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。
您的浏览器不支持视频播放。
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：
您的浏览器不支持视频播放。
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
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。