先说一件最重要的事

你打开这张图，第一眼可能会觉得有点懵。

左边一大块密密麻麻的说明，中间一个黑色大框，右边又一个框，还有一个蓝色"运行"按钮。

但我先告诉你一个好消息：

这套工作流其实是 ComfyUI 里最简单的一种。

它表面上看起来信息量大，是因为左边那块全是说明文字，不是真正的操作节点。真正让你动手的地方，其实只有两个框、几个参数、一段提示词。

你只需要做三件事：

1. 准备好模型文件
2. 写一段描述视频内容的文字
3. 点运行

就这样。

所以这篇文章的目标，就是帮你把这三件事彻底搞清楚，不留任何模糊地带。

---

第一部分：这套工作流到底在做什么？

在动手之前，你必须先明白它的目标是什么。

这套工作流的名字叫 Text to Video（文字生成视频），用的模型是 LTX-2。

它做的事情，用一句话说就是：

你写一段描述视频内容的文字，模型把这段文字理解成一个动态场景，然后生成一段视频出来。

注意，这里有一个关键词：动态场景。

它不是生成一张图片，也不是把一张图片做成 GIF，而是真正从零开始，根据你的文字描述，生成一段有时间维度的视频。

你图里那段提示词就是一个很好的例子：

一个近景镜头，一个可爱的木偶女孩，卷曲的红发，纽扣大眼睛，手里拿着一把红色小雨伞。雨轻轻落下。她抬起头，开始用英语快乐地唱歌："下雨了，下雨了，我喜欢下雨天。"她的布料嘴巴随着旋律一张一合。她的手握着伞柄，身体随着节奏轻轻摇摆。镜头保持稳定，雨滴在柔和灯光下闪闪发光。她的眼睛偶尔眨动……

这段文字里不只有"长什么样"，还有"怎么动"、“镜头怎么走”、“情绪是什么”。

这就是文生视频和文生图最根本的区别：

文生图只需要你描述一个瞬间，文生视频需要你描述一个过程。

---

第二部分：左边那块大面板，你需要从里面拿什么？

很多人第一次看到左边这块，会觉得"这是什么，我要看完吗？"

不用全看。你只需要从里面拿三样东西。

---

第一样：模型下载地址

左边面板的第一块内容叫 Model Links，里面有：

• Huggingface 链接
• GitHub 链接

这两个链接是告诉你去哪里下载 LTX-2 的模型文件。

如果你还没有模型，就去这两个地方下载。

---

第二样：提示词写法建议

左边面板里有一块叫 LTX-2 Prompting Tips，里面说了三点：

第一点：Core Actions（核心动作）

描述视频里发生的事情，按时间顺序来写。

比如：先站着，然后开始唱歌，然后身体摇摆，然后眼睛眨动。

这就像你在给一个演员写剧本，要告诉他"先做什么，再做什么"。

第二点：Visual Details（视觉细节）

描述你想在视频里看到的所有视觉元素。

比如：卷发、纽扣眼睛、红色雨伞、雨滴、柔和灯光。

这就像你在给美术指导写说明，告诉他"画面里要有什么"。

第三点：Audio（音频描述）

描述声音和对话。

注意，这里有一个容易误解的地方：LTX-2 本身不一定真的生成声音，这里的音频描述更多是帮助模型理解"场景的氛围和情绪"，从而让画面动作更贴合。

比如你写"她在唱歌"，模型就会让她的嘴巴动起来，而不是只是站着。

---

第三样：模型文件放哪里

左边面板最下面有一个 Model Storage Location，里面写了文件目录结构：

ComfyUI/
  models/
    checkpoints/
      ltx-2-19b-dev.safetensors
      ltx-2-19b-dev-fp8.safetensors
    text_encoders/
      gemma_3_128_it_fp4_mixed.safetensors
    loras/
      ltx-2-19b-distilled-lora-184.safetensors
      ltx-2-19b-lora-camera-control-dolly-left.safetensors
    latent_upscale_models/
      ltx-2-spatial-upscaler-x2-1.0.safetensors

这就是告诉你：你下载的模型文件，要放到 ComfyUI 对应的文件夹里，不能随便放。

放错了，工作流就找不到模型，运行时会报错。

这一步很多新手会踩坑，所以我单独说一下：

• 主模型（.safetensors 结尾的大文件）放 checkpoints 文件夹
• 文本编码器放 text_encoders 文件夹
• LoRA 文件放 loras 文件夹
• 放好之后，重启 ComfyUI，它才能识别到新文件

---

第三部分：中间那个大节点，才是真正的核心

好，左边说明面板你已经知道怎么用了。

现在来看中间这个黑色大框，它叫 Text to Video (LTX 2.0)。

这才是真正让视频生成出来的地方。

它表面上只是一个框，但你要理解，它内部其实做了很多事。

---

它内部偷偷做了什么？

如果你之前看过复杂的 ComfyUI 工作流，你会看到十几个节点：加载模型、加载文本编码器、加载 VAE、写提示词、采样器、解码器……

这套 LTX-2 工作流把这些全部封装进了这一个大节点里。

所以你看到的是一个框，但它内部实际上在做这些事：

第一步：加载主模型

它会根据你选择的 ckpt_name，把对应的 LTX-2 主模型加载进来。

主模型是整套工作流的核心能力，它决定了视频的生成质量、运动流畅度、画面风格的上限。

第二步：理解你的文字

它会用内置的文本编码器，把你写的提示词翻译成模型能理解的语义条件。

这里有一个原理你要知道：模型不会直接"读"英文字符串。你写的文字，会先被翻译成一串高维数字向量，模型看到的是这串向量，而不是你写的句子。

这个翻译过程就是文本编码器做的事。

第三步：在"潜空间"里生成视频草稿

这是最核心也最难理解的一步，我单独解释一下。

模型生成视频，不是直接生成 mp4 文件，也不是直接生成一张张 jpg。

它先生成的是一种叫 latent（潜变量） 的东西。

你可以把 latent 理解成一份"压缩版草稿"。它里面已经包含了视频的主要内容，但你肉眼看不懂，因为它不是正常的图像格式，而是模型内部的一种高效表示方式。

为什么要这样做？

因为视频太大了。如果模型每一步都直接在真实像素上处理，分辨率高、帧数多，数据量会爆炸，显存根本扛不住。

所以模型选择在一个"压缩的内部空间"里工作，等生成完了，再用 VAE 解码成真正的图像帧。

这就像你写文章时先打草稿，写完了再排版成正式文档。

第四步：解码成真实画面

草稿生成完了，VAE 负责把它还原成真实的图像帧。

这一步之后，你才有了一帧一帧的真实画面。

---

节点里的参数，每一个是什么意思？

中间这个大节点里，你能看到几个可以调整的参数。

---

text（文本框）

这是最重要的输入。

你在这里写你想生成的视频内容。

写什么、怎么写，直接决定了视频的内容、动作、风格、氛围。

这里不是写关键词，而是写一段完整的场景描述。

好的提示词应该包括：

• 镜头类型（近景、远景、俯视、平视）
• 主体是谁（外貌、服装、材质）
• 主体在做什么（动作、情绪、节奏）
• 背景是什么（环境、天气、灯光）
• 镜头怎么运动（稳定、推进、摇移）

你图里那段提示词就是一个很好的范本，它把这些要素都写进去了。

---

frame_count（帧数）

图里设置的是 121。

帧数决定视频有多少帧，也就是视频有多长。

帧数 ÷ fps = 视频时长（秒）

比如 121 帧，如果 fps 是 24，那大约是 5 秒的视频。

这里有一个重要限制，图里的说明也提到了：

Frame count must be divisible by 8 + 1

意思是帧数必须满足"能被 8 整除后再加 1"这个规则。

比如：

• 8 × 1 + 1 = 9 ✓
• 8 × 5 + 1 = 41 ✓
• 8 × 15 + 1 = 121 ✓

所以 121 是一个合法的帧数。

如果你填了一个不合法的数字，工作流不会报错，它会自动找最近的合法值。

---

width 和 height（宽和高）

图里设置的是 1280 × 720，也就是标准的 720p 分辨率。

这决定了视频的画面尺寸。

同样有一个限制：

Width & height settings must be divisible by 32 + 1

意思是宽和高都必须满足"能被 32 整除后再加 1"这个规则。

比如：

• 32 × 40 + 1 = 1281（不对，1280 不符合这个规则）

等等，那图里的 1280 怎么解释？

其实这里有一个细节：工作流说"会自动选择最近的合法参数"，所以你填 1280，它会自动调整到最近的合法值。

你不用太纠结这个，只要用常见的视频分辨率就行：

• 720p：1280 × 720
• 1080p：1920 × 1088（注意不是 1080，要用 1088）

---

ckpt_name（模型选择）

这里是一个下拉菜单，让你选择用哪个 LTX-2 模型文件。

图里选的是 ltx-2-19b-dev-fp8.safetensors。

这里有两个版本：

• ltx-2-19b-dev.safetensors：标准版，质量更好，但需要更多显存
• ltx-2-19b-dev-fp8.safetensors：fp8 量化版，显存占用更低，质量略有损失

如果你的显卡显存不够大（比如 8GB 或 12GB），建议先用 fp8 版本。

---

seed（随机种子）

图里设置的是 0。

seed 决定了生成过程的随机性。

同一个提示词、同一个 seed，每次生成的结果是一样的。

同一个提示词、不同的 seed，每次生成的结果会不同。

所以：

• 如果你想复现某次生成的结果，就记住那次的 seed
• 如果你想每次都生成不同结果，就勾选"随机"或者每次改一个数字

---

第四部分：右边那个"保存视频"节点

右边这个节点相对简单，它不参与视频的生成，只负责把生成好的视频保存下来。

你能看到三个参数：

filename_prefix（文件名前缀）

图里填的是 video/LTX-2。

这决定了保存的视频文件叫什么名字、放在哪个子文件夹里。

比如 video/LTX-2 表示：

• 放在 video 文件夹里
• 文件名以 LTX-2 开头
• 后面会自动加上序号，比如 LTX-2_00001.mp4

format（格式）

图里选的是 mp4。

这决定了视频保存成什么格式。

mp4 是最通用的格式，兼容性最好，直接选这个就行。

codec（编码器）

图里选的是 auto。

这决定了视频用什么编码方式压缩。

选 auto 让系统自动决定，一般不需要手动改。

---

第五部分：那些 LoRA 是什么？要不要用？

你在左边面板里会看到 loras 这一栏，里面提到了两个文件：

• ltx-2-19b-distilled-lora-184.safetensors
• ltx-2-19b-lora-camera-control-dolly-left.safetensors

这两个是可选的 LoRA 文件。

LoRA 是一种轻量级的模型补丁，你可以把它理解成给主模型安装一个"技能包"。

---

第一个 LoRA：distilled（蒸馏版）

这个 LoRA 的作用是让模型在更少的步数内也能生成质量不错的视频。

原理和前面讲的 4steps LoRA 类似：正常的视频生成需要很多步去噪，但有了这个 LoRA，步数可以大幅减少，速度更快，显存压力更小。

如果你的显卡不够强，或者你只是想快速测试效果，可以考虑用这个。

第二个 LoRA：camera-control-dolly-left（镜头控制）

这个 LoRA 的作用是给视频加入特定的镜头运动效果，具体是"dolly left"，也就是镜头向左平移。

这类镜头控制 LoRA 非常有用，因为纯靠提示词控制镜头运动往往不够精准，而用专门的镜头控制 LoRA，效果会稳定很多。

---

要不要用 LoRA？

如果你是第一次运行，建议先不用任何 LoRA，用最基础的配置跑通一次，确认工作流没问题。

跑通之后，再根据需要加 LoRA 测试效果。

---

第六部分：运行前的准备清单

在你点那个蓝色"运行"按钮之前，先过一遍这个清单：

模型文件准备好了吗？

至少需要：

• 主模型放在 checkpoints 文件夹
• 文本编码器放在 text_encoders 文件夹

这两个缺一不可，缺了就会报错。

ComfyUI 重启了吗？

每次新放模型文件，都要重启 ComfyUI，它才能识别到新文件。

不重启的话，下拉菜单里不会出现新模型。

ckpt_name 选对了吗？

确认下拉菜单里选的是你放进去的那个模型文件名。

提示词写了吗？

text 框里要有内容，不能是空的。

分辨率和帧数合理吗？

第一次运行建议用低一点的配置：

• width = 768
• height = 512
• frame_count = 41

这样生成速度快，显存压力小，更容易跑通。

跑通之后再升到 1280 × 720、121 帧。

---

第七部分：第一次运行，你可能遇到的问题

问题一：下拉菜单里找不到模型

原因：模型文件没放对目录，或者放进去之后没有重启 ComfyUI。

解决：确认文件路径，重启 ComfyUI。

---

问题二：运行时报错，提示 CUDA out of memory

原因：显存不够。

解决：

• 降低分辨率
• 降低帧数
• 换 fp8 版本的模型
• 关掉其他占用显存的程序

---

问题三：视频生成出来了，但画面很模糊或者动作很奇怪

原因可能有几个：

• 提示词写得太简单，模型不知道该怎么动
• seed 不好，换一个试试
• 帧数太少，动作没时间展开

解决：

• 把提示词写得更具体，加入动作描述
• 多换几个 seed
• 适当增加帧数

---

问题四：视频里主体一直在变形或者漂移

原因：提示词里对主体的描述不够稳定，或者帧数太长导致模型"忘记"了最初的设定。

解决：

• 在提示词里多次强调主体特征
• 适当减少帧数
• 描述镜头"保持稳定"

---

第八部分：怎么写出好的提示词？

这是整套工作流里最需要练习的部分，也是最能影响最终效果的部分。

我给你总结一个写提示词的框架，你可以照着这个结构来写：

---

第一句：交代镜头类型和主体

比如：

• A close-up shot of…（近景镜头）
• A wide shot of…（远景镜头）
• A medium shot of…（中景镜头）

然后描述主体是谁，长什么样。

---

第二句：描述背景和环境

比如：

• 在一个下雨的街道上
• 在一个温暖的室内
• 背景是模糊的城市灯光

---

第三句：描述动作，按时间顺序

比如：

• 她先抬起头
• 然后开始唱歌
• 嘴巴随着旋律一张一合
• 身体轻轻摇摆

---

第四句：描述镜头运动

比如：

• 镜头保持稳定（The camera holds steady）
• 镜头缓慢推进（The camera slowly zooms in）
• 镜头轻微摇晃（The camera slightly shakes）

---

第五句：描述光线和氛围

比如：

• 柔和的自然光
• 温暖的室内灯光
• 雨滴在灯光下闪闪发光

---

你把这五个部分组合起来，就能写出一段结构完整、信息量足够的提示词。

---

第九部分：这套工作流的边界在哪里？

最后我想说一个很多教程不会说的东西：

这套工作流能做什么，不能做什么。

---

它擅长的：

• 单主体、简单动作的短视频（5-10秒）
• 风格化角色（比如木偶、布偶、卡通人物）
• 镜头稳定、动作幅度不大的场景
• 有明确提示词引导的场景

---

它不擅长的：

• 多人物、复杂互动的场景
• 需要精确对口型的歌唱场景（嘴型对不上是常见问题）
• 超长视频（帧数太多容易漂移）
• 需要精确镜头控制的场景（这时候需要配合镜头控制 LoRA）

---

它的质量上限取决于：

• 你的显卡显存（显存越大，能跑的分辨率和帧数越高）
• 你的提示词质量（描述越精确，结果越可控）
• 你选择的模型版本（标准版比 fp8 版质量略好）

---

最后总结：你只需要记住这几件事

看完这篇文章，你只需要记住这几个核心点：

一、准备好模型文件，放到正确的目录，重启 ComfyUI。

二、提示词不是关键词堆砌，而是一段动态场景描述，要写清楚"谁、在哪、做什么、怎么动、镜头怎么走"。

三、第一次运行用低分辨率、少帧数，先跑通，再升规格。

四、frame_count 要满足"被 8 整除加 1"的规则，比如 41、81、121。

五、右边的保存节点只负责导出，不影响生成质量。

六、遇到问题先看报错信息，90% 的问题是模型没放对、显存不够、提示词太空。

---

这套工作流的门槛其实不高，它把复杂的内部逻辑都封装好了，你需要做的只是准备好材料、写好提示词、点运行。

真正需要花时间的，是学会写好提示词。

这个没有捷径，只能多试、多看别人的例子、多积累。

但只要你跑通第一次，后面就会越来越顺。