那实际生产怎么解决？

方案一：分段生成 + 后期合成（标准工作流）
这是目前最主流的做法，商业动画项目也在用：

• 按角色/镜头切分，每个镜头单独生成视频片段
• 用 CapCut/Premiere Pro 剪接
• 用 Fish-Speech / GPT-SoVITS / CosyVoice 做音色克隆，给每个角色分配固定音色
• 视频剪好后再对齐音轨

方案二：TTS 精度提升
你说不想用 TTS，但如果需要一次性输出有声视频，TTS 是目前唯一可行的方案。你可以在 ComfyUI 上用 Flux/AnimateDiff 生视频，跑完后再用 VoxCPM / Fish-Speech 给每个角色配音，最后 ffmpeg 合成。这样虽然操作步骤多，但每个环节可控。

方案三：单次生成 + 后期统一配音
一次性生成无声音视频，然后用 AI 配音工具给每个角色分配不同音色，对齐嘴型（Wav2Lip / VideoRetalking）。适合对话密集的内容。

要点总结：

1. LTX 2.3 本身不做音频，你看到的 demo 视频都是后期加的
2. 一次性输出多角色有声视频这个需求，目前还没有模型支持
3. 分段生成 + Fish-Speech 音色克隆是性价比最高的方案
4. 保持一致的 workflow template（固定 LoRA、固定 prompt 模板）可以大幅减少后期工作量

先把角色 A 的视频都生成完，再批量生成角色 B 的视频，最后剪在一起。效率反而比一次性生成高，因为可以并行。