ComfyUIでLTX-2試してみた

LTX-2がリリースされました。

公式やNVIDIAからもComfyUIでの利用方法が公開されています。

まー、参考になる部分もあれば不十分なところもありますが。

NVIDIA的には、VRAMが24GBぐらいあれば、720pの24FPSの４秒ぐらいなら生成していいみたいな感じなので、これで生成してみます。

とはいえ、LTXの公式的にはVRAM32GBぐらいほしいらしい。

50X0シリーズであればfp4を使えますが、4090だとfp8系しか使えないので、ltx-2-19b-dev-fp8.safetensorsを使いますが、これが既にVRAMを24GBぐらい使います。

これに加えて、text encoderとしてGemma 3 12Bを使う必要があるので、約24GBのVRAMは追加で必要になります。

ワークフローは以下のものを参考にしています。

動画でも解説してます。

環境

OS:Windows 11
GPU:GeForce RTX 4090
CPU:i9-13900KF
memory:128G

構築手順

以下のコマンドでインストールして、ComfyUIを再起動してください。

モデル

ltx-2-19b-dev-fp8.safetensorsをダウンロードして「ComfyUI\models\checkpoints」に配置
ltx-2-spatial-upscaler-x2-1.0.safetensorsをダウンロードして「ComfyUI\models\latent_upscale_models」に配置

Gemma 3 12Bは申請みたいなのが必要です。（すぐ終わります。）

↑のリンクを開くと、以下の画面が表示されます。

「Acknowledge license」をクリックして、道なりに進むと、申請が完了します。

完了すると、「Acknowledge license」の部分が消えています。

以下のコマンドで、モデルをダウンロードしてください。

ComfyUI\models\text_encoders
git clone https://huggingface.co/google/gemma-3-12b-it-qat-q4_0-unquantized

ワークフロー

ワークフローは以下です。

とりあえずLoRA系は非活性にしています。
また、プロンプトエンハンスは全て非活性にしています。（現状だと、CPUでローカルLLMを利用することになるので）

LTX-2は課金ノードで使った時から分かってましたが、アニメ風は苦手の印象があるので、実写風の画像をインプットにしています。

生成結果

text_encoderの処理
・CPUメモリ：60GB
・GPUメモリ：27.6GB（VRAM23.2GB+共有メモリ4.4GB）

サンプリング処理
・CPUメモリ：50GB
・GPUメモリ：49GB（VRAM23.5GB+共有メモリ25.5GB）

生成時間は10分です。

感想

ローカルで使うものではないという印象。
うまく使える気がしない。。。
個人的にも、実写はやらないので使う予定なしですね。