Skip to main content
通过 LTX-2.5 的 Diffusion Fidelity Rendering 路径，从单张图像生成带同步音频的视频。DFR 是面向生产品质的配方：蒸馏 transformer 搭配细节化 IC-LoRA，并在片段内部生成关键帧，供后续阶段复用为引导。打开 Switch to T2V，即可仅凭文本运行同一条 pipeline。 其他 LTX-2.5 工作流请参见 LTX-2.5 总览。

在 Comfy Cloud 上运行

在 Comfy Cloud 中打开

下载工作流

下载 JSON，或在模板库中搜索“LTX-2.5 DFR”

输入图像：office_garden_169_outpaint.png

下载默认输入图像，或使用你自己的图像。

​
三个阶段

每个阶段都使用 euler 采样器、cfg 1.0 和固定的 ManualSigmas 调度。该 checkpoint 是蒸馏模型，因此步数与调度本身就是配方的一部分：改动它们会改变成片效果。 第三个阶段是可选的。关闭 Run 3rd stage - Temporal Upscale 即可跳过，得到阶段 2 帧率的片段。音频从阶段 1 一直贯穿整条 pipeline，因此时间放大不会改变声音。

​
模型下载

DFR 工作流加载全精度文本编码器，并额外需要细节化 IC-LoRA 与时间放大器，因此其模型集与其他 LTX-2.5 工作流不同。

Diffusion 模型：ltx-2.5-22b-distilled-transformer-comfy-int8-convrot

放入 ComfyUI/models/diffusion_models/

文本编码器：gemma4-12b-with-proj-ltx-2.5-bf16

放入 ComfyUI/models/text_encoders/

文本编码器：gemma4_e2b_it_bf16

可选：仅在启用提示词增强器时需要。放入 ComfyUI/models/text_encoders/

LoRA：ltx-2.5-22b-ic-lora-pixel-spatial-upscaler-x2-1.0

放入 ComfyUI/models/loras/

放大模型：ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0

放入 ComfyUI/models/latent_upscale_models/

放大模型：ltx-2.5-latent-temporal-upscaler-x2-bf16-1.0

放入 ComfyUI/models/latent_upscale_models/

VAE：ltx-2.5-video-vae-bf16

放入 ComfyUI/models/vae/

VAE：ltx-2.5-audio-vae-bf16

放入 ComfyUI/models/vae/

​
模型存储

​
工作流控制项

  • Start image (I2V)：第一帧。开启 Switch to T2V 时该输入会被忽略
  • Output size (aspect / megapixels)：目标宽高比与像素预算，取 32 的倍数。阶段 1 以该尺寸的一半运行
  • Switch to T2V：不使用起始图像，仅从文本运行该 pipeline
  • Float (fps) 与 Float (Duration)：默认 24 fps、5 秒，即 121 帧
  • Enable Prompt Enhancer：采样前用小型 Gemma 4 编码器改写并扩展提示词
  • Enable Tiled Decode：分块解码 VAE 以降低显存占用，细节会略微变软

​
提示词技巧

  1. 按单一连续镜头来写：DFR 围绕生成的关键帧构建片段，因此请描述一个一镜到底展开的场景，而不是一连串镜头切换
  2. 音频同批生成：把台词放在引号中，并描述环境声与音效；模型会与视频一同生成音频
  3. 相机运动保持平缓：在噪点纹理与平滑渐变上快速移动时，pipeline 最容易出现沸腾或条带