请教：7900 XTX，做数字人口播视频遇到的2个问题。
-
各位大佬，最近一直在研究本地制作数字人口播视频。 我原来是用的在线付费方式来生成数字人视频，一段视频10分钟左右，后来觉得比较贵，而且本来就想研究AI生成图像、音视频，就下决心买了老特同款的 X99-CD3板U套装、64G DDR3拆机内存条、全新的蓝宝石7900 XTX白金版显卡、二手三星固态硬盘。
我先在win10下，用了机智罗的整合包安装了comfyui，跑起来比较顺利，试了不少工作流。 看了论坛上老特的建议，为了速度，直接用ltx-2.3做数字人视频。 测试过机智罗的几个数字人工作流，也初步测试了 @imbiplaza ASUS 介绍的comfyui_sonic工作流、官方的LTX-2.3 AI lip-sync工作流。
针对ltx-2.3的机智罗的数字人工作流，我对comfyui的启动参数反复做了测试对比，希望能提高速度，最终启动参数是：--reserve-vram 1 --disable-async-offload --disable-dynamic-vram --disable-mmap --disable-xformers。其它的像-- force-channels-last、--enable-dynamic-vram、--highvram，有的加了没用，有的加了反而更差或者更不稳定。
现在遇到2个问题：
1）数字人口播视频（输入一张人脸图片，一段口播音频，输出为该人读音频的视频）接近15秒，人脸会逐步变形，越来越不像输入的人脸了，时间更长肯定就面目全非了。如果用机智罗的人脸锁定工作流可能会好些，但生成速度就更慢了。
2）我反复调试各参数后，输出一段1280x720，24帧，5秒视频，需要236s左右，生产效率太低了；我降低分辨率为800x448，不知道为什么时间没有缩短甚至更长了？ 如果要生成10分钟的视频，要500分钟了，这样的效率没法实用。我也在同一台电脑上安装了ubuntu，又装了comfyui+ROCM，对比了z-image文生图的速度，生成一张720x1280的图片，win10下和ubuntu下用comfyui的速度差不多，6~7s。 我估计在ubuntu下用Ltx-2.3生成数字人口播视频应该比win10下也快不了多少。
想请教各位大神对此有没有什么建议？
-
-
-
RTXPRO 4500 323gb, 1.0m, minimax h3 平均1秒1分钟
-
-
RTXPRO 4500 323gb, 1.0m, minimax h3 平均1秒1分钟
@koala @mountainman @imbiplaza-ASUS
总耗时: 101 秒(从 /prompt 提交到 /history 状态 completed)。其中 4 步采样本身约 65 秒,剩下是模型/VAE 加载 + 解码 + 写盘。
视频路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00002_.mp4(5.17s, 1280×720, 24fps, 2.06 MB)
文件名里的 15s 是工作流原本的前缀,跟实际时长无关 — 实际是 5 秒。
又跑了个15s的
路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00001_.mp4
媒体: H.264 High / 1280×720 / 24fps / 15.08 秒 (~362 帧),AAC 32kHz 立体声 128 kb/s
大小: 5.74 MB
总耗时: 302.45 秒 (≈5 分 02 秒) — 4 步采样 5:45,VAE 解码约几秒
prompt_id: 745d7e12-0c1b-4130-9f15-75ac3b8ae321 -
@imbiplaza-ASUS What? H3 加了 SLA后， 不是差不多20秒生成一秒视频么
网上一堆博主在“仙加林讲”。。。。
说加速快的永远不分享画面，或者分享那种慢动作的画面。。。说没有崩脸的永远不分享到底花了多少时间，用什么显卡。。。然后也不提是不是后制refine face
分分钟他们的动画用seedance冒充minimax h3。。或者用seedance 480p,然后minimax 放大。。。
总之玩流量就厉害
-
网上一堆博主在“仙加林讲”。。。。
说加速快的永远不分享画面，或者分享那种慢动作的画面。。。说没有崩脸的永远不分享到底花了多少时间，用什么显卡。。。然后也不提是不是后制refine face
分分钟他们的动画用seedance冒充minimax h3。。或者用seedance 480p,然后minimax 放大。。。
总之玩流量就厉害
@imbiplaza-ASUS 我刚刚自测的。。。。 3090 单卡
-
1）如果要做一段10分钟的数字人口播视频，1280x720，25帧，要500分钟？ 要提高速度是不是可以减少帧数？
2）如何防止人脸变化？ 每次生成10s左右的一小段，最后再写脚本用ffmpeg拼接吗？@mountainman 刘悦之前出的ltx2.3数字人无限时长那个工作流的面部一致性保持比较好，默认似乎是生成20s的片段然后自动拼接，960x544的24帧2分钟的视频大约耗时15分钟左右（4070s），再长我还没试过。如果追求速度，ltx2.5要快一倍多，不过容易崩
-
@koala @mountainman @imbiplaza-ASUS
总耗时: 101 秒(从 /prompt 提交到 /history 状态 completed)。其中 4 步采样本身约 65 秒,剩下是模型/VAE 加载 + 解码 + 写盘。
视频路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00002_.mp4(5.17s, 1280×720, 24fps, 2.06 MB)
文件名里的 15s 是工作流原本的前缀,跟实际时长无关 — 实际是 5 秒。
又跑了个15s的
路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00001_.mp4
媒体: H.264 High / 1280×720 / 24fps / 15.08 秒 (~362 帧),AAC 32kHz 立体声 128 kb/s
大小: 5.74 MB
总耗时: 302.45 秒 (≈5 分 02 秒) — 4 步采样 5:45,VAE 解码约几秒
prompt_id: 745d7e12-0c1b-4130-9f15-75ac3b8ae321@johnnybegood N卡速度快这么多吗？ 用的是什么工作流能分享一下吗？是N卡专用的工作流吗？
-
@mountainman 刘悦之前出的ltx2.3数字人无限时长那个工作流的面部一致性保持比较好，默认似乎是生成20s的片段然后自动拼接，960x544的24帧2分钟的视频大约耗时15分钟左右（4070s），再长我还没试过。如果追求速度，ltx2.5要快一倍多，不过容易崩
@Zhen-Li 你这个速度也太夸张了吧？ 而且我查了4070s的显存是12GB，不太大。 你说的那个工作流是不是我附件中的那个，是N卡专用的吗？LTX2.3数字人无限时长V2.json
-
各位大佬，最近一直在研究本地制作数字人口播视频。 我原来是用的在线付费方式来生成数字人视频，一段视频10分钟左右，后来觉得比较贵，而且本来就想研究AI生成图像、音视频，就下决心买了老特同款的 X99-CD3板U套装、64G DDR3拆机内存条、全新的蓝宝石7900 XTX白金版显卡、二手三星固态硬盘。
我先在win10下，用了机智罗的整合包安装了comfyui，跑起来比较顺利，试了不少工作流。 看了论坛上老特的建议，为了速度，直接用ltx-2.3做数字人视频。 测试过机智罗的几个数字人工作流，也初步测试了 @imbiplaza ASUS 介绍的comfyui_sonic工作流、官方的LTX-2.3 AI lip-sync工作流。
针对ltx-2.3的机智罗的数字人工作流，我对comfyui的启动参数反复做了测试对比，希望能提高速度，最终启动参数是：--reserve-vram 1 --disable-async-offload --disable-dynamic-vram --disable-mmap --disable-xformers。其它的像-- force-channels-last、--enable-dynamic-vram、--highvram，有的加了没用，有的加了反而更差或者更不稳定。
现在遇到2个问题：
1）数字人口播视频（输入一张人脸图片，一段口播音频，输出为该人读音频的视频）接近15秒，人脸会逐步变形，越来越不像输入的人脸了，时间更长肯定就面目全非了。如果用机智罗的人脸锁定工作流可能会好些，但生成速度就更慢了。
2）我反复调试各参数后，输出一段1280x720，24帧，5秒视频，需要236s左右，生产效率太低了；我降低分辨率为800x448，不知道为什么时间没有缩短甚至更长了？ 如果要生成10分钟的视频，要500分钟了，这样的效率没法实用。我也在同一台电脑上安装了ubuntu，又装了comfyui+ROCM，对比了z-image文生图的速度，生成一张720x1280的图片，win10下和ubuntu下用comfyui的速度差不多，6~7s。 我估计在ubuntu下用Ltx-2.3生成数字人口播视频应该比win10下也快不了多少。
想请教各位大神对此有没有什么建议？
两个问题分开说。
1）人脸逐渐变形：这是长时长单次生成的通病，扩散模型没有跨帧的身份约束，越往后漂移越大。实用做法是分片生成再拼：每次 10-20s，固定同一张参考图 + 同一 seed + 同一身份条件（Sonic / face-lock 那条链路），片与片之间留 1-2s 重叠，最后 ffmpeg 拼接并对重叠段做交叉淡化。工作量在工程上，但一致性比硬拉长时长好得多。刘悦那套「无限时长」工作流本质也是这个思路。
2）速度：LTX-2.3 的开销主要在时序注意力和步数上，降分辨率省的那点计算经常被固定的模型/VAE 加载、解码、写盘和 kernel 切换吃掉，所以 800x448 没变快甚至更慢是正常的。能动的杠杆排序是：减少帧数（或低帧率输出 + RIFE 补帧）> 降步数（你已经在用蒸馏/SLA）> 降分辨率。5s→236s 约 47 倍实时，10 分钟素材按这个效率确实不实用；7900XTX 在 ROCm 下又吃不到 CUDA 的 FP8/量化 kernel，所以 12G 的 4070s 反而可能更快，这是引擎优化差异，不是显存问题。
如果目标是稳定产 10 分钟口播，建议按「分片 + 后期拼接」搭流水线，而不是追求单次长时长生成。
-
@koala @mountainman @imbiplaza-ASUS
总耗时: 101 秒(从 /prompt 提交到 /history 状态 completed)。其中 4 步采样本身约 65 秒,剩下是模型/VAE 加载 + 解码 + 写盘。
视频路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00002_.mp4(5.17s, 1280×720, 24fps, 2.06 MB)
文件名里的 15s 是工作流原本的前缀,跟实际时长无关 — 实际是 5 秒。
又跑了个15s的
路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00001_.mp4
媒体: H.264 High / 1280×720 / 24fps / 15.08 秒 (~362 帧),AAC 32kHz 立体声 128 kb/s
大小: 5.74 MB
总耗时: 302.45 秒 (≈5 分 02 秒) — 4 步采样 5:45,VAE 解码约几秒
prompt_id: 745d7e12-0c1b-4130-9f15-75ac3b8ae321又跑了个15s的
路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00001_.mp4
媒体: H.264 High / 1280×720 / 24fps / 15.08 秒 (~362 帧),AAC 32kHz 立体声 128 kb/s
大小: 5.74 MB
总耗时: 302.45 秒 (≈5 分 02 秒) — 4 步采样 5:45,VAE 解码约几秒
prompt_id: 745d7e12-0c1b-4130-9f15-75ac3b8ae321————————————————————————————————————
我直接跑15s直接爆显存或者至少120分钟，还是得N卡尺得香啊。各种优化加速都能用。 -
又跑了个15s的
路径: D:/sulphur/ComfyUI-aki-v3/ComfyUI/output/video/01_reference_4step_sla_15s_00001_.mp4
媒体: H.264 High / 1280×720 / 24fps / 15.08 秒 (~362 帧),AAC 32kHz 立体声 128 kb/s
大小: 5.74 MB
总耗时: 302.45 秒 (≈5 分 02 秒) — 4 步采样 5:45,VAE 解码约几秒
prompt_id: 745d7e12-0c1b-4130-9f15-75ac3b8ae321————————————————————————————————————
我直接跑15s直接爆显存或者至少120分钟，还是得N卡尺得香啊。各种优化加速都能用。15s 单次生成爆显存或超时是预期结果：显存和注意力开销大致随帧数（时长）走，362 帧 @720p 在 24G 上放不下 KV 和中间激活，只能往内存里 offload，于是从 5 分钟变成 120 分钟——不是你参数没配对。
沿用上面的思路：按 2-4s 分片生成，固定同一张参考图 + 同一 seed + 同一身份条件，片与片之间留 1-2s 重叠，最后 ffmpeg 拼接并对重叠段做交叉淡化。这样每片都能在显存内跑完，限制总时长的是拼接和后期，不是显存。
另外你那个 5s/302s 是 720p 的结果，可以先降到 640×360、16fps 出片，再用 RIFE 补回 24/30fps，通常比硬扛 720p 划算。N 卡的优势主要是能用 FP8/量化 kernel，ROCm 这边吃不到，属于引擎差异，不是显存大小。
