LTX Video

🚀 LTX-Video模型卡片

LTX-Video是首个基于DiT的视频生成模型，能够实时生成高质量视频。它可以快速生成768x512分辨率、24 FPS的视频。该模型在大规模多样化视频数据集上进行训练，能够生成具有逼真和多样化内容的高分辨率视频。我们提供了适用于文本到视频以及图像+文本到视频用例的模型。

一位留着棕色长发、皮肤白皙的女子对着另一位留着金色长发的女子微笑... 一位留着棕色长发、皮肤白皙的女子对着另一位留着金色长发的女子微笑。留着棕色头发的女子穿着黑色夹克，右脸颊上有一颗几乎难以察觉的小痣。拍摄角度为特写，聚焦在留着棕色头发的女子脸上。光线温暖而自然，可能来自夕阳，给场景披上了一层柔和的光芒。该场景看起来像是真实的镜头画面。	夜晚，一名女子从停在城市街道上的白色吉普车上走开... 夜晚，一名女子从停在城市街道上的白色吉普车上走开，然后走上楼梯并敲门。这名女子穿着深色夹克和牛仔裤，背对着镜头，从停在街道左侧的吉普车上走开；她步伐平稳，手臂在身体两侧微微摆动；街道灯光昏暗，路灯在潮湿的路面上投下一片片光影；一名穿着深色夹克和牛仔裤的男子朝相反的方向走过吉普车；镜头从后面跟随女子走上一组楼梯，朝向一扇绿色门的建筑物；她走到楼梯顶部后向左转，继续朝建筑物走去；她走到门口，用右手敲门；镜头保持静止，聚焦在门口；该场景是真实的镜头画面。	一位梳着金色发髻、穿着黑色亮片连衣裙的女子... 一位梳着金色发髻、穿着黑色亮片连衣裙、戴着珍珠耳环的女子低头看着，脸上露出悲伤的表情。镜头保持静止，聚焦在女子的脸上。光线昏暗，在她脸上投下柔和的阴影。该场景似乎来自电影或电视剧。	镜头扫过一片被雪覆盖的山脉... 镜头扫过一片被雪覆盖的山脉，展现出一片广阔的、白雪皑皑的山峰和山谷。山脉被厚厚的积雪覆盖，有些地方几乎呈白色，而有些地方则略带灰色调。山峰参差不齐，有的陡峭地耸立在天空中，有的则较为圆润。山谷又深又窄，陡峭的山坡也被雪覆盖着。前景中的树木大多光秃秃的，只有少数树枝上还留着几片叶子。天空阴沉沉的，厚厚的云层遮住了太阳。整体给人一种宁静祥和的感觉，被雪覆盖的山脉见证了大自然的力量和美丽。
一位皮肤白皙、穿着蓝色夹克和黑色带面纱帽子的女子... 一位皮肤白皙、穿着蓝色夹克和黑色带面纱帽子的女子低头看向右侧，然后在说话时抬起头来；她梳着棕色发髻，眉毛浅棕色，夹克里面穿着白色领口衬衫；她说话时镜头一直对着她的脸；背景有些模糊，但可以看到树木和穿着古装的人；该场景是真实的镜头画面。	一个男人在光线昏暗的房间里用老式电话交谈... 一个男人在光线昏暗的房间里用老式电话交谈，挂断电话后低头，脸上露出悲伤的表情。他用右手将黑色转盘电话贴在右耳旁，左手拿着一个装有琥珀色液体的岩石杯。他穿着棕色西装外套，里面是白色衬衫，左手无名指上戴着一枚金戒指。他的短发梳理得很整齐，皮肤白皙，眼睛周围有明显的皱纹。镜头保持静止，聚焦在他的脸和上半身。房间很暗，只有左边屏幕外的一个暖光源照亮，在他身后的墙上投下阴影。该场景似乎来自电影。	一名狱警打开牢房的门... 一名狱警打开牢房的门，发现一个年轻人和一名女子坐在桌旁。狱警穿着深蓝色制服，左胸上有一个徽章，他用右手拿着钥匙打开牢房门并拉开；他留着棕色短发，皮肤白皙，表情平淡。年轻人穿着黑白条纹衬衫，坐在铺着白色桌布的桌子旁，面向女子；他留着棕色短发，皮肤白皙，表情平淡。女子穿着深蓝色衬衫，坐在年轻人对面，脸转向他；她留着金色短发，皮肤白皙。镜头保持静止，从适中的距离捕捉场景，位置略在狱警右侧。房间光线昏暗，只有一个灯具照亮桌子和两个人物。墙壁由巨大的灰色混凝土块砌成，背景中可以看到一扇金属门。该场景是真实的镜头画面。	一个脸上有血、穿着白色背心的女人... 一个脸上有血、穿着白色背心的女人低头看向右侧，然后在说话时抬起头来。她的黑发往后梳，皮肤白皙，脸和胸部都沾满了血。拍摄角度为特写，聚焦在女人的脸和上半身。光线昏暗，呈蓝色调，营造出一种忧郁而紧张的氛围。该场景似乎来自电影或电视剧。
一个头发花白、留着胡须、穿着灰色衬衫的男人... 一个头发花白、留着胡须、穿着灰色衬衫的男人低头看向右侧，然后把头转向左侧。拍摄角度为特写，聚焦在男人的脸上。光线昏暗，带有绿色色调。该场景似乎是真实的镜头画面。步骤	一条清澈的蓝绿色河流穿过岩石峡谷... 一条清澈的蓝绿色河流穿过岩石峡谷，从一个小瀑布上倾泻而下，在底部形成一个水池。河流是场景的主要焦点，清澈的河水倒映着周围的树木和岩石。峡谷壁陡峭而多岩石，上面生长着一些植被。树木大多是松树，绿色的针叶与棕色和灰色的岩石形成鲜明对比。整个场景给人一种宁静祥和的感觉。	一个穿着西装的男人走进房间，和两个女人交谈... 一个穿着西装的男人走进房间，和坐在沙发上的两个女人交谈。男人穿着深色西装，系着金色领带，从左边走进房间，朝画面中心走去。他留着灰色短发，皮肤白皙，表情严肃。他走近沙发时，右手放在椅子背上。背景中，两个女人坐在浅色沙发上。左边的女人穿着浅蓝色毛衣，留着金色短发。右边的女人穿着白色毛衣，也留着金色短发。镜头保持静止，聚焦在男人走进房间的画面上。房间光线明亮，温暖的色调从墙壁和家具上反射出来。该场景似乎来自电影或电视剧。	海浪拍打着海岸线参差不齐的岩石... 海浪拍打着海岸线参差不齐的岩石，激起高高的浪花。岩石呈深灰色，边缘锋利，有很深的裂缝。海水是清澈的蓝绿色，海浪拍打岩石的地方泛起白色泡沫。天空是浅灰色的，地平线上点缀着几朵白云。
镜头扫过一座高楼林立的城市景观... 镜头扫过一座高楼林立的城市景观，中间有一座圆形建筑。镜头从左向右移动，展示了建筑物的顶部和中间的圆形建筑。建筑物有各种灰色和白色的色调，圆形建筑的屋顶是绿色的。拍摄角度较高，俯瞰着城市。光线明亮，太阳从左上方照射下来，建筑物投下阴影。该场景是计算机生成的图像。	一个男人走向窗户，向外张望，然后转过身来... 一个男人走向窗户，向外张望，然后转过身来。他留着黑色短发，皮肤黝黑，穿着棕色外套，里面围着红灰色围巾。他从左向右走向窗户，目光盯着外面的某个东西。镜头从后面以适中的距离跟随他。房间光线明亮，白色的墙壁和一扇被白色窗帘遮住的大窗户。当他走近窗户时，他微微向左转头，然后又向右转头。然后他整个身体向右转，面向窗户。他站在窗户前时，镜头保持静止。该场景是真实的镜头画面。	两名穿着深蓝色制服和配套帽子的警察... 两名穿着深蓝色制服和配套帽子的警察从画面左侧的门口走进一个光线昏暗的房间。第一名警察留着棕色短发，有小胡子，先走进来，后面跟着他的搭档，搭档剃着光头，留着山羊胡。两名警察表情严肃，稳步向房间深处走去。镜头保持静止，在他们进来时从略低的角度拍摄。房间的墙壁是裸露的砖墙，天花板是波纹金属板，背景中可以看到一扇带栅栏的窗户。光线较暗，在警察脸上投下阴影，强调了严峻的氛围。该场景似乎来自电影或电视剧。	一个留着棕色短发、穿着栗色无袖上衣的女人... 一个留着棕色短发、穿着栗色无袖上衣和银色项链的女人一边说话一边穿过房间，然后一个留着粉色头发、穿着白色衬衫的女人出现在门口大喊。第一个女人从左向右走，表情严肃；她皮肤白皙，眉毛微微皱起。第二个女人站在门口，张着嘴大喊；她皮肤白皙，眼睛睁得很大。房间光线昏暗，背景中可以看到一个书架。镜头跟着第一个女人走，然后切换到第二个女人脸的特写。该场景是真实的镜头画面。

🚀 快速开始

你可以在此处获取该模型的代码库。在遵循许可证的前提下使用该模型。

✨ 主要特性

• 首个基于DiT的视频生成模型，可实时生成高质量视频。
• 能生成768x512分辨率、24 FPS的视频，速度极快。
• 在大规模多样化视频数据集上训练，可生成具有逼真和多样化内容的高分辨率视频。
• 提供文本到视频以及图像+文本到视频两种用例的模型。

📦 安装指南

代码库在Python 3.10.5、CUDA版本12.2环境下进行了测试，支持PyTorch >= 2.1.2。

git clone https://github.com/Lightricks/LTX-Video.git
cd LTX-Video

# 创建虚拟环境
python -m venv env
source env/bin/activate
python -m pip install -e .\[inference-script\]

然后，从Hugging Face下载模型：

from huggingface_hub import snapshot_download

model_path = 'PATH'   # 保存下载的检查点的本地目录
snapshot_download("Lightricks/LTX-Video", local_dir=model_path, local_dir_use_symlinks=False, repo_type='model')

💻 使用示例

基础用法

文本到视频生成

python inference.py --ckpt_dir 'PATH' --prompt "PROMPT" --height HEIGHT --width WIDTH --num_frames NUM_FRAMES --seed SEED

图像到视频生成

python inference.py --ckpt_dir 'PATH' --prompt "PROMPT" --input_image_path IMAGE_PATH --height HEIGHT --width WIDTH --num_frames NUM_FRAMES --seed SEED

高级用法

使用Diffusers库进行文本到视频生成

import torch
from diffusers import LTXPipeline
from diffusers.utils import export_to_video

pipe = LTXPipeline.from_pretrained("Lightricks/LTX-Video", torch_dtype=torch.bfloat16)
pipe.to("cuda")

prompt = "A woman with long brown hair and light skin smiles at another woman with long blonde hair. The woman with brown hair wears a black jacket and has a small, barely noticeable mole on her right cheek. The camera angle is a close-up, focused on the woman with brown hair's face. The lighting is warm and natural, likely from the setting sun, casting a soft glow on the scene. The scene appears to be real-life footage"
negative_prompt = "worst quality, inconsistent motion, blurry, jittery, distorted"

video = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    width=704,
    height=480,
    num_frames=161,
    num_inference_steps=50,
).frames[0]
export_to_video(video, "output.mp4", fps=24)

使用Diffusers库进行图像到视频生成

import torch
from diffusers import LTXImageToVideoPipeline
from diffusers.utils import export_to_video, load_image

pipe = LTXImageToVideoPipeline.from_pretrained("Lightricks/LTX-Video", torch_dtype=torch.bfloat16)
pipe.to("cuda")

image = load_image(
    "https://huggingface.co/datasets/a-r-r-o-w/tiny-meme-dataset-captioned/resolve/main/images/8.png"
)
prompt = "A young girl stands calmly in the foreground, looking directly at the camera, as a house fire rages in the background. Flames engulf the structure, with smoke billowing into the air. Firefighters in protective gear rush to the scene, a fire truck labeled '38' visible behind them. The girl's neutral expression contrasts sharply with the chaos of the fire, creating a poignant and emotionally charged scene."
negative_prompt = "worst quality, inconsistent motion, blurry, jittery, distorted"

video = pipe(
    image=image,
    prompt=prompt,
    negative_prompt=negative_prompt,
    width=704,
    height=480,
    num_frames=161,
    num_inference_steps=50,
).frames[0]
export_to_video(video, "output.mp4", fps=24)

📚 详细文档

模型详情

使用说明

直接使用

你可以在许可证允许的范围内使用该模型。

一般提示

⚠️ 重要提示

• 模型适用于分辨率能被32整除且帧数能被8 + 1（例如257）整除的情况。如果分辨率或帧数不能被32或8 + 1整除，输入将用 -1 填充，然后裁剪到所需的分辨率和帧数。
• 模型在分辨率低于720 x 1280且帧数少于257时效果最佳。
• 提示词应为英语，越详细越好。一个好的提示词示例如下：The turquoise waves crash against the dark, jagged rocks of the shore, sending white foam spraying into the air. The scene is dominated by the stark contrast between the bright blue water and the dark, almost black rocks. The water is a clear, turquoise color, and the waves are capped with white foam. The rocks are dark and jagged, and they are covered in patches of green moss. The shore is lined with lush green vegetation, including trees and bushes. In the background, there are rolling hills covered in dense forest. The sky is cloudy, and the light is dim.

在线演示

你可以通过以下链接立即访问该模型：

• HF Playground
• Fal.ai文本到视频
• Fal.ai图像到视频

ComfyUI使用方法

若要在ComfyUI中使用我们的模型，请遵循专用ComfyUI仓库中的说明。

局限性

⚠️ 重要提示

• 该模型并非用于提供事实信息，也无法做到这一点。
• 作为一个统计模型，该检查点可能会放大现有的社会偏见。
• 模型可能无法完美生成与提示词匹配的视频。
• 模型对提示词的遵循程度很大程度上受提示风格的影响。

📄 许可证

该模型的使用需遵循此处的许可证。