维护者会看。

附录：参数速查表

关键词：LTX-Video 实时视频生成部署、LTX-Video 低显存推理、LTX-Video 图生视频教程、LTX-Video 蒸馏模型加速、LTX-Video 本地视频生成配置

【免费下载链接】LTX-VideoOfficial repository for LTX-Video项目地址: https://gitcode.com/GitHub_Trending/ltx/LTX-Video