图生视频还带声音？我把LTX 2.3塞进了自己的显卡里

上周三深夜，我在折腾一个视频生成项目。

用的是国内某平台的图生视频接口，上传了一张图，写好提示词，等了三十多秒——

“生成失败，请检查内容是否符合平台规范。”

我看了半天，也不知道哪里违规了。图就是一个普通的人物摆拍，提示词也没写什么过分的东西。重新提交，又失败。

我当时就在想：为什么我生成个视频还要看别人脸色？

就在那天，有人在群里丢了一个链接，说LTX 2.3出了GGUF量化版，能在普通显卡上跑。

我盯着那条消息看了三秒。

“图生视频+生成音频，一起的。”

又看了三秒。

然后关掉了那个一直报错的网页，开始下模型。

先说说LTX 2.3是什么来头

LTX-Video是以色列公司Lightricks搞出来的开源视频生成模型，这家公司在图像处理领域有年头了，你可能用过他们的某款修图App。

2.3这个版本比之前有几个重要升级：

• • 原生音频生成：不是后期配乐，是模型在生成视频的同时同步生成音频，口型、环境音、甚至背景音乐都是一起出来的
• • 新VAE架构：细节更锐利，头发丝、衣服纹理这些之前模糊的地方有了明显改善
• • 图生视频质量大幅提升：给它一张图，它知道这张图里的人或物”接下来应该怎么动”
• • 支持4K、50帧：虽然量化版跑不到那么高，但原始模型能力在那里

整个模型参数量是19B级别，按理说要跑起来需要巨大的VRAM。

但GGUF量化把它压下来了。

GGUF量化是什么意思？

不绕圈子，说人话。

原始模型用BF16精度存储，每个参数占2个字节。19B个参数，大概需要38GB显存——普通显卡直接劝退。

GGUF把这些参数压缩成4bit精度，体积缩小到原来的1/4到1/5。

我用的是Q4_K_S这个版本，模型文件大概10GB多一点。显卡是RTX 3080（10GB VRAM），加上文字编码器会超出，所以文字编码器走CPU，主模型走GPU——

生成一条5秒的960×544视频，大概两三分钟。有音频的那种。

说实话，第一次看到生成结果的时候，我愣了一下。

不是因为多惊艳，是因为它真的有声音。

真实上手体验

我做的是一个美女唱歌的图生视频测试。

原图是一张正脸人像。

提示词我就写了一句：美女唱歌视频。

负面提示词加了一些通用的：模糊、低质量、静止帧、水印。

然后等了大概两分半钟。

视频里的人物有了自然的嘴型动作，背景有了轻微的焦距变化，配上音频之后……你看完就明白那种感觉了。

再来一条不同输入的：

质量不是那种”哇塞完美无瑕”的级别，但是在我自己电脑上、完全离线跑出来的，这件事本身就已经让我想多想想了。

为什么选择本地跑，而不是用云端接口？

这个问题我被问过几次，每次我都觉得有点奇怪——这不应该很显然吗？

第一，隐私。

你上传到云端平台的每一张图、每一条提示词，都是别人的服务器上的数据。你不知道他们存多久，拿去做什么。

本地跑就不一样了。模型在你硬盘上，运行在你显卡里，生成的视频在你的输出文件夹。整个过程，没有任何东西离开你的电脑。

第二，没有审核。

不是说一定要做什么”违规”的事情——我说的是，你的创作自由不应该被一个不知道在哪里的算法审核员卡着。

你想让视频里的角色做什么动作，是你的事。

第三，长期来看更省钱。

云端接口按量付费，用多了费用不低。本地一次性把模型下载下来，电费而已。

如果你也想跑起来

硬件要求：

• • 最低：RTX 3080 10GB / RTX 4070 12GB，文字编码器走CPU
• • 推荐：RTX 4080/4090 16GB+，全程GPU，速度快一倍以上
• • 内存：32GB RAM（文字编码器Gemma 3 12B走CPU时需要）
• • 硬盘：至少30GB空间（模型+环境）

模型文件：

• • 主模型：LTX-2.3-distilled-Q4_K_S.gguf（~10.7GB）
• • CLIP：Gemma 3 12B fp4 + LTX文字投影层
• • VAE（视频）+ VAE（音频）各一个

我打包了一个一键启动版本，包含：

• • 完整的ComfyUI环境（已配置好所有自定义节点）
• • 预设好的工作流
• • 双击01-run.bat直接启动，浏览器打开就能用

下载地址：https://xueshu.fun/7251

最后说一句

我折腾这些东西折腾了几年了，从最早的Stable Diffusion开始，一路到现在的视频+音频同步生成。

每次有新的能力解锁，我都会有一种类似的感觉：

科技应该是让人更自由的，不是更受限的。

一个能在你自己电脑上运行、不需要向任何人申请、不受任何内容政策约束的本地AI——这东西存在的本身，就有它的意义。

至于你打算拿它来做什么，那是你自己的事了。