Guía LTX-2 ComfyUI: Tutorial Completo de Implementación Local

Ejecutar LTX-2 localmente ofrece varias ventajas convincentes sobre las soluciones basadas en la nube. Obtienes privacidad completa—tus prompts y videos generados nunca salen de tu máquina. Eliminas los costos por generación después de la inversión inicial en hardware. Puedes personalizar flujos de trabajo con modelos LoRA y afinar el modelo base para estilos específicos. Y obtienes iteración más rápida sin latencia de red ni tiempos de cola. ComfyUI proporciona la interfaz ideal para LTX-2, ofreciendo un flujo de trabajo visual basado en nodos que hace que los pipelines complejos de generación de video sean intuitivos y reproducibles. Esta guía te llevará a través de todo, desde la configuración inicial hasta técnicas avanzadas de optimización.

Antes de comenzar, asegúrate de que tu sistema cumpla con los requisitos mínimos. Para GPU, necesitas una tarjeta NVIDIA con al menos 24GB de VRAM (RTX 4090, A6000 o A100 recomendado). Para un rendimiento óptimo en resolución 4K, 48GB+ de VRAM es ideal. Tu sistema debe tener al menos 32GB de RAM y 100GB de espacio libre en disco para los modelos. Los requisitos de software incluyen: Python 3.10 o superior, CUDA 12.0 o superior con controladores compatibles, Git para clonar repositorios y FFmpeg para procesamiento de video. Los usuarios de Windows deben asegurarse de que Visual Studio Build Tools esté instalado. Para Linux, las herramientas de compilación estándar son suficientes. Los usuarios de Mac deben tener en cuenta que LTX-2 actualmente requiere NVIDIA CUDA y no soporta Apple Silicon de forma nativa.

Comienza clonando el repositorio de ComfyUI: git clone https://github.com/comfyanonymous/ComfyUI. Navega al directorio e instala las dependencias con pip install -r requirements.txt. A continuación, descarga los pesos del modelo LTX-2 de Hugging Face. Coloca el archivo principal del modelo en ComfyUI/models/checkpoints/ y el VAE en ComfyUI/models/vae/. Para la generación de audio, descarga el modelo de audio por separado y colócalo en la carpeta correspondiente. Instala los nodos personalizados de LTX-2 clonando la extensión en ComfyUI/custom_nodes/. Después de la instalación, reinicia ComfyUI y verifica que los nodos LTX-2 aparezcan en el menú de nodos. La carga inicial del modelo puede tardar unos minutos dependiendo de la velocidad de tu almacenamiento.

Crea un flujo de trabajo básico de texto a video añadiendo los siguientes nodos: LTX-2 Model Loader (se conecta a tu checkpoint), CLIP Text Encode (para tu prompt), LTX-2 Video Sampler (nodo de generación principal), VAE Decode (convierte latentes a fotogramas de video) y Video Combine (produce el archivo de video final). Conecta los nodos en secuencia y configura los ajustes del sampler. Para mejores resultados, usa 30-50 pasos de denoising, escala CFG entre 7-9, y selecciona tu resolución objetivo (720p para pruebas, 4K para salida final). El número de fotogramas determina la duración del video—a 25 FPS, 150 fotogramas te dan 6 segundos de video. Añade el nodo Audio Generator después del Video Sampler si quieres salida de audio sincronizado.

Para animar imágenes estáticas, modifica el flujo de trabajo de texto a video añadiendo un nodo Image Loader. La imagen proporciona la referencia del primer fotograma, asegurando consistencia visual a lo largo del video. Conecta tu imagen a la entrada de imagen del LTX-2 Video Sampler. Ajusta la fuerza de influencia de la imagen—valores más altos (0,7-0,9) mantienen mayor fidelidad a la imagen fuente, mientras que valores más bajos (0,3-0,5) permiten movimiento más creativo. El prompt debe describir la animación deseada en lugar del contenido de la imagen. Por ejemplo, 'la cámara hace panorámica lentamente hacia la derecha, movimiento sutil del viento en el cabello' en lugar de describir a la persona en la imagen. Este flujo de trabajo es excelente para animaciones de productos, animaciones de retratos y series de videos con estilo consistente.

La característica revolucionaria de LTX-2 es la generación nativa de audio que se sincroniza perfectamente con el contenido del video. Habilita el audio añadiendo el nodo LTX-2 Audio Generator después de tu Video Sampler. El nodo de audio analiza el video generado y produce sonido coincidente—diálogos con sincronización labial precisa, ambiente ambiental y música de fondo. Configura el tipo de audio: 'full' genera todos los tipos de audio, 'dialogue' se enfoca en el habla, 'ambient' crea sonidos ambientales y 'music' añade pistas de fondo. Para diálogos, incluye descripciones del hablante en tu prompt: 'un hombre con voz grave hablando lentamente sobre tecnología'. La tasa de muestreo de audio predeterminada es 44,1kHz—ajusta si tu flujo de trabajo posterior requiere tasas diferentes. El formato de salida soporta WAV y MP3.

Maximiza tu velocidad y calidad de generación con estas optimizaciones. Habilita la precisión FP16 en la carga del modelo para reducir a la mitad el uso de VRAM con pérdida mínima de calidad. Usa xformers o flash-attention para cálculo de atención más rápido—instala con pip install xformers. Para configuraciones multi-GPU, ComfyUI soporta distribución del modelo entre dispositivos. Procesamiento por lotes: encola múltiples generaciones y déjalas ejecutarse durante la noche. Estrategia de resolución: genera en 720p para probar prompts, luego regenera los ganadores en 4K. Caché: habilita el caché del modelo para evitar recarga entre generaciones. Gestión de VRAM: cierra otras aplicaciones intensivas en GPU durante la generación. Para 4K a 50 FPS, espera 3-5 minutos por clip de 10 segundos en RTX 4090, o 1-2 minutos en A100.

Memoria CUDA insuficiente: Reduce la resolución o habilita atención eficiente en memoria. Intenta generar menos fotogramas por lote. El modelo no carga: Verifica la ubicación de archivos en los directorios de modelo correctos. Comprueba que los archivos del modelo no estén corruptos (compara checksums). Salida negra o corrupta: Actualiza tus controladores de GPU a la última versión. Asegúrate de que la versión de CUDA coincida con la versión CUDA de PyTorch. Desincronización de audio: Regenera con parámetros de temporización de audio explícitos. Verifica que los FPS del video coincidan con los cálculos de tasa de muestreo de audio. Generación lenta: Habilita todas las optimizaciones recomendadas. Considera actualizar la VRAM de la GPU. ComfyUI no inicia: Elimina las carpetas ComfyUI/custom_nodes/__pycache__ y reinicia. Actualiza todos los nodos personalizados a las últimas versiones. Para problemas persistentes, el Discord de la comunidad LTX-2 y los issues de GitHub son excelentes recursos para solucionar configuraciones específicas.