Как развернуть модель для генерации видео LTX-2 на сервере

Хотите научиться генерировать видео по тексту или аудио, но не знаете, как это сделать? Wan2.2 отлично работает в ComfyIU, но интеграция в собственные проекты затруднительна. К счастью, есть альтернатива: LTX-2 можно легко запустить без дополнительной обвязки.

В этой статье рассмотрим, как запустить модель LTX-2 на своем облачном сервере.

Что такое LTX-2

LTX-2 — это генеративная модель компании Lightricks для создания видео с синхронизированным звуком. 

История модели началась в 2024 году с LTX-Video, первой модели семейства LTX, ориентированной на быструю генерацию роликов и возможность локального запуска. Позднее в 2025 году Lightricks представила LTX-2 как новое поколение архитектуры, рассчитанное на более качественное и продолжительное видео, а также на совместную работу со звуком. 

Спустя год компания опубликовала веса модели LTX-2 и инструменты для локального запуска, обучения LoRA и интеграции в собственные приложения. Сегодня LTX-2 доступна в виде онлайн-платформы, API и открытой версии для самостоятельного развертывания.

Модель LTX-2 умеет превращать текстовые описания и изображения в видеоролики, а также использовать готовую аудиодорожку для управления движением и атмосферой сцены. В отличие от систем, где звук добавляется к видео отдельно, LTX-2 совместно обрабатывает визуальную и звуковую составляющие, благодаря чему движения, речь и события в кадре могут лучше соответствовать аудио.

LTX-2 — это альтернатива open source модели Wan2.2. LTX-2, в отличие от Wan2.2, легко устанавливается без обвязки в виде Comfy UI, что позволяет использовать возможности модели в своих разработках.

Заказываем сервер

Для запуска модели воспользуемся облачной платформой Selectel. Генерация видео — это ресурсоемкая задача. Компромисс очевиден: более мощный сервер позволит быстрее получать результат, но будет дороже. К счастью, почасовая тарификация облачной платформы позволяет оценить потребление ресурсов и просчитать экономическую составляющую. 

Открываем панель управления, выбираем Продукты → Облачные вычисления. На странице серверов нажимаем Создать сервер.

Выбираем регион Москва, пул ru-7b — именно там находятся наиболее мощные видеокарты. Забегая вперед, скажу, что полная модель LTX-2 занимает 47 ГБ VRAM в процессе работы. Поэтому я выбрал одну из преднастроенных GPU-конфигураций с H100, 12 vCPU, 128 ГБ RAM. В качестве операционной системы — Ubuntu 24.04 LTS с установленными драйверами NVIDIA.

Диск — «Универсальный SSD», чтобы быстро работать с большими файлами модели, и обязательно указываем SSH-ключ для доступа. Осталось нажать Создать сервер.

Сервер создан. Проверяем подключение и видеокарту.

      $ ssh root@155.212.X.X nvidia-smi
Tue Jul  7 13:13:10 2026       
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 580.126.09             Driver Version: 580.126.09     CUDA Version: 13.0     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA H100 PCIe               Off |   00000000:00:06.0 Off |                    0 |
| N/A   46C    P0             89W /  350W |       0MiB /  81559MiB |      2%      Default |
|                                         |                        |             Disabled |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|  No running processes found                                                             |
+-----------------------------------------------------------------------------------------+

Все хорошо. Приступаем к развертыванию модели.

Установка LTX-2

Модель LTX-2 можно получить двумя способами.

• Как модель в ComfyUI. Поддержка модели LTX-2 официально включена в ComfyUI. Это простой способ, который во многом повторяет путь установки ComfyUI и Wan2.2 и позволяет использовать графический редактор для управления процессом генерации.

• Как самостоятельную модель. Это более комплексный способ, который позволяет использовать модель в своих разработках.

Так как установка ComfyUI рассматривалась ранее, то рассмотрим второй вариант. Для развертывания модели нужен git, python 3 и пакетный менеджер uv. Устанавливаем.

      apt install git python3-pip
python3 -m pip install uv --break-system-packages

Клонируем репозиторий LTX-2 и ставим все зависимости для работы модели. Пакетный менеджер uv самостоятельно создаст виртуальное окружение, которым мы будем пользоваться.

      git clone https://github.com/Lightricks/LTX-2.git
cd LTX-2

# Создание виртуального окружения и установка зависимостей 
uv sync --frozen

# Активация виртуального окружения
source .venv/bin/activate

Последний этап — загрузка весов моделей. Скачать придется шесть моделей. А именно:

• Веса модели. На выбор полная или дистиллированная версии. Каждая версия занимает 43 ГБ;
• Апскейлер. Есть х1.5 или х2. Каждая модель — 1 ГБ;
• LoRA. Требуется для некоторых задач — 7 ГБ;
• Gemma 3. Используется только энкодер текста, но документация LTX предлагает скачать всю модель целиком — 23 ГБ.

Итого для модели нужно минимум 75 ГБ места. Все части модели LTX можно найти в репозитории на huggingface и в документации репозитория на github. Скачиваем веса модели.

      wget https://huggingface.co/Lightricks/LTX-2.3/resolve/main/ltx-2.3-22b-dev.safetensors
wget https://huggingface.co/Lightricks/LTX-2.3/resolve/main/ltx-2.3-spatial-upscaler-x1.5-1.0.safetensors
wget https://huggingface.co/Lightricks/LTX-2.3/resolve/main/ltx-2.3-spatial-upscaler-x2-1.1.safetensors
wget https://huggingface.co/Lightricks/LTX-2.3/resolve/main/ltx-2.3-22b-distilled-lora-384-1.1.safetensors

На момент написания инструкции первоисточник модели Gemma 3, репозиторий google/gemma-3-12b-it-qat-q4_0-unquantized, ограничен: карточку модели смотреть можно, а скачивать файлы нельзя. К счастью, у Lightricks есть форк, к которому не применяются ограничения. 

В виртуальном окружении Python есть утилита huggingface-hub, которая позволяет скачивать модели в одну команду. Используем ее для загрузки модели Gemma3.

      hf download Lightricks/gemma-3-12b-it-qat-q4_0-unquantized

Модель будет скачана в ~/.cache/huggingface/hub/models–Lightricks–gemma-3-12b-it-qat-q4_0-unquantized. Этот путь далее пригодится при запуске генерации.

Теперь можно использовать LTX-2. 

Использование LTX-2

У модели есть набор скриптов (пайплайнов), которые позволяют использовать модель из командной строки без написания кода. На момент написания статьи доступны следующие скрипты в пакете ltx_pipelines:

• ti2vid_two_stages — двухэтапный text/image-to-video. Рекомендован для продакшена;
• ti2vid_two_stages_hq — двухэтапный text/image-to-video с другим сэмплером и повышенным качеством;
• ti2vid_one_stage — одноэтапный text/image-to-video;
• t2a_one_stage — одноэтапный text-to-audio (генерирует только аудио);
• distilled — быстрая генерация text/image-to-video на основе дистиллированной модели;
• ic_lora — video-to-video с IC-LoRA;
• keyframe_interpolation — интерполяция между ключевыми кадрами;
• a2vid_two_stage — генерация audio-to-video на основе предоставленного аудиофайла;
• retake — повторная генерация фрагмента видео;
• hdr_ic_lora — HDR video-to-video;
• lipdub — липсинк.

Для получения справки по параметрам командной строки можно вызвать необходимый скрипт с аргументом –help. Например:

      python -m ltx_pipelines.a2vid_two_stage --help

Сперва я решил анимировать кадр из «Бесконечного лета», потому что image-to-video — наиболее простой и понятный процесс, когда не знаешь, чего ожидать от модели.

      python -m ltx_pipelines.ti2vid_two_stages \
  --checkpoint-path ltx-2.3-22b-dev.safetensors \
  --prompt "A beautiful girl walking on the coast" \
  --output-path output.mp4 \
  --gemma-root /root/.cache/huggingface/hub/models--Lightricks--gemma-3-12b-it-qat-q4_0-unquantized \
  --distilled-lora ltx-2.3-22b-distilled-lora-384-1.1.safetensors  \
  --spatial-upsampler-path ltx-2.3-spatial-upscaler-x2-1.1.safetensors \
  --image Lena.jpg 0 0.8

По умолчанию генерируется 121 кадр с частотой 24 кадра в секунду. То есть видео длиной 5 секунд.

Получилось довольно неплохо. Правда, мне казалось, что причал — это недвижимость. Так или иначе, в генерации эта недвижимость уплыла. В отсутствие промпта героиня напевает что-то странное.

Модель LTX-2 делает упор на реалистичную генерацию аудио. Попробуем заставить ее озвучить цитату из «Детства» М. Горького: «Русские люди, по нищете и скудости жизни своей, вообще любят забавляться горем, играют им, как дети, и редко стыдятся быть несчастными».

Для этого придется написать сложный промпт. Модель LTX-2 понимает лучше команды на английском языке, но можно прописать текст на русском языке. Промпт выглядит так.

Итоговая команда выглядит так:

      python -m ltx_pipelines.ti2vid_two_stages \
  --checkpoint-path ltx-2.3-22b-dev.safetensors \
  --prompt ПРОМПТ-УДАЛЕН-ДЛЯ-КРАТКОСТИ \
  --output-path output.mp4 \
  --gemma-root ~/huggingface/hub/models--Lightricks--gemma-3-12b-it-qat-q4_0-unquantized \
  --distilled-lora ltx-2.3-22b-distilled-lora-384-1.1.safetensors  \
  --spatial-upsampler-path ltx-2.3-spatial-upscaler-x2-1.1.safetensors \
  --num-frames 240

Спустя четыре минуты генерации получился такой результат.

Синхронизация губ (липсинк) сделана хорошо, но генерация аудио заставляет персонажа заикаться, да и с ударениями в словах у модели пока явные проблемы. Тем не менее, качество впечатляет.

Заключение

Генерация видео по тексту — это сложная задача, но у нее есть несколько решений. LTX-2 позволяет собирать видео-прототипы со звуком по текстовому описанию как в визуальных редакторах типа ComfyUI, так и самостоятельно в командной строке.

Да, у технологии пока есть шероховатости, но сам факт того, что тяжелые диффузионные модели теперь можно развернуть и протестировать локально, уже открывает новые возможности. Это отличный независимый инструмент для быстрого создания черновых концептов, анимации и проверки гипотез на своей инфраструктуре, без привязки к облачным подпискам.