LTX 2.5 视频模型实测：无法按指定台词生成语音
Lost_Lab_739 · reddit · 2026-08-14
作者测试了 LTX 2.5 模型试图生成带有特定台词的视频，但发现模型只能生成背景音乐或类似人类发声的胡言乱语，无法准确说出指定的文本。深入代码检查发现，音频和视频均由同一个文本提示词生成，缺乏输入特定脚本或转录文本的接口。
在排错过程中，作者发现了两个关键问题：
- 缺少关键节点：ComfyUI 提供的官方模板中缺失了 LTXVModalityGuidance 节点，该节点负责将音频与视频关联并处理唇形同步。未添加该节点会导致生成的视频只有音乐而无人声。
- 提示词增强器存在 Bug：内置的提示词增强器（Prompt enhancer）在运行时会静默丢弃用户的原始提示词，并在某些环境下输出乱码（可能是由于 fp16 精度溢出导致），导致模型接收到无效输入。
所属事件:LTX 2.5实测：速度快门槛低，动作与台词仍受限(11 条相关)→
「多模态」频道最新
- Midjourney 拟真晨光人像 prompt 分享：皱巴睡衣+自然皮肤质感 — tisch_eins · 2026-10-16
- Higgsfield 开源跳票后,ComfyUI 悬赏 2.5 万美元征集开源重建 — PurzBeats · 2026-10-16
- 从1986老照片到2026：一张图的扩图、现代化改图与4倍放大全流程 — juanpablogc · 2026-10-16
- 美团 LongCat 发布 WorldCast 基准：320 案例考多步世界状态预测 — meituan-longcat · 2026-10-16
- 三份资源速通 FLUX 3 图像生成模型 — ariG23498 · 2026-10-16
- 网友让 Opus 5.5 造一辆新特斯拉 Roadster,结果出人意料 — TAbrodi · 2026-10-16