Kör AI-video lokalt: LTX-2, RTX och ComfyUI 2026

Open-source-modellen LTX-2, utvecklad av Lightricks i samarbete med NVIDIA, genererar nu upp till 20 sekunder 4K-video vid 50 FPS på ett enda konsument-GPU. Ingen molnet. Ingen prenumeration. Ingen data lämnar din maskin.

På CES 2026 demonstrerade NVIDIA LTX-2 körs native på den nya RTX 50 Series, och resultaten lämnade publiken andlös. Det här var inte en forskningsdemo. Det var produktionsklara lokal videogenerering, körd i hastigheter som rivaliserar molntjänster.

Låt mig gå dig igenom vad detta betyder, vad du behöver och hur du ställer in det.

Varför lokal AI-videogenerering spelar roll

Innan vi dyker ner i den tekniska konfigurationen vill jag förklara varför att köra AI-video lokalt inte bara är ett hobbyphövre. Det löser verkliga problem.

För studior som hanterar klientvideor är sekretes inte valfritt. För skapare i regioner med långsam internet är molngenerering opraktiskt. Och för alla som genererar hundratals klipp per månad slutar prenumerationsmatematiken mycket snabbt.

Vad du behöver: Hårdvarukrav

Här är den ärliga uppdelningen. Lokal generering kräver anständig hårdvara, men förmodligen inte så extremt som du tror.

GPU-prestanda jämförelse

Prestandagapet mellan generationer är dramatiskt. Här är vad NVIDIA demonstrerade på CES 2026:

RTX 50 Series uppnår sin 3x hastighetsökning genom native NVFP4-kvantisering, halvering av modellviktsprecision utan märkbar kvalitetsförlust. Detta är samma trick som gjorde LLM:er praktiska på konsumenthårdvara, nu tillämpat på videodiffusion.

LTX-2: Vad gör det speciellt

LTX-2 är inte bara ännu en open-source-modell. Det representerar en grundläggande förskjutning i vad som är möjligt på konsumenthårdvara.

Hur det jämförs med molntjänster

Låt mig vara specifik om vad lokal generering kan och inte kan göra jämfört med de stora molnplattformarna.

Kompromissen är klar: molntjänster erbjuder mer polerad produktion med mindre setup, medan lokal generering ger dig kontroll, sekretes och noll marginalkostad per generering. För en djupare titt på hur dessa molnplattformar jämförs, se vår Sora 2 vs Runway vs Veo 3 jämförelse.

Ställa in LTX-2 med ComfyUI: Steg för steg

Här är den praktiska genomgången. Jag antar att du har en NVIDIA GPU med minst 8 GB VRAM och en nyare drivrutin installerad.

Steg 1: Installera ComfyUI

ComfyUI är ett nodbaserat visuellt gränssnitt för diffusionsmodeller. Tänk på det som Unreal Engine Blueprint-systemet, men för AI-generering arbetsflöden.

# Klona ComfyUI
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
 
# Skapa en virtuell miljö
python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate   # Windows
 
# Installera beroenden
pip install -r requirements.txt
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124

Steg 2: Ladda ned LTX-2 Model

# Navigera till modellmappen
cd models/checkpoints
 
# Ladda ned LTX-2 (ungefär 15 GB)
wget https://huggingface.co/Lightricks/LTX-Video-2/resolve/main/ltx-video-2-0.safetensors
 
# Ladda ned VAE
cd ../vae
wget https://huggingface.co/Lightricks/LTX-Video-2/resolve/main/ltx-video-2-vae.safetensors

Steg 3: Installera LTX-2 ComfyUI-tillägget

cd ../../custom_nodes
git clone https://github.com/Lightricks/ComfyUI-LTXVideo.git
cd ComfyUI-LTXVideo
pip install -r requirements.txt

Steg 4: Starta och generera

# Tillbaka till ComfyUI-rot
cd ../..
python main.py --listen 127.0.0.1 --port 8188

Öppna http://127.0.0.1:8188 i din webbläsare. Ladda LTX-2-arbetsflödet från tilläggets exempelmapp, skriv din prompt och klicka "Queue Prompt".

Optimera din setup

Efter att grundkonfigurationen fungerar är här optimeringsknipen som gör en verklig skillnad.

VRAM-hantering

Den enda största flaskhalsen för lokal generering är VRAM. Här är hur du maximerar det du har:

• ✓Aktivera modelloffloading (flyttar oanvända lager till systemRAM)
• ✓Använd NVFP8/NVFP4-kvantisering för din GPU-generering
• ✓Stäng webbläsarflikar och andra GPU-intensiva applikationer
• ✓Ställ in Windows på "Hardware-accelerated GPU scheduling" i skärminställningar
• ✓Överväg en Linux dual-boot (5-10% bättre GPU-användning vs Windows)

Batch-bearbetning arbetsflöde

För skapare som behöver generera många klipp, stöder ComfyUI batchqueuing. Ställ in dina prompter i en JSON-fil, anslut dem till en batch loader-nod och låt ditt GPU arbeta över natten. Jag har genererat över 200 klipp i en enda nattlig session på en RTX 4090.

LoRA-träning för anpassade stilar

Det är här lokal generering verkligen lyser. Du kan träna en LoRA-adapter på 50-100 frames referensvideo på ungefär 30 minuter på en RTX 4090. Resultatet är en lättviktig fil (vanligtvis 100-300 MB) som förspänner modellen mot din specifika visuella stil, karaktärutseenden eller miljöestetik.

# Exempel LoRA-träningskommando
python train_lora.py \
  --model ltx-video-2-0.safetensors \
  --data ./my_reference_frames/ \
  --output ./loras/my_style.safetensors \
  --steps 1000 \
  --lr 1e-4 \
  --rank 32

Kostnadsberäkningen

Låt mig sätta konkreta siffror på detta. Antag att du är en frilans videoskapare som genererar 100 fem-sekunders klipp per månad.

En RTX 4090 kostar cirka 1.600 EUR till MSRP, även om nuvarande marknadspriser ligger närmare 2.500-2.800 EUR på grund av avvecklad produktion. Vid 100 klipp per månad med molntjänster, även till marknadspriser, betalar GPU för sig själv inom 18-24 månader, och sedan genererar du för bara elkostnader.

Vad kommer härnäst

Banan för lokal AI-videogenerering accelererar. Tre utvecklingar att titta på:

Slutsatsen

Molnet AI-videotjänster är utmärkta produkter. Sora, Veo, Runway, de levererar alla imponerande resultat med minimal setup. Men de kommer med kompromisser som många skapare börjar finna oacceptabla: återkommande kostnader, sekretessbekymringar, internetberoende och begränsad anpassning.

LTX-2 med ComfyUI på en NVIDIA RTX GPU är inte ett kompromiss. Det är ett annat paradigm. Ett där du äger hela pipelinen, från modellvikter till slutresultat. Settupen tar en eftermiddag. Inlärningskurvan är verklig men hanterbar. Och resultaten, särskilt i 4K med de senaste optimeringarna, är verkligen konkurrenskraftiga med molnalternativ.

Om du har en GPU som samlar damm mellan spelpass, ge den ett andra jobb. Du kan bli överraskad över vad den kan göra.