ComfyUI9a の履歴(No.4)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• ComfyUI9a へ行く。
  • 1 (2026-02-04 (水) 08:22:25)
  • 2 (2026-02-04 (水) 11:05:11)
  • 3 (2026-02-04 (水) 14:18:32)
  • 4 (2026-02-04 (水) 17:04:22)
  • 5 (2026-02-05 (木) 21:20:56)

---

私的AI研究会 > ComfyUI9 > ComfyUI9a

画像生成AI「ComfyUI」９（続動画編２）　== 編集中 ==†

　「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 による音声付き動画生成２ ＜Confy(快適)に使うConfyUI＞†

プロジェクトで作成するワークフロー†

• ComfyUI_proj.zip をダウンロード（ワークフローの改訂に伴い随時更新中）※2026/02/04更新
  ・解凍してできるフォルダ
  

  📂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
  
  

• ワークフローと動作環境による生成時間（分：秒）
  

  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	×	×	×
  203_T2V_LTX2_base_dev.json	text2video(改訂)			09:08.95	10:46.57	19:55.23	×	×	×
  204_I2V_LTX2_base_dev.json	image2video(改訂)			07:47.42	09:45.00	16:52.34	×	×	×
  206_A2V_LTX2_base_dev.json	audio2video			07:30.21	09:20.69	16:34.97	×	×	×
  207_V2A_LTX2_base_dev.json	video2audio			06:00.17	07:08.73	17:43.18	×	×	×
  208_A-I2V_LTX2_base_dev.json	audio+image2video			08:16.86	09:04.70	17:06.41	×	×	×

環境設定†

• 引用サイトの推奨設定値
  

  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

• モデルの配置（適合するように変更）
  

  📂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-2-19b-dev-fp8.safetensors → ltx-2-19b-dev-fp4.safetensors
  　　・gemma_3_12B_it_fp8_scaled.safetensors → gemma_3_12B_it_fp4_mixed.safetensors
  　※ StabilityMatrix 環境のため共有モデルを配置変更
  

text2video†

• 基本ワークフローを読み込む
  ・サイトのワークフロー LTX-2_text2video_V2.json をダウンロード
  ・「checkpoints」「text_encoders」モデルを 4bit軽量版に変更する
  ・左右のレイアウトを詰めて画面全体を表示しながら実行できるようにする
  
  
• 基本的な処理の流れ
  
  
  
  Step1: text2video + audio
  　・ベースとなる動画（+ 音声）を生成する
  
  Step2: Upscale（Hires.fix）
  　・できた動画を 2 倍にアップスケールし、
  　　video2video でもう一度リファイン
  　・品質は低下するが Uopscale をパスすることもできる
  
  Step3: Decode
  　・動画と音声を別々にデコードして出力する
  
  
  
• 修正した「text2video 基本」ワークフロー（右は Upscale をパスした場合）
  
  
  
  　※ ワークフロー：「_video/」LTX-2_text2video_V2_004.json
  
  
• 処理の流れ
  1. 動画解像度・長さ・FPSの設定
  
  
  
  生成したい動画と音声のパラメータを決定する
  
  ・「EmptyLTXVLatentVideo」「 LTXV Empty Latent Audio」 に、
  　解像度・フレーム数・FPS を入力（推奨設定値 に従って設定）
  
  ・Upscale 処理の場合は設定する解像度は出力動画の半分の値にする
  
  
  2. プロンプト入力
  
  
  
  ・LTXシリーズの特徴で、プロンプトは多少こだわらないと大した動画が作れない
  
  ・細かいフォーマットが決まっているわけではない
  
  ・小説を書くように、生成したい動画を記述してみる
  　参考 → Prompting Guide for LTX-2
  

  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。

  
  3. サンプリング（1段目）
  
  
  
  ・基本は「ステップ数と CFG を決めてサンプリングする」
  　この workflow では、20 steps / CFG 4.0 で 1段目を回している
  
  ・LTXVScheduler という専用スケジューラーを使用している
  　動きとしては linear_quadratic に似たもの
  
  ・LTX-2 は動画と音声を同時に扱う
  　🟫LTXVConcatAVLatentで、動画 latent と音声 latent を 1本にする
  
  
  4. latent のアップスケール（x2）
  
  
  
  ・動画latent の解像度を 2倍にアップスケールする
  　専用のモデル (ltx-2-spatial-upscaler-x2)を使用する
  
  
  5. サンプリング（2段目 / video2video）
  
  
  
  アップスケール後の latent を 短いステップでリファインする
  ・ここでは 4～8 ステップで生成できるようになる distilled-loraを使用する
  　他のモデルでいうところの Lightning / Turbo のようなもの
  　この workflow では 3 steps で回している
  　これに合わせて、CFGは 1.0 に変更する
  
  ・Manual Sigma を使っているため少し分かりにくいが、Simple 相当では
  　denoise = 0.47 前後に近い挙動
  
  
  6. デコード
  
  
  
  最後に、動画と音声をそれぞれデコードして書き出す
  ・latent を動画用 / 音声用に分け、適切な VAE でデコードする
  ・VRAM に余裕が無いため Tiled VAE を使っている
  
  
  

• 生成結果動画（音声付き）
  

  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

  
  

text2video 8ステップ†

• 基本ワークフローを読み込む
  ・サイトのワークフロー LTX-2_text2video_distilled をダウンロード
  ・「checkpoints」「text_encoders」モデルを 4bit軽量版に変更する
  ・左右のレイアウトを詰めて画面全体を表示しながら実行できるようにする
  
  
• 修正した「text2video 8ステップ」ワークフロー
  
  
  　※ ワークフロー：「_video/」LTX-2_text2video_distilled_005.json
  
  

• 生成結果動画（音声付き）
  

  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。

image2video†

• 基本ワークフローを読み込む
  ・サイトのワークフロー LTX-2_image2video_distilled_V2.json をダウンロード
  ・「checkpoints」「text_encoders」モデルを 4bit軽量版に変更する
  ・左右のレイアウトを詰めて画面全体を表示しながら実行できるようにする
  
  
• 基本的な処理の流れ
  ・基本は「1フレーム目を入力画像で固定して、残りを生成」
  　例えば 121フレームの動画を作る場合の流れ
  

  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 　　🖼️ ✨ ✨ ✨ ✨ ... ✨

  　🖼️ を起点に、後ろのフレーム（✨）が埋まっていくイメージ
  
  

• 修正した「image2video 基本」ワークフロー
  
  
  　※ ワークフロー：「_video/」LTX-2_image2video_distilled_V2_007.json
  
  
• 処理の流れ
  1. 入力画像のリサイズ（2系統作る）
  
  
  ・最終出力したい解像度に合わせた フル解像度版 を作る
  　任意のサイズにリサイズ (ここでは 1MP メガピクセル)
  　幅・高さは 64 の倍数にする
  　1段目は 1/2 解像度で回すため、半分にしても 32 の倍数になるように 64 の倍数にする
  
  ・1段目（半解像度）用に、上の画像を 縦横 1/2 にした版も作る
  　EmptyLTXVLatentVideo には、この 半解像度側の width/height を入力する
  
  
  2. 画像の下処理
  
  
  LTX-Video からの特徴で、動画は静止画と違い、少し圧縮されて劣化しているため
  綺麗すぎる画像を使うと、全く動かない動画が生成されることがある
  
  ・これを回避するため、LTXVPreprocess でわざと動画の圧縮っぽく劣化させる
  
  
  3. LTXVImgToVideoInplace（1段目の差し込み）
  
  
  ここが image2video の本体
  
  ・1段目（半解像度）の video latent に対して、1フレーム目を画像で差し込む
  
  
  4.アップスケール側（2段目）にも同じことをする
  
  
  2段目も同様に画像を差し込む
  
  ・必ず spatial ノードの あと にこのノードを接続すること
  ・strength は 1.0 にする
  　これを小さくすると、差し込んだ画像自体も image2image されるような挙動になる
  　入力画像と1フレーム目を完全一致させたい場合は 1.0 にする
  
  
  5. プロンプト入力
  

  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。

  
  

• 生成結果動画（音声付き）
  

  入力静止画像	生成動画

• 生成画像のサイズ
  

  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

text2video（改訂版）†

• text2video ワークフロー「LTX-2_text2video_distilled_005.json」からの変更点
  ・生成画像の解像度を変更
  　1408x1024（設定値：704×512）→ 1280x704（設定値：640x352）
  
  ・「RandomNoise」ノードを1つにして共通化
  　seed 値の入力を1か所で行えるようにまとめる
  
  ・ノードのレイアウトを変更して、「Upscale」グループの 有効/無効 を指定しやすくする
  　Full HD 画面サイズ（1920×1080）でワークフロー全体を見通せる配置とする
  
  

• プロンプト
  

  Prompt: A man in practical jungle trekking clothes—lightweight long-sleeve shirt, durable cargo pants, sturdy boots, and a small backpack—walks through a dense, overgrown jungle, filmed from a low angle with a cinematic feel. Leaves and vines crowd the frame as he pushes past ferns and branches, boots sinking softly into damp ground with wet footfalls and occasional twig snaps, while insects buzz and distant birds call under a constant humid forest hush. Dappled light flickers across his clothing as the canopy shifts, and he keeps moving forward at a steady pace, breathing quietly with no dialogue.

  薄手の長袖シャツ、丈夫なカーゴパンツ、頑丈なブーツ、そして小さなバックパックという、実用的なジャングルトレッキングウェアを身につけた男が、生い茂ったジャングルを歩く。ローアングルから撮影された、まるで映画のような映像だ。シダや枝をかき分け、葉や蔓が画面いっぱいに広がる。濡れた足音と時折小枝が折れる音とともに、ブーツは湿った地面に静かに沈み込む。湿った森の静寂の中、虫の羽音や遠くの鳥のさえずりが絶えず響く。木漏れ日が変化するにつれ、服の上から木漏れ日がちらつく。男は静かに呼吸をしながら、セリフもなく一定のペースで進み続ける。

  
  

• 生成結果（音声付き）とワークフロー
  

  生成動画	ワークフロー

  　※ ワークフロー：「_video/」203_T2V_LTX2_base_dev.json
  
  

• text to video ワークフローによる生成時間（分：秒）の比較
  

  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
  video_ltx2_t2v_dev_003.json	テキストから動画生成	通常版 fp4	02:54.28	07:31.23	09:44.48	17:50.15	×	×	×
  LTX-2_text2video_V2_004.json	text2video			11:44.47	14:18.25	26:41.94	×	×	×
  103_T2V_LTX2_base_dev.json	テキストから動画(改訂)			07:17.85	10:26.00	19:36.78	×	×	×
  203_T2V_LTX2_base_dev.json	text2video(改訂)			09:08.95	10:46.57	19:55.23	×	×	×

image2video（改訂版）†

• image2video ワークフロー「LTX-2_image2video_distilled_V2_007.json」からの変更点
  ・１段目の distilled-lora 適用をやめる
  　参照サイト によれば '画質向上と速度アップのため1段目から追加' とあるが この環境では生成に時間がかかるので、Upscale の 2段目のみ適用する
  
  ・生成画像の解像度を変更
  　1408x1024（設定値：704×512）→ 1280x704（設定値：640x352）
  
  ・「RandomNoise」ノードを1つにして共通化
  　seed 値の入力を1か所で行えるようにまとめる
  
  ・ノードのレイアウトを変更して、「Upscale」グループの 有効/無効 を指定しやすくする
  　Full HD 画面サイズ（1920×1080）でワークフロー全体を見通せる配置とする
  
  

• プロンプト
  

  Prompt: A woman stands still amid a busy neon-lit street at night. The camera slowly dollies in toward her face as people blur past, their motion emphasizing her calm presence. City lights flicker and reflections shift across her denim jacket.

  ネオンがきらめく夜の賑やかな通りで、女性がじっと立っている。カメラはゆっくりと彼女の顔に近づいていく。人々がぼんやりと通り過ぎる中、その動きが彼女の落ち着いた存在感を強調する。街の明かりが揺らめき、デニムジャケットに映る光が揺れ動く。

• 入力画像
  

  入力静止画像
  city_girl.jpg

• 生成結果（音声付き）とワークフロー
  

  生成動画	ワークフロー

  　※ ワークフロー：「_video/」204_I2V_LTX2_base_dev.json
  
  

• image to video ワークフローによる生成時間（分：秒）の比較
  

  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
  video_ltx2_i2v_dev_003.json	静止画から動画生成	通常版 fp4	03:14.28	07:22.89	09:11.15	19:17.54	×	×	×
  LTX-2_image2video_distilled_V2_007.json	image2video			31:50.14	23:10.95	29:10.14	×	×	×
  104_I2V_LTX2_base_dev.json	静止画から動画(改訂)			08:21.71	10:09.20	19:12.19	×	×	×
  204_I2V_LTX2_base_dev.json	image2video(改訂)			07:47.42	09:45.00	16:52.34	×	×	×

audio2video†

• 参照サイト のワークフロー「LTX-2_audio2video_distilled_V2.json」からの変更点
  ・１段目の distilled-lora 適用をやめる
  　生成に時間がかかるので、Upscale の 2段目のみ適用する
  
  ・生成画像の解像度を変更
  　1408x1024（設定値：704×512）→ 1280x704（設定値：640x352）
  
  ・「RandomNoise」ノードを1つにして共通化
  　seed 値の入力を1か所で行えるようにまとめる
  
  ・ノードのレイアウトを変更して、「Upscale」グループの 有効/無効 を指定しやすくする
  　Full HD 画面サイズ（1920×1080）でワークフロー全体を見通せる配置とする
  
  

• プロンプト
  

  Prompt: A warm, intimate cinematic performance inside a cozy, wood-paneled bar, lit with soft amber practical lights and shallow depth of field that creates glowing bokeh in the background. The shot opens in a medium close-up on a japanease young female singer in her 20s with short brown hair and bangs, singin in japanease into a microphone while strumming an acoustic guitar, her eyes closed and posture relaxed. The camera slowly arcs left around her, keeping her face and mic in sharp focus as two male band members playing guitars remain softly blurred behind her. Warm light wraps around her face and hair as framed photos and wooden walls drift past in the background. Ambient live music fills the space, led by her clear vocals over gentle acoustic strumming.

  温かく親密な映画のようなパフォーマンスは、居心地の良い木製パネルのバー内で行われ、柔らかな琥珀色の実用的な照明と浅い被写界深度が背景に輝くボケを作り出している。ショットは、短い茶色の髪に前髪のある20代の日本人の若い女性歌手のミディアムクローズアップで始まる。彼女はアコースティックギターをかき鳴らしながらマイクに向かって日本語で歌っており、目は閉じられ、姿勢はリラックスしている。カメラは彼女の顔とマイクを鮮明に捉えたまま、彼女の背後でギターを弾く男性バンドメンバー2人が柔らかくぼやけている。暖かい光が彼女の顔と髪を包み込み、額縁に入った写真と木の壁が背景を流れていく。穏やかなアコースティックギターのかき鳴らしに乗せた彼女の透き通った歌声に導かれるように、アンビエントなライブミュージックが空間を満たす。

• 入力音声
  

  入力音声
  tabi.mp3

• 生成結果（音声付き）とワークフロー
  

  生成動画	ワークフロー

  　※ ワークフロー：「_video/」206_A2V_LTX2_base_dev.json
  
  

• text to video ワークフローとの生成時間（分：秒）の比較
  

  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
  203_T2V_LTX2_base_dev.json	text2video(改訂)	通常版 fp4		09:08.95	10:46.57	19:55.23	×	×	×
  206_A2V_LTX2_base_dev.json	audio2video			07:30.21	09:20.69	16:34.97	×	×	×

video2audio†

• 参照サイト のワークフロー「LTX-2_video2audio_distilled.json」からの変更点
  ・１段目の distilled-lora 適用をやめる
  　生成に時間がかかるので、Upscale の 2段目のみ適用する
  
  ・生成画像の解像度を変更
  　1408x1024（設定値：704×512）→ 1280x704（設定値：640x352）
  
  ・「RandomNoise」ノードを1つにして共通化
  　seed 値の入力を1か所で行えるようにまとめる
  
  ・ノードのレイアウトを変更して、「Upscale」グループの 有効/無効 を指定しやすくする
  　Full HD 画面サイズ（1920×1080）でワークフロー全体を見通せる配置とする
  
  

• プロンプト
  

  Prompt: Female singer playing guitar.

  ギターを弾く女性歌手。

• 生成結果（音声付き）とワークフロー
  

  生成動画	ワークフロー

  　※ ワークフロー：「_video/」207_V2A_LTX2_base_dev.json
  
  

• text to video ワークフローとの生成時間（分：秒）の比較
  

  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
  203_T2V_LTX2_base_dev.json	text2video(改訂)	通常版 fp4		09:08.95	10:46.57	19:55.23	×	×	×
  207_V2A_LTX2_base_dev.json	video2audio			06:00.17	07:08.73	17:43.18	×	×	×

audio + image2video†

• 参照サイト のワークフロー「LTX-2_audio-image2video_distilled_V2.json」からの変更点
  ・１段目の distilled-lora 適用をやめる
  　生成に時間がかかるので、Upscale の 2段目のみ適用する
  
  ・生成画像の解像度を変更
  　1408x1024（設定値：704×512）→ 1280x704（設定値：640x352）
  
  ・「RandomNoise」ノードを1つにして共通化
  　seed 値の入力を1か所で行えるようにまとめる
  
  ・ノードのレイアウトを変更して、「Upscale」グループの 有効/無効 を指定しやすくする
  　Full HD 画面サイズ（1920×1080）でワークフロー全体を見通せる配置とする
  
  

• プロンプト
  

  Prompt: A tight talking-head close-up with a static camera and shallow depth of field. She looks directly into the lens and speaks clearly, her lips and jaw articulating natural syllable shapes that match the provided voice track timing. While she keeps speaking, she brushes her hair back with one hand, strands sliding through her fingers and settling away from her face. She maintains steady eye contact with subtle blinking and small facial micro-expressions that follow the cadence of her speech. Audio: intimate speech in English, “Sleep can wait, but progress cannot.” with faint nighttime ambience under her voice.

  静止したカメラと浅い被写界深度で撮影された、語り手のクローズアップ。彼女はレンズをまっすぐ見つめ、はっきりと話す。唇と顎は、音声トラックのタイミングに合わせて自然な音節の形をとっている。彼女は話を続けながら、片手で髪を後ろにかき上げる。髪の束は指の間を滑り、顔から離れて落ちていく。彼女はアイコンタクトをしっかりと保ち、かすかな瞬きや、話すリズムに合わせた小さな表情で視線を捉えている。音声：親密な英語のセリフ「眠りは待てる、だが進歩は待てない」。かすかな夜の空気が彼女の声に漂う。

• 入力画像と音声
  

  入力静止画像	入力音声
  ComfyUI_2026-02-04_00002_.png	sample.mp3

• 生成結果（音声付き）とワークフロー
  

  生成動画	ワークフロー

  　※ ワークフロー：「_video/」208_A-I2V_LTX2_base_dev.json
  
  

• text to video ワークフローとの生成時間（分：秒）の比較
  

  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
  203_T2V_LTX2_base_dev.json	text2video(改訂)	通常版 fp4		09:08.95	10:46.57	19:55.23	×	×	×
  208_A-I2V_LTX2_base_dev.json	audio+image2video			08:16.86	09:04.70	17:06.41	×	×	×

忘備録†

torch.OutOfMemoryError: メモリー不足エラー†

• 発生時の状況
  
  
  ・生成途中で左のダイアログを表示して停止する
  ・再度「Run」を押すと何事もなく生成終了となる場合がある
  

  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

  ▼　エラー・ログ
  ▲　エラー・ログ

      :
  !!! Exception during processing !!! Allocation on device 0 would exceed allowed memory. (out of memory)
  Currently allocated     : 5.62 GiB
  Requested               : 54.00 MiB
  Device limit            : 8.00 GiB
  Free (according to CUDA): 0 bytes
  PyTorch limit (set by user-supplied memory fraction)
                          : 17179869184.00 GiB
  Traceback (most recent call last):
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\execution.py", line 518, in execute
      output_data, output_ui, has_subgraph, has_pending_tasks = await get_output_data(prompt_id, unique_id, obj, input_data_all, execution_block_cb=execution_block_cb, pre_execute_cb=pre_execute_cb, v3_data=v3_data)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\execution.py", line 329, in get_output_data
      return_values = await _async_map_node_over_list(prompt_id, unique_id, obj, input_data_all, obj.FUNCTION, allow_interrupt=True, execution_block_cb=execution_block_cb, pre_execute_cb=pre_execute_cb, v3_data=v3_data)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\execution.py", line 303, in _async_map_node_over_list
      await process_inputs(input_dict, i)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\execution.py", line 291, in process_inputs
      result = f(**inputs)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\comfy_extras\nodes_lt_upsampler.py", line 53, in upsample_latent
      upscale_model.to(device)  # TODO: use the comfy model management system.
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\venv\lib\site-packages\torch\nn\modules\module.py", line 1381, in to
      return self._apply(convert)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\venv\lib\site-packages\torch\nn\modules\module.py", line 933, in _apply
      module._apply(fn)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\venv\lib\site-packages\torch\nn\modules\module.py", line 933, in _apply
      module._apply(fn)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\venv\lib\site-packages\torch\nn\modules\module.py", line 933, in _apply
      module._apply(fn)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\venv\lib\site-packages\torch\nn\modules\module.py", line 964, in _apply
      param_applied = fn(param)
    File "D:\StabilityMatrix\Data\Packages\ComfyUI\venv\lib\site-packages\torch\nn\modules\module.py", line 1367, in convert
      return t.to(
  torch.OutOfMemoryError: Allocation on device 0 would exceed allowed memory. (out of memory)
  Currently allocated     : 5.62 GiB
  Requested               : 54.00 MiB
  Device limit            : 8.00 GiB
  Free (according to CUDA): 0 bytes
  PyTorch limit (set by user-supplied memory fraction)
                          : 17179869184.00 GiB
  
  Memory summary: 
  |===========================================================================|
  |                  PyTorch CUDA memory summary, device ID 0                 |
  |---------------------------------------------------------------------------|
  |            CUDA OOMs: 0            |        cudaMalloc retries: 0         |
  |===========================================================================|
  |        Metric         | Cur Usage  | Peak Usage | Tot Alloc  | Tot Freed  |
  |---------------------------------------------------------------------------|
  | Allocated memory      |   5475 MiB |   5752 MiB |      0 B   |      0 B   |
  |       from large pool |      0 MiB |      0 MiB |      0 B   |      0 B   |
  |       from small pool |      0 MiB |      0 MiB |      0 B   |      0 B   |
  |---------------------------------------------------------------------------|
  | Active memory         |   5475 MiB |   5752 MiB |      0 B   |      0 B   |
  |       from large pool |      0 MiB |      0 MiB |      0 B   |      0 B   |
  |       from small pool |      0 MiB |      0 MiB |      0 B   |      0 B   |
  |---------------------------------------------------------------------------|
  | Requested memory      |      0 B   |      0 B   |      0 B   |      0 B   |
  |       from large pool |      0 B   |      0 B   |      0 B   |      0 B   |
  |       from small pool |      0 B   |      0 B   |      0 B   |      0 B   |
  |---------------------------------------------------------------------------|
  | GPU reserved memory   |   8000 MiB |   8064 MiB |      0 B   |      0 B   |
  |       from large pool |      0 MiB |      0 MiB |      0 B   |      0 B   |
  |       from small pool |      0 MiB |      0 MiB |      0 B   |      0 B   |
  |---------------------------------------------------------------------------|
  | Non-releasable memory |      0 B   |      0 B   |      0 B   |      0 B   |
  |       from large pool |      0 B   |      0 B   |      0 B   |      0 B   |
  |       from small pool |      0 B   |      0 B   |      0 B   |      0 B   |
  |---------------------------------------------------------------------------|
  | Allocations           |       0    |       0    |       0    |       0    |
  |       from large pool |       0    |       0    |       0    |       0    |
  |       from small pool |       0    |       0    |       0    |       0    |
  |---------------------------------------------------------------------------|
  | Active allocs         |       0    |       0    |       0    |       0    |
  |       from large pool |       0    |       0    |       0    |       0    |
  |       from small pool |       0    |       0    |       0    |       0    |
  |---------------------------------------------------------------------------|
  | GPU reserved segments |       0    |       0    |       0    |       0    |
  |       from large pool |       0    |       0    |       0    |       0    |
  |       from small pool |       0    |       0    |       0    |       0    |
  |---------------------------------------------------------------------------|
  | Non-releasable allocs |       0    |       0    |       0    |       0    |
  |       from large pool |       0    |       0    |       0    |       0    |
  |       from small pool |       0    |       0    |       0    |       0    |
  |---------------------------------------------------------------------------|
  | Oversize allocations  |       0    |       0    |       0    |       0    |
  |---------------------------------------------------------------------------|
  | Oversize GPU segments |       0    |       0    |       0    |       0    |
  |===========================================================================|
  
  Got an OOM, unloading all loaded models.
  Prompt executed in 329.08 seconds
  got prompt
  Requested to load VideoVAE
  loaded completely; 5625.68 MB usable, 2331.69 MB loaded, full load: True
  Requested to load LTXAV
  loaded partially; 5264.00 MB usable, 5103.96 MB loaded, 8675.30 MB offloaded, 160.04 MB buffer reserved, lowvram patches: 1264
  100%|██████████| 3/3 [00:44<00:00, 14.76s/it]
  Requested to load AudioVAE
  loaded completely; 519.71 MB usable, 415.20 MB loaded, full load: True
  Requested to load VideoVAE
  0 models unloaded.
  loaded partially; 0.00 MB usable, 0.00 MB loaded, 2331.69 MB offloaded, 648.02 MB buffer reserved, lowvram patches: 0
  Prompt executed in 95.35 seconds
      :

module 'comfy.model_management' has no attribute 'load_model_gpu'†

• 発生時の状況：
  ・突然実行途中の特定ノードで発生するようになる
  

• 原因（AI による）：
  

  このエラーは、ComfyUIの本体（コア）がアップデートされたことにより、旧バージョンのコードに基づいた「カスタムノード（追加機能）」が使えなくなっていることが原因です。 
  comfy.model_management.load_model_gpu は新しいバージョンのComfyUIで削除または変更されたため、該当するカスタムノードを更新または修正する必要があります。

• 対処法1：
  「ComfyUI-Manager」を使用して、すべてのカスタムノードを最新版に更新する
  
  1. ComfyUIの画面で「Manager」ボタンをクリック
  2.「Update All」をクリック
  3.アップデートが完了したら、ComfyUI を再起動（ブラウザを閉じて「StabilityMatrix」を一旦終了して再起動する）
  

更新履歴†

• 2026/02/04 初版
  

参考資料†

• ComfyUI LTX-2
  
  • GitHub: ComfyUI-LTXVideo
    
  • GitHub: LTX-2
    
  • ComfyUI Blog: LTX-2 is natively supported in ComfyUI on Day 0
    
  • Huggingface: NVFP4 and NVFP8 checkpoints
    

• 【ワークフロー有】LTX2 Image-to-Video GGUF版：ComfyUI環境で動かす！長尺動画生成の始め方
  
• LTX-2をComfyUIで動かしてみた｜実機で確認した導入手順と設定のコツ
  
• 【ComfyUI】LTX 2（ネイティブ版）を使う方法
  
• [LTX-2] ComfyUI標準対応!映像と音の同時生成が可能にする動画生成の異次元(後編)
  
• 雑に学ぶComfyUI LTX-2
  

• Comfy with ComfyUI: このサイトの使い方
  
• LTX-2 | Comfy with ComfyUI
  
• GitHub: Comfy に使う ComfyUI
  

• ComfyUI.Tokyo: LTX2_audio_sync_GGUF
  
• ComfyUIの使い方【第６回】～低スペックPCでFlux(GGUF版)を動かしてみた！～
  
• 【LTX-2】Lightricks発の音付き動画生成AIがオープンソース化！特徴・性能・使い方を徹底解説
  
• [LTX-2] ComfyUI標準対応!映像と音の同時生成が可能にする動画生成の異次元(後編)
  
• LTX-2プロンプト完全ガイド｜AI動画生成を成功させる書き方
  
• LTX-2 Prompt Guide
  

• ComfyUI LTX-2 省メモリー
  
  • LTX-2 環境構築トレンド1/21版