还没赚过钱，所以还没这个烦恼，哈哈

这方面我感觉chatgpt完全不行，谷歌gemini可以，claude也还可以

@terry 试了下快很多，出来效果差不多

把VAE节点换了，现在快很多了，8秒20分钟

@terry 我现在这个应该是VAE解码问题，不知道为啥，40分钟里面有35分钟是在VAE解码的，GPU100%,显存54%，cpu17%，ram53%，VAE解码由fb16换到fp16也一样慢，而且还黑屏，锤哥有碰到过这样的问题吗

今天把数字人也弄好了，原工作流https://www.runninghub.cn/post/2030978580729040897/?inviteCode=3vhsgtbl
为了适配7900xtx的显存，换了LTX-2.3-22B-distilled-1.1-Q3_K_M.gguf模型，clip用CPU来计算
不过感觉有点慢4秒钟，40分钟，还得优化
LTX 2.3 数字人对口型 — 首跑成功总结

软硬件环境

CPU

• 项目: CPU

• 详情: Intel i5-12400F

GPU

• 项目: GPU

• 详情: AMD Radeon RX 7900 XTX（24.6GB VRAM）

内存

• 项目: 内存

• 详情: 45GB DDR4

系统

• 项目: 系统

• 详情: Linux 7.0.0-15-generic

深度学习

• 项目: 深度学习

• 详情: PyTorch 2.12.0 + ROCm 7.2（gfx1100）

ComfyUI

• 项目: ComfyUI

• 详情: v0.20.1 + frontend 1.42.15

启动参数

• 项目: 启动参数

• 详情: --force-upcast-attention --preview-method none

模型

UNet

• 模型: UNet

• 文件: LTX-2.3-22B-distilled-1.1-Q3_K_M.gguf

• 大小: ~14GB

Video VAE

• 模型: Video VAE

• 文件: LTX23_video_vae_bf16.safetensors

• 大小: 1.4GB

Audio VAE

• 模型: Audio VAE

• 文件: LTX23_audio_vae_bf16.safetensors

• 大小: 693MB

CLIP文本

• 模型: CLIP文本

• 文件: gemma_3_12B_it_fp4_mixed.safetensors + ltx-2.3_text_projection_bf16.safetensors

• 大小: 共~7.5GB

人声分离

• 模型: 人声分离

• 文件: MelBandRoformer_fp16.safetensors

• 大小: ～

• CLIP 放在 device=cpu，省 6.8GB VRAM

工作流 & 参数

核心节点链：
LoadImage(4000×6000)
→ ImageScaleByAspectRatio V2(最长边1280, round64) → 896×1280
→ LTXVImgToVideoInplace(strength=0.7)
→ LTXVConcatAVLatent(视频latent + 音频latent)

LoadAudio(spk_1778665696.wav, 22kHz单声道)
→ TrimAudioDuration(4.0s)
→ [LazySwitch1way] → MelBandRoFormer(人声分离)
→ LTXVAudioVAEEncode → SetLatentNoiseMask

合并后 → SamplerCustomAdvanced(8步) → LTXVSeparateAVLatent
→ VAE解码 → VHS_VideoCombine(30fps, h264, crf=19)
关键参数：

Int(98)=duration

• 参数: Int(98)=duration

• 值: 4（当前）

Int(104)=fps

• 参数: Int(104)=fps

• 值: 30

帧数公式

• 参数: 帧数公式

• 值: a×b+1 = 4×30+1 = 121帧

时长

• 参数: 时长

• 值: 4.033秒

分辨率参数: 分辨率

• 值: 896×1280（2:3竖屏）

采样器

• 参数: 采样器

• 值: euler_ancestral_cfg_pp

步数

• 参数: 步数

• 值: 8步

CFG

• 参数: CFG

• 值: 1.0

NAG

• 参数: NAG

• 值: scale=11, alpha=0.25, tau=2.5

Sigmas

• 参数: Sigmas

• 值: 1.0, 0.99375, 0.9875, 0.98125, 0.975, 0.909375, 0.725, 0.421875, 0.0

Prompt

• 参数: Prompt

• 值: "美女对着镜头说话"

VHS pingpong

• 参数: VHS pingpong

@陈鸿 上传不了附件，我这些工作流很基础的，你搭好环境可以下锤哥上传的那个刘悦工作流，跑不通的地方让hermes调试，配合gemini做指导，简单的工作流很快可以跑通的，我现在是用github上的一些做短视频和短剧的项目，修改用本地comfyui生成内容，功能上不合适的可以继续魔改

这个是在线api，谷歌提供的免费，有用量限制，轻度用的话基本够了

Google AI Studio 免费版 API Key（Free Tier）。对于 Flash 系列模型（包括最新的 gemini-3.5-flash），每天的免费用量限制如下：

每日请求限制：1,500 次 / 天 (Requests Per Day)
每分钟速率限制：15 次 / 分钟 (Requests Per Minute)
每分钟 Token 限制：1,000,000 Token / 分钟 (Tokens Per Minute)

感谢锤哥分享，学习了

我这工作流很奇怪，那些连线总是显示不出来，但点一下那些框框就出来了，不影响跑

走了些弯路，折腾了一段时间wan模型，听锤哥的果断换了ltx，目前flux和ltx2.3还有数字人都跑通了，数字人是下载刘悦的在本地修改后跑通的，效果还不错。

ComfyUI 工作流成果总结

最后更新：2026-05-18

---

硬件环境 Hardware

组件	规格
CPU	Intel Core i5-12400F (12核)
内存	48GB (MemoryMax,)
GPU	AMD Radeon RX 7900 XTX (24GB VRAM)
系统盘	Kingston NV2 1TB NVMe (279G分区, 39G余量)
外置盘	zyz盘 448GB exfat (94%满, 已挂载)
ROCm	ROCm 7.2
PyTorch	2.12.0+rocm7.2

软件环境 Software

组件	版本/配置
OS	Linux 7.0.0-15-generic
ComfyUI	v0.20.1+ (API + 浏览器)
ComfyUI 端口	8188 (--listen 0.0.0.0)
启动参数	--disable-async-offload (不加--lowvram)
环境变量	TORCH_ROCM_AOTRITON_ENABLE_EXPERIMENTAL=0

---

工作流总览

共 5 个工作流，全部存在 /root/ComfyUI/workflows_hermes/

1. Flux1.dev-fp8 文生图

文件: flux1_t2i.json

模型与位置:

模型	类型	大小	位置
flux1-dev-fp8.safetensors	checkpoint (模型+CLIP+VAE)	17GB	/root/ComfyUI/models/checkpoints/

参数设置:

• 分辨率: 1024×1024
• 采样器: euler
• 调度器: normal
• 步数: 20
• CFG: 3.5
• 去噪: 1.0

节点结构: CheckpointLoaderSimple → CLIPTextEncode×2 + EmptyLatentImage → KSampler → VAEDecode → SaveImage

---

2. Flux2 Klein 4B 文生图

文件: flux2_t2i.json

模型与位置:

模型	类型	大小	位置
flux-2-klein-4b.safetensors	U-Net (diffusion model)	7.3GB	/root/ComfyUI/models/diffusion_models/
qwen_3_4b.safetensors	CLIP/T5文本编码器	7.5GB	/root/ComfyUI/models/text_encoders/
flux2-vae.safetensors	VAE解码器	321MB	/root/ComfyUI/models/vae/

参数设置:

• 分辨率: 1024×1024
• 采样器: euler
• 调度器: simple
• 步数: 20
• CFG: 3.5
• 去噪: 1.0

节点结构: UNETLoader + CLIPLoader(type=flux2) + VAELoader → CLIPTextEncode×2 + EmptyLatentImage → KSampler → VAEDecode → SaveImage

注意: 文本编码器必须用 qwen_3_4b.safetensors + CLIPLoader(type="flux2")。不要用DualCLIPLoader或UMT5，那会报错。

---

3. LTX 2.3 文生视频 Text-to-Video

文件: ltx23_t2v.json

模型与位置:

模型	类型	大小	位置
ltx-2.3-22b-distilled-1.1-Q3_K_M.gguf	U-Net GGUF	9.9GB	/root/ComfyUI/models/unet/ 本地
gemma-3-12b-it-Q4_K_M.gguf	CLIP文本编码器 GGUF	6.8GB	/root/ComfyUI/models/clip/ 本地
ltx-2.3_text_projection_bf16.safetensors	文本投影	75B	/root/ComfyUI/models/clip/ (symlink)
LTX23_video_vae_bf16.safetensors	VAE	1.4GB	/root/ComfyUI/models/vae/

参数设置:

• 分辨率: 544×960
• 帧数: 49 (约2秒)
• 帧率: 24fps
• 采样器: euler
• 步数: 8
• CFG: 1.0
• max_shift: 2.05, base_shift: 0.95
• VAE分块: 4×4 tiles, overlap=2
• 输出: MP4 H.264

节点结构: UnetLoaderGGUF + DualCLIPLoaderGGUF(type=ltxv) + VAELoader → EmptyLTXVLatentVideo → CLIPTextEncode×2 → LTXVConditioning → LTXVScheduler → CFGGuider + RandomNoise + KSamplerSelect → SamplerCustomAdvanced → LTXVCropGuides → LTXVTiledVAEDecode → VHS_VideoCombine

---

4. LTX 2.3 图生视频 Image-to-Video

文件: ltx23_i2v.json

模型与位置 (同T2V基础上增加):

模型	类型	大小	位置
同上 +
ltx-2-19b-lora-camera-control-static.safetensors	LoRA	2.1GB	/root/ComfyUI/models/loras/ 本地

参数设置:

• 分辨率: 544×960
• 帧数: 49 (约2秒)
• 帧率: 24fps
• 采样器: euler, 8步
• CFG: 1.0
• 静态相机LoRA: strength=0.8
• Inplace注入: strength=1.0
• 输入: your_photo.png (自动resize到544×960)

节点结构: UnetLoaderGGUF + DualCLIPLoaderGGUF → LoraLoaderModelOnly + LoadImage → ImageResizeKJv2 + EmptyLTXVLatentVideo → LTXVImgToVideoInplace → (同T2V采样→解码→合成)

---

5. LTX 2.3 数字人 LipSync (图+音频→视频)

文件: ltx23_lipsync_digitalhuman.json

模型与位置 (同I2V基础上增加):

模型	类型	大小	位置
ltx23_q4ks.gguf (LTX-2.3-distilled-Q4_K_S.gguf)	U-Net GGUF	16GB	/root/ComfyUI/models/unet/ 软链→zyz盘
MelBandRoformer_fp16.safetensors	音频人声分离	436MB	/root/ComfyUI/models/diffusion_models/ 软链→MelBandRoformer/
其他模型同I2V

参数设置:

• 分辨率: 544×960
• 帧数: 73 (约3秒)
• 帧率: 24fps
• 采样器: euler, 12步
• CFG: 1.0
• 静态相机LoRA: strength=0.8
• 输入: your_photo.png + your_audio.wav
• 音频处理: MelBandRoFormer 分离人声 → VHS_VideoCombine.audio 直接合并
• 音频时长裁剪: 3.0秒 (匹配73帧@24fps)

重要: 音频不走latent注入（LTXVAudioVAEEncode输出NestedTensor不兼容GGUF），而是走MelBandRoFormer分离后直拼。VHS_VideoCombine的pingpong为必填参数，缺了会导致静默失败。

---

VRAM占用估算

工作流	模型	总VRAM	可用
Flux1.dev-fp8	17GB checkpoint	~17GB	余~7GB
Flux2 Klein 4B	7.3G+7.5G+321M	~15GB	余~9GB
LTX T2V (Q3_K_M)	9.9G+6.8G	~17GB	余~7GB
LTX I2V (Q3_K_M)	9.9G+6.8G+2.1G	~19GB	余~5GB
LTX 数字人 (Q4_K_S)	16G+6.8G+2.1G+436M	~23GB	️ 余~1GB

Q4_K_S 数字人峰值 ~23GB 非常紧，建议先用 Q3_K_M 测试再换 Q4_K_S。

最大视频时长 (480p 720×480)

将latent从544×960改为720×480，latent缩小~35%：

• Q3_K_M: ~12秒 (290帧)
• Q4_K_S: ~8秒 (193帧)

---

已知问题

1. 动作迁移 (ICLoRA): 需要原生FP8模型22GB，24GB VRAM装不下。ICLoRA不兼容GGUF路径，当前无法实现完整的动作迁移。
2. 音频latent注入: LTXVAudioVAEEncode输出NestedTensor，与GGUF U-Net不兼容。已绕过走MeldBandRoFormer直拼。
3. VHS_VideoCombine: pingpong必填，缺了静默失败。LTXVSeparateAVLatent无音频时访问latents[1]会IndexError——I2V应跳过此节点。
4. Flux2文本编码器: 必须用 qwen_3_4b.safetensors + CLIPLoader(type="flux2")。不能用DualCLIPLoader。
5. zyz盘依赖: 数字人工作流的Q4_K_S模型在zyz盘软链，拔盘后工作流不可用。Q3_K_M版在本地可独立运行。

---

我最近也在折腾网络，tailscale很简单但网络延时高，我在考虑用软路由搭个vpn服务器，然后每个电脑安装个客户端组网

@williamlouis 关键我也没用过ubuntu24.04，哈哈.目前新的系统感觉用着还是挺好的

@yongjun-liu 干脆都升级到最新版吧，省心，而且rocm7.2的优化挺多的，据说速度也快一些

@terry 好的，谢谢锤总建议

@yongjun-liu 要哪方面文件呢，我配置的时候忘记切图这些了。我的整个顺序是这样的，装完ubuntu26.04后就安装hermes，hermes跑起来后就全都通过hermes来完成所有的配置了。安装pytorch和rocm还有comfyui以及下载模型全都是用hermes去完成的，Wan2.2-TI2V-5B GGUF Q8、LTXV 13B目前用的是这两个模型都没有任何问题。

我觉得indextts挺好用的，在苹果下生成速度还过得去

看了锤哥的视频，果断把5060ti16G卖了，贴了几百块换了7900xtx，折腾comfyui，安装了最新的ubuntu26.04，安装上hermes，就让它自己安装、调试comfyui，开始不太顺利，rocm用的是6.X，老是出现内存崩溃，allocator latency碎片化，也各种查ai，我是每个问题问gemini和chatgpt、deepseek三个ai，这次感觉GPT最不靠谱，它们一开始都认为我软件太新，GPT还建议我用回24的ubuntu，最后还是gemini建议试试rocm7.X，然后把pytorch也升级到2.11，采用轻量小模型，没想到很顺利搞定了，生图生视频都稳定没问题。下一步计划提升下质量

没问过豆包，gemini这次比较给力，chatgpt、deepseek三个我每个问题都问三遍，最后还是gemini帮了大忙。问题彻底解决，听锤哥的，买了个7900xtx挑战难度，还好都搞通了，ubuntu26.04+pytorch2.11+rocm7.2，跑comfyui的FLUX klein-4b和LTX-video 2b-distilled是完全没问题了，下一步看模型上有没有兼顾质量的再提升提升