ComfyUI ローカル動画生成第2弾

音声付き動画生成AI LTX-2.3 を
RTX 3090 のローカルPCに導入

既存環境(SDXL / Wan 2.2)を一切壊さず、調査 → 40GBダウンロード → テスト生成まで

結果サマリー

5本

追加モデルファイル(計40GB)

0個

カスタムノード・本体更新(不要だった)

約4.7分

5秒動画1本の生成時間

LTX-2.3 とは

Lightricks 社のオープンウェイト動画生成モデル。最大の特徴は映像と同時に「音」も生成すること(効果音・環境音・セリフのリップシンクまで)。

	Wan 2.2 5B(前回導入)	LTX-2.3 22B(今回)
音声	なし(無音)	あり(同時生成)
パラメータ数	5B	22B(fp8圧縮版を使用)
長さの指定	フレーム数(49/81/121)	秒数で直感指定(実用〜10秒)
プロンプト拡張	なし	Gemma 12B が自動で詳細化

やったことの流れ

① 導入前に全体バックアップ

ComfyUI 一式(33GB・56,662ファイル)を丸ごとコピー。何かあっても戻せる状態にしてから着手
② 調査: ComfyUI が対応済みか?

結論: インストール済みの ComfyUI 0.29.0 に LTX-2.3 テンプレートが同梱済み。本体更新もカスタムノードも不要 = 既存環境を壊すリスクゼロ
③ 必要モデル5ファイル(計40GB)を特定してダウンロード

テンプレートが要求するファイルを Hugging Face から取得(すべて公開・無料)
④ テスト生成に成功

「大阪の街で阪神ファン vs たこ焼き妖怪」1280×704・5秒・25fps・音声付き。一発成功

導入したモデルファイル

ファイル	役割	配置先(models\)	サイズ
ltx-2.3-22b-dev-fp8	本体(生成の脳みそ)	checkpoints\	27.1GB
gemma_3_12B_it_fp4_mixed	プロンプト理解(LLM)	text_encoders\	8.8GB
蒸留 LoRA	高速化の差分パッチ	loras\	2.6GB
Gemma LoRA	プロンプト解釈の調整	loras\	0.6GB
空間アップスケーラ ×2	低解像度→2倍拡大仕上げ	latent_upscale_models\	0.9GB

今回の学び: 「動作モードを変える LoRA」

LoRA = 本体に重ねる差分パッチ。絵柄用だけでなく、「高品質版→高速版」の差分を LoRA として配る使い方がある(27GBの別モデルを配らずに済む)。SDXL の Lightning LoRA と同じ発想。

ワークフローの構造

テンプレート「LTX-2.3: テキストから動画へ」は表向きたった3ノード:

Model Links(ただの説明メモ) → Text to Video(生成本体) → ビデオを保存

生成本体は「サブグラフ」= 51ノードの本格グラフを1つの箱に畳んだもの。中では「低解像度で下書き → 2倍アップスケールで清書 → 音声合成」の2段構え+音声工程が動いている。

注意: モデル選択欄は「フォルダの中身一覧」を出すだけで相性は判定しない。SDXL のチェックポイントも選べてしまうが実行時エラーになる。「モデルファミリーごとにテンプレートが分かれている」と覚えるのが正解。

制限とライセンス

技術的な制限

・解像度は 32の倍数 に自動で丸められる(720指定→704出力)
・長さは実用 10秒程度まで(長編は5〜10秒カットをつなぐ)
・文字の描写は苦手(日本語看板は「日本語風のなにか」になる)
・プロンプトは英語推奨

コンテンツ制限 — Webアプリとの最大の違い

ローカル実行なのでサーバー側の検閲は存在しない(生成前に弾かれる仕組みがない)。ただし「何でもOK」ではなく、責任が運営会社から自分に移る: ライセンスの禁止用途/YouTube のポリシー/法律はすべて適用される。実在人物系は特に注意。

商用利用(LTX-2 Community License)

・年商1,000万ドル未満なら商用利用無料(YouTube収益化OK)
・生成物の権利は生成者のもの(Lightricks は権利を主張しない)
・義務: AI生成であることの明示(YouTubeの合成コンテンツ開示+概要欄記載でOK)
・禁止用途: 同意のないディープフェイク、偽情報、未成年者への危害、AI生成と明かさない利用など

使い方(次回からの手順)

① ComfyUI を起動(run_nvidia_gpu.bat)→ ブラウザで 127.0.0.1:8188
② テンプレート検索「LTX-2.3」→「テキストから動画へ」(または「画像から動画へ」)
③ プロンプトを英語で入力(コツ: 動作・見た目・音の3点を書く)
④ duration(秒)と解像度を確認して「実行する」
⑤ 出力は output\video\ に音声付きMP4で保存

🎁 視聴者プレゼント: 環境構築プロンプト

Claude Code(または同等のAIエージェント)に下のプロンプトをそのまま貼り付ければ、この動画と同じ LTX-2.3 環境を構築できます。[ ] の部分だけ自分の環境に書き換えてください。

ComfyUI に音声付き動画生成モデル「LTX-2.3」を導入してください。

前提:
- ComfyUI はインストール済みで、場所は [ComfyUI のフォルダパス] です
- GPU: [自分のGPU名(VRAM 16GB以上推奨。fp8版の想定は24GB)]
- 既存の環境・モデル・設定は一切壊さないでください

やってほしいこと:
1. インストール済みの ComfyUI が LTX-2.3 にネイティブ対応しているか確認して
   ください(対応版ならテンプレート「LTX-2.3: Text to Video」が同梱されて
   います)。本体のアップデートが必要な場合は、実行前に理由と影響を説明して
   私の確認を取ってください
2. 以下の5ファイルをダウンロードし、ComfyUI\models\ 以下の指定フォルダに
   配置してください(すべて公開リポジトリ・認証不要):
   - checkpoints\ へ:
     https://huggingface.co/Lightricks/LTX-2.3-fp8/resolve/main/ltx-2.3-22b-dev-fp8.safetensors (約27.1GB)
   - text_encoders\ へ:
     https://huggingface.co/Comfy-Org/ltx-2/resolve/main/split_files/text_encoders/gemma_3_12B_it_fp4_mixed.safetensors (約8.8GB)
   - loras\ へ:
     https://huggingface.co/Comfy-Org/ltx-2.3/resolve/main/split_files/loras/ltx_2.3_22b_distilled_1.1_lora_dynamic_fro09_avg_rank_111_bf16.safetensors (約2.6GB)
   - loras\ へ:
     https://huggingface.co/Comfy-Org/ltx-2/resolve/main/split_files/loras/gemma-3-12b-it-abliterated_lora_rank64_bf16.safetensors (約0.6GB)
   - latent_upscale_models\ へ:
     https://huggingface.co/Lightricks/LTX-2.3/resolve/main/ltx-2.3-spatial-upscaler-x2-1.1.safetensors (約0.9GB)
   ※ファイル名は変更禁止(公式テンプレートが前提にしているため)
3. 合計約40GBの大容量ダウンロードなので、レジューム(中断再開)対応の方法で
   行い、進捗を報告してください。速度が出ない場合は Hugging Face 公式
   クライアント(huggingface_hub / hf_xet)の並列転送への切り替えを検討して
   ください
4. 完了後、5ファイルすべてのサイズを検証して結果を報告してください
5. 最後に、ComfyUI のブラウザ画面を F5 で更新 → テンプレート検索「LTX-2.3」
   →「テキストから動画へ」を開けば使える状態になっていることを教えてください

※ ダウンロードには時間がかかります(回線速度次第で30分〜数時間)。ディスク空き容量は最低50GB確保してください。作業前に ComfyUI フォルダのバックアップを取っておくとより安心です。