单张5090做出3分20秒AI音乐视频：ComfyUI混用LTX 2.5与Wan 2.2全流程
keto_brain · reddit · 2026-11-05
一张 RTX 5090 完成 3 分 20 秒 AI 音乐视频
作者为一支公开的 AI 音乐组合制作了第二支 MV《Low Battery》：3 分 20 秒、两个角色、42 个镜头，全部在一块 RTX 5090 上通过 ComfyUI 的 HTTP API 渲染完成，全程没开过视频剪辑软件——由 Claude Code 编写脚本构建工作流图并剪辑成片。
核心技巧：让 LTX 对口型你自己的歌声
LTX 是音频+视频联合模型，直接让它唱会自己生成音频。解决办法是：用 Demucs 分离出人声，经 LTXVAudioVAEEncode 编码后用 SetLatentNoiseMask 给音频 latent 打零噪声掩码（冻结音频），采样器只生成视频流，即完成对口型。全程只用核心节点，无需自定义节点。关键设置：
- LTX 2.5 蒸馏 int8 版（transformer 与 Gemma 文本编码器都 int8），比 2.3 快约一倍，手臂动作更自然
- 1280x704@24fps，帧数 8k+1；音频长度必须与帧数完全一致，否则结尾口型漂移
- VAEDecodeTiled 用 temporalsize 96 / overlap 16，否则 32GB 显存会在解码 15 秒片段时爆掉
- 蒸馏路径 CFG=1，负向提示词无效，全写正向
Wan 2.2 负责非演唱镜头
LTX 只动嘴不动身体；Wan 2.2（14B I2V + Lightning LoRA 0.3，5 步拆 2+3，RIFE x2 补到 24fps）负责走路、坐下、拿东西。经验：121 帧是甜点，更长只会漂回首帧；提示词要写从静态姿势出发的动作序列而非状态；让 Wan 自己完成「进入画面」的动作；输入图预裁剪到输出尺寸；Wan 的输出帧可作为下一个 LTX 演唱镜头的起始静帧交接。
踩坑与成本
- LTX 提示词里的「缓慢推近」会失控变成大特写，相机锁定、后期再动
- 平静的提示词最稳；一行歌词配一个小动作；视频模型不要用 mp4 抽帧做种子图（会把 h264 块动画成方块爬墙），用无损 PNG
- 42 个镜头共 61 次 LTX、33 次 Wan 取舍
总成本：ElevenLabs Starter 做歌（约 8800 积分）+ Claude 订阅 + 约 1 美元电费，所有模型均免费开源。
所属事件:创作者用单张5090全流程制作3分20秒AI音乐视频(2 条相关)→
「编程与Agent」频道最新
- 按信任边界给 AI Agent 分级:用户愿意免检的输出才是真价值 — Few-Garlic2725 · 2026-11-05
- vsta8 给网站开发 Skill 新增规则:为 Agent 预留可执行提示词模块 — vista8 · 2026-11-05
- Agent 代购翻车案例:虚拟卡层层套娃引支付设计之争 — Danhightower · 2026-11-05
- 别把 Claude 会话打包扔 S3:团队需统一的 Agent 对话源 — shensi · 2026-11-05
- CMU 推出 ServerBench:编码 Agent 设计的推理系统达 vLLM 4.87 倍性价比 — omarsar0 · 2026-11-05
- 网友用 Claude 给 Win10/11 无驱动的老摄像头写驱动，直接能用 — Yamapama · 2026-11-05