在本地執行AI視頻：LTX-2、RTX和ComfyUI在2026年

由Lightricks與NVIDIA合作開發的開源模型LTX-2，現在可在單個消費級GPU上生成長達4K 50禎每秒的20秒視頻。無需雲端。無需訂閱。資料永不離開你的裝置。

在2026年CES上，NVIDIA展示了LTX-2在新型RTX 50系列上的原生執行，效果令觀眾驚嘆。這不是研究演示。這是生產就緒的本地視頻生成，速度與雲服務相當。

讓我為你詳細介紹這意味著什麼、需要什麼，以及如何設定。

為什麼本地AI視頻生成很重要

在深入技術設定之前，讓我解釋為什麼在本地執行AI視頻不僅僅是愛好者的偏好。它解決了真實問題。

對於處理客戶素材的工作室來說，隱私不是選擇項。對於網際網路速度緩慢地區的創作者來說，雲生成是不切實際的。對於每月生成數百個視頻片段的任何人來說，訂閱的數學計算很快就說不通了。

所需條件：硬體要求

以下是誠實的分析。本地生成需要相當的硬體，但可能不像你想的那麼極端。

GPU效能對比

代際之間的效能差距很大。以下是NVIDIA在2026年CES上展示的資料：

RTX 50系列通過原生NVFP4量化實現3倍加速，將模型權重精度降低一半，而不影響品質。這與讓大語言模型在消費級硬體上可用的技巧相同，現在應用於視頻擴散。

LTX-2：有什麼特別之處

LTX-2不僅是「另一個開源模型」。它代表了消費級硬體可能性的根本轉變。

與雲服務的對比

讓我具體說明本地生成與大型雲平台相比能做什麼和不能做什麼。

折衷是明確的：雲服務提供更精細的輸出，設定更少，而本地生成給你控制、隱私和零邊際成本。要深入瞭解這些雲平台的對比，請參閱我們的Sora 2 vs Runway vs Veo 3比較。

使用ComfyUI設定LTX-2：逐步指南

以下是實際的操作步驟。我假設你有一個至少8 GB顯存的NVIDIA GPU和最新的驅動程式。

第1步：安裝ComfyUI

ComfyUI是擴散模型的基於節點的可視介面。可以把它想像成虛幻引擎藍圖系統，但用於AI生成工作流。

# 複製ComfyUI
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
 
# 建立虛擬環境
python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate   # Windows
 
# 安裝依賴項
pip install -r requirements.txt
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124

第2步：下載LTX-2模型

# 導覽至模型目錄
cd models/checkpoints
 
# 下載LTX-2（約15 GB）
wget https://huggingface.co/Lightricks/LTX-Video-2/resolve/main/ltx-video-2-0.safetensors
 
# 下載VAE
cd ../vae
wget https://huggingface.co/Lightricks/LTX-Video-2/resolve/main/ltx-video-2-vae.safetensors

第3步：安裝LTX-2 ComfyUI擴充套件

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

第4步：啟動並生成

# 返回ComfyUI根目錄
cd ../..
python main.py --listen 127.0.0.1 --port 8188

在瀏覽器中開啟http://127.0.0.1:8188。載入擴充套件示例資料夾中的LTX-2工作流，輸入你的提示詞，然後按一下「佇列提示」。

最佳化你的設定

基本設定工作後，以下是會產生真實差異的調優技巧。

顯存管理

本地生成的最大瓶頸是顯存。以下是如何最大化你擁有的：

• ✓啟用模型卸載（將未使用的層移到系統RAM）
• ✓使用針對你的GPU生成的NVFP8/NVFP4量化
• ✓關閉瀏覽器標籤和其他佔用GPU的應用程式
• ✓在顯示設定中將Windows設定為「硬體加速GPU排程」
• ✓考慮Linux雙系統啟動（GPU利用率比Windows提升5-10%）

批處理工作流

對於需要生成許多片段的創作者，ComfyUI支援批處理佇列。在JSON檔案中設定你的提示詞，將它們連接到批處理載入器節點，讓你的GPU夜間工作。我在RTX 4090上生成過200多個片段。

LoRA訓練自訂風格

這是本地生成真正閃耀的地方。你可以在50-100禎參考素材上訓練LoRA適配器，在RTX 4090上花費約30分鐘。結果是一個輕量級檔案（通常100-300 MB），將模型偏向你的特定視覺風格、角色外觀或環境美學。

# LoRA訓練命令示例
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

成本計算

讓我用具體數字來說明這個問題。假設你是自由視頻創作者，每月生成100個5秒的視頻片段。

RTX 4090在建議零售價為1600美元，儘管由於停產，當前市場價格徘徊在2500-2800美元。每月使用雲服務生成100個片段，即使按市場價格計算，GPU在18-24個月內就能收回成本，之後你僅需支付電力成本。

接下來會發生什麼

本地AI視頻生成的軌跡正在加速。需要關注的三個發展：

總結

雲AI視頻服務是優秀的產品。Sora、Veo、Runway，它們都以最小設定提供令人印象深刻的結果。但它們伴隨著許多創作者開始認為無法接受的折衷：經常性成本、隱私顧慮、網際網路依賴和自訂限制。

帶有ComfyUI的LTX-2在NVIDIA RTX GPU上不是妥協。這是一個不同的範式。一個你擁有整個管道的範式，從模型權重到最終輸出。設定需要一個下午。學習曲線是真實的但可管理的。而且結果，特別是4K與最新最佳化，真正與雲替代方案競爭。

如果你有RTX GPU在遊戲會話之間吃灰，給它一份第二份工作。你可能會驚訝於它的能力。