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？