ComfyUIでLTX-2のV2V+A（音声付き動画延長）

LTX-2の動画延長用のワークフローが公開されていたので、試してみます。

これまでのLTX-2との闘いの歴史も置いておきます。

I2Vの初版。

I2Vの改善版。

I2Vの改善版v2。

A+I2Vの初版。

A+I2Vの改善版。

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

以下のカスタムノードをインストールして、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_it.safetensorsをダウンロードして「ComfyUI\models\text_encoders」に配置

ltx-2-19b-distilled-lora-384.safetensorsをダウンロードして「ComfyUI\models\loras」に配置

LTX2_audio_vae_bf16.safetensorsとLTX2_video_vae_bf16.safetensorsをダウンロードして「ComfyUI\models\vae」に配置
taeltx_2.safetensorsをダウンロードして「ComfyUI\models\vae_approx」に配置

ワークフロー

ワークフローは以下です。

プロンプトは延長する部分の動画のプロンプトになります。

インプットの動画や音声とプロンプトをもとに、動画を延長する形になります。

生成結果

生成結果は以下です。
CPUメモリは80GB、GPUメモリは43GB（VRAM23GB+共有メモリ20GB）で、生成時間は200秒でした。
解像度は450×800です。

声質は近いですが、延長部分になると言語が変わってますね。

また、解像度を上げると、生成速度が厳しいです。
540×960で生成すると、14分かかりました。

感想

解像度が厳しいですね。
モデルが最適化できていない気がするので、モデルを変更すると高解像度化もできるかもしれません。