LTX 2.5 做 AI 说唱 MV 实测：角色一致性好，但动作发糊、口型不同步

Inevitable-Bus-8654 · reddit · 2026-11-08

作者用 LTX 2.5 生成 AI 说唱音乐视频并公开完整工作流求助改进建议。角色、服装和场景的一致性出乎意料地好，但仍有明显「AI 味」：动作发糊、运动中面部细节丢失、手部涂抹、大动作或极端机位下脸部辨识度下降、口型同步不稳定。

其工作流：

用 ChatGPT Images 生成 6 张保持角色一致性的参考图
LTX 2.5 22B dev（BF16）跑在 Runpod B200 上，官方两阶段音频转视频管线，以原曲完整混音作音频条件
约 20 条独立生成片段，每条 7–8 秒；第一阶段 960×544（24 步、CFG 3、STG 0.5），空间超分至 1920×1088；第二阶段用官方蒸馏 LoRA（强度 1）、参考图强度 0.8，24fps
已试过蒸馏生成、原生 48fps、替代卷积 VAE、更干净的参考图等，均未稳定解决动作质量问题；部分片段出现双重曝光，换 seed、简化运镜有缓解

作者提出的开放问题：这是 LTX 2.5 的能力上限还是参数问题？更短镜头/不同引导/其他超分方案能否保住面部细节？做可信的演唱表演该直接音频转视频，还是参考表演视频加角色替换加独立口型同步？MiniMax-H3 值得研究吗？

「多模态」频道最新