私的AI研究会 > ComfyUI9 > ComfyUI9a
「ComfyUI」を使ってローカル環境でのAI画像生成を検証する
| LTX-2 ワークフローは複雑で理解しにくい。いろいろ調査していく過程で日本人の方の作成したわかりやすいサイトを見つけた。 このサイトをお手本にLTX-2 ワークフローの検証を進める |
📂ComfyUI
├─📂input ← ワークフローに含まれる入力画像
└─📂user
└─📂default
└─📂workflows ← ワークフローの保存場所
├─📂_audio
├─📂_base
├─📂_base_i2i
├─📂_base_t2i
├─📂_prompt
├─📂_utility
├─📂_video
└─📂test
・解凍してできる「ComfyUI/」フォルダを「StabilityMatrix/Data/Packages/ComfyUI」へ上書きコピーする| ワークフロー | 機 能 | モデル | CPU | CPU | |||||
| RTX 4070 | RTX 4060 | RTX 4060L | RTX 3050 | GTX 1050 | i7-1260P | i7-1185G7 | |||
| LTX-2_text2video_V2_004.json | text2video | 通常版 fp4 | 11:44.47 | 14:18.25 | 26:41.94 | × | × | × | |
| LTX-2_text2video_distilled_005.json | text2video 8ステップ | 13:36.94 | 23:55.01 | 16:45.69 | × | × | × | ||
| LTX-2_image2video_distilled_V2_007.json | image2video | 31:50.14 | 23:10.95 | 29:10.14 | × | × | × | ||
| 解像度 | 640×640（1:1） | 出力 | 1280x1280 |
| 768×512（3:2） | 1536x1024 | ||
| 704×512（4:3） | 1408x1024 | ||
| ※後処理で 2倍にアップスケールするので実際の出力は倍のサイズになる | |||
| ※32の倍数である必要がある | |||
| FPS | 24 / 25 / 30 | ||
| フレーム | 最大：257 frames（25fpsで約10秒） | ||
| 推奨：121–161（品質とメモリのバランス） | |||
| ※8n+1 になる必要がある | |||
📂StabilityMatrix/Data/
└ 📂Models/
├ 📂StableDiffusion/
│ └── ltx-2-19b-dev-fp4.safetensors
└ 📂Lora/
└── ltx-2-19b-distilled-lora-384.safetensors
📂ComfyUI/
└ 📂models/
├ 📂latent_upscale_models/
│ └── ltx-2-spatial-upscaler-x2-1.0.safetensors
└ 📂text_encoders/
└── gemma_3_12B_it_fp4_scaled.safetensors
※ より軽量化へ 4bit量子化モデルに変更する
LTX-2_text2video_V2_004.json
| Prompt: A stylized 3D cartoon shot at the entrance of an upscale restaurant at night, warm lantern light spilling onto a polished stone doorway as soft city ambience hums in the background. The camera starts low and close to the front steps and slowly pushes forward toward the door, emphasizing glossy reflections and the cozy golden glow inside. A panda waiter in a crisp red vest and black bow tie steps into frame, grips the handle with a gentle motion, and opens the door wide with a welcoming flourish. The panda’s round face, bright expressive eyes, and friendly smile read clearly as it leans forward in a small polite bow and speaks in a warm, inviting voice: “Welcome to Restaurant Shanghai.” The camera continues its smooth push-in to a medium close-up on the panda’s face and upper body, with the softly lit interior behind it. Ambient audio includes a subtle door chime, quiet restaurant chatter, and the panda’s clear line delivery. |
| 高級レストランの入り口を捉えた、スタイリッシュな3Dアニメ風の映像。温かみのあるランタンの光が、磨き上げられた石造りの扉に降り注ぎ、背景には柔らかな都会の雰囲気が漂っている。カメラは低い位置から玄関の階段付近からゆっくりとドアへと近づき、光沢のある反射と店内の心地よい金色の輝きを強調する。鮮やかな赤いベストと黒い蝶ネクタイを身に着けたパンダのウェイターがフレームに入り、軽くハンドルを握り、歓迎の意を示すようにドアを大きく開ける。パンダの丸顔、明るく表情豊かな瞳、そして人懐っこい笑顔は、パンダが身を乗り出し、小さく丁寧にお辞儀をしながら、温かく招き入れるような声で「上海レストランへようこそ」と語りかける様子から読み取れる。カメラは、柔らかな光に照らされた店内を背景に、パンダの顔と上半身をミディアムクローズアップで捉える。環境音には、かすかなドアチャイムの音、レストランの静かな会話、そしてパンダの明瞭なセリフが含まれている。 |
| Negative Prompt: blurry, out of focus, overexposed, underexposed, low contrast, washed out colors, excessive noise, grainy texture, poor lighting, flickering, motion blur, distorted proportions, unnatural skin tones, deformed facial features, asymmetrical face, missing facial features, extra limbs, disfigured hands, wrong hand count, artifacts around text, unreadable text on shirt or hat, incorrect lettering on cap (“PNTR”), incorrect t-shirt slogan (“JUST DO IT”), missing microphone, misplaced microphone, inconsistent perspective, camera shake, incorrect depth of field, background too sharp, background clutter, distracting reflections, harsh shadows, inconsistent lighting direction, color banding, cartoonish rendering, 3D CGI look, unrealistic materials, uncanny valley effect, incorrect ethnicity, wrong gender, exaggerated expressions, smiling, laughing, exaggerated sadness, wrong gaze direction, eyes looking at camera, mismatched lip sync, silent or muted audio, distorted voice, robotic voice, echo, background noise, off-sync audio, missing sniff sounds, incorrect dialogue, added dialogue, repetitive speech, jittery movement, awkward pauses, incorrect timing, unnatural transitions, inconsistent framing, tilted camera, missing door or shelves, missing shallow depth of field, flat lighting, inconsistent tone, cinematic oversaturation, stylized filters, or AI artifacts. |
| ぼやけている、焦点が合っていない、露出オーバー、露出不足、コントラストが低い、色が褪せている、ノイズが多すぎる、粒状の質感、照明が悪い、ちらつき、モーションブラー、歪んだプロポーション、不自然な肌の色、変形した顔の特徴、非対称の顔、顔の特徴がない、余分な手足、変形した手、間違った手のカウント、文字の周囲のアーティファクト、シャツや帽子の判読できない文字、帽子の間違った文字（「PNTR」）、間違ったTシャツのスローガン（「JUST DO IT」）、マイクがない、マイクの位置が間違っている、一貫性のない遠近感、カメラの揺れ、間違った被写界深度、背景が鮮明すぎる、背景が乱雑、気が散る反射、強い影、一貫性のない照明方向、色の縞模様、漫画のようなレンダリング、3D CGI の外観、非現実的なマテリアル、不気味の谷効果、間違った民族、間違った性別、誇張された表情、笑顔、笑い、誇張された悲しみ、間違った視線方向、カメラを見ている目、歪んだ音声、ロボットのような声、エコー、バックグラウンド ノイズ、同期していないオーディオ、スニフ音の欠落、不正確なセリフ、追加されたセリフ、繰り返しのスピーチ、ぎこちない動き、不自然な間、不正確なタイミング、不自然な遷移、一貫性のないフレーミング、傾いたカメラ、ドアまたは棚の欠落、浅い被写界深度の欠落、平坦な照明、一貫性のないトーン、映画のような過飽和、様式化されたフィルター、または AI アーティファクト。 |
| 2X Upscale (1408x1024 pixel) | Upscale なし (704x512 pixel) |
| 生成時間（分：秒）11:38.87 | 生成時間（分：秒）08:43.00 |
LTX-2_text2video_distilled_005.json| ltx-2-19b-dev-fp4.safetensors | ltx-2-19b-distilled-fp8.safetensors |
| 生成時間（分：秒）24:46.75 | 生成時間（分：秒）08:46.19 |
| Step数を 20 → 8 に減らしたにもかかわらず生成速度は倍以上かかっている。VRAM 容量不足で効果が出ないのかもしれない。 fp8 → fp4 のモデルについては同じワークフローで問題がないようだ。 | 蒸留版を通常版と同じワークフローで使用するのは問題があるようで、生成品質が良くない。対応方法は調査の必要がある。 |
| 1. 121 frames の枠を作る（8n+1） 🌫️ 🌫️ 🌫️ 🌫️ 🌫️ ... 🌫️ |
| 2. 1フレーム目だけ入力画像で上書き 🖼️ 🌫️ 🌫️ 🌫️ 🌫️ ... 🌫️ |
| 3. 残りの120フレームを生成 🖼️ ✨ ✨ ✨ ✨ ... ✨ |
LTX-2_image2video_distilled_V2_007.json
| Prompt: The woman is briskly walking from deep in the street toward the foreground with sharp, rhythmic boot steps clicking on the stone pavement, while the camera is smoothly backing up to keep her centered as she advances. The steady footfalls and light coat-fabric rustle sit under a quiet city bed of distant traffic hiss and occasional muffled voices bouncing off the stone walls. As she comes closer, a British public telephone box appears along the sidewalk; the camera continues retreating as she angles toward it, the footsteps tightening in pace and echo. She pulls the door open and steps inside, the door creaking and closing with a hollow thud that slightly muffles the outside ambience. She lifts the receiver, a soft plastic scrape and cord shift audible, then inserts coins with distinct metallic clinks and dials the number with crisp clicks, followed by a steady dial tone turning into a faint ringback as she holds the handset to her ear and waits, breathing quietly. |
| 女性は通りの奥から手前に向かって、石畳をカチカチと音を立てながら、鋭くリズミカルなブーツの足音を響かせながら早足で歩いている。カメラは彼女が前進する間、彼女の視線を中央に留めるために滑らかに後退する。一定の足音と軽いコートの布地の擦れる音は、遠くの交通騒音と時折石壁に反響するくぐもった声といった静かな街の床に静まり返っている。彼女が近づくと、歩道沿いにイギリスの公衆電話ボックスが現れ、カメラは彼女がその方へと角度を変えながら後退し続けると、足音は速度と反響を増していく。彼女はドアを開けて中に入ると、ドアはきしみ、空洞の音を立てて閉まり、外の空気をわずかにかき消した。彼女は受話器を持ち上げ、柔らかいプラスチックの擦れる音とコードが動く音が聞こえる。そして、はっきりとした金属的なカチカチという音とともに硬貨を挿入し、カチッとした音とともに番号をダイヤルする。続いて、一定のダイヤルトーンがかすかな呼び出し音に変わり、彼女は受話器を耳に当て、静かに呼吸しながら待つ。 |
| 入力静止画像 | 生成動画 |
 |
| 入力画像サイズ（pixel） | サイズ指定（MP:メガピクセル） | 生成画像サイズ（Pixel） |
| 1280x720 | 0.4 | 832 x 448 |
| 0.6 | 1024 x 576 | |
| 0.8 | 1152 x 704 | |
| 1.0 | 1280 x 768 |
| ComfyUIで「メモリ不足（Out of Memory / OOM）」エラーが発生しても、再実行（Queueボタンをもう一度押す）すると成功する、あるいは2回に1回は成功するような現象は、VRAM（ビデオメモリ）がギリギリの状態で動作している際によく発生する「不安定なメモリ管理」の症状 |