LTX2.3-10Erosは、画像から動きや音声つきの動画を作れるI2V向けのモデルです。
前回のSulphur-2-base側のrepoで推奨されていたので、ComfyUIで動かしてみました。
LTX2.3-10Erosとは？
LTX2.3-10Erosは、前回紹介したSulphurAI/Sulphur-2-baseのマージモデルです。
主に画像から動画を作る用途を想定しており、Sulphur-2-baseに依存しているとのこと。
主な特徴
- 通常の単純な重みマージではなく、ステップごとにレイヤー比率を変えたマージ
- LoRA読み込みより挙動が安定し、プロンプトへの追従性が高い
- LTXは自力で補完する力が弱いため、最初のフレーム、動き、展開、音声まで細かく指示する必要がある
- 何も指示しない部分は、基本的に期待通りには出ない
TenStrip/LTX2.3-10Eros · Hugging Face
ライセンス
ベースになっているのはLightricksのLTX-2.3で、ライセンスは「LTX-2 Community License Agreement」です。
このライセンスではモデルやその派生（マージ含む）を条件付きで利用でき、商用利用も認められています。
ただし収益規模の条件や用途の制限（Acceptable Use Policy）があり、LTX2.3-10Erosはそれをベースにしたuncensoredなマージモデルです。
なので生成した動画の扱いについては、使用前にHFのライセンスを確認した方が良さそうです。
ComfyUIのインストール
ComfyUIのインストールがまだの方はこちらを参考にしてみてください。
LTX2.3-10Erosの使い方
モデルの用意
workflowがfp8mixed_learnedでセットされてたのでこっち使います。
記事はv1でやってますが、新しいバージョンでも同じように動かせます。
もう一つのtransformerはVAEとかCLIPを分けて読み込むタイプ？みたいです。
# stabilitymatrix
Data\Models\DiffusionModels
# ComfyUI
ComfyUI\models\checkpointsltx-2.3-22b-distilled-lora-1.1_fro90_ceil72_condsafe.safetensors
ComfyUI\models\lorasltx-2.3-spatial-upscaler-x2-1.1.safetensors · Lightricks/LTX-2.3 at main
ComfyUI\models\latent_upscale_modelsgemma_3_12B_it_fp8_e4m3fn.safetensors
ComfyUI\models\text_encodersworkflow
10Eros_10SNodes_I2V_v3_TiledSampler.json
repoのworkflow作成後にカスタムノードが更新されたのか、LTX Tiled Samplerの値が変わってて、Final Upscale Passの処理が始まりませんでした。
なのでAIに修正してもらったやつを置いておきます。
zipなので解凍して、中のjsonをComfyUIにD&Dしてください。
ComfyUIにD&Dして足りないノードがあればManagerからインストールしてください。
10S-Comfy-nodesは執筆時点で検索から出ないっぽいので、手動インストールが必要です。
cd ComfyUI\custom_nodes
git clone https://github.com/TenStrip/10S-Comfy-nodes.git2026年5月22日追記：
ComfyUIをアップデートするとComfyUI-LTXVideoのノードがエラーになります。
執筆時点ではkorniaのバージョンを0.6.12か0.8.2に変えれば解決できるそうです。
0.8.2は試してなく、0.6.12の方は動作しました。
cd ComfyUI
.\venv\Scripts\python.exe -m pip uninstall -y kornia; .\venv\Scripts\python.exe -m pip install kornia==0.6.12
# 0.8.2
.\venv\Scripts\python.exe -m pip uninstall -y kornia; .\venv\Scripts\python.exe -m pip install kornia==0.8.2Github：https://github.com/Lightricks/ComfyUI-LTXVideo/issues/494
ノードの設定&実行
LTXV Audio VAE Loader
Distilled Lora
Load Checkpoint
LTXV Audio Text Encoder Loader
Load Latent Upscale Model
Load Image
CLIP Text Encode (Prompt)
Length (Frame Count X/24 = Seconds)
動画の長さを変えられます。
Video Width/Height
生成サイズはResize Image/Maskで0.5→LTXVLatentUpsamplerTiledで2倍にして戻る→RTX Video Super Resolutionで1.3倍になってるそうです。
つまり最後はVideo Width/Height×1.3で出力されます。
LTX2 LoRA Loader AdvancedとLTX Tiled Sampler
修正したworkflowは多分大丈夫だと思いますが、repoのworkflowでエラーが出る場合は、同じ名前のノードを置き換えてください。
LTX2 LoRA Loader Advancedは値がそれぞれ決まってるので注意が必要です。
LTX Tiled Samplerも値が変わってるんですが、ここらへんは合ってるのかよく分かってません。
promptの作り方
readmeにgrokやLLMに投げる方法が書いてあるので、それで作ってみます。
README.md · TenStrip/LTX2.3-10Eros at main
Generate a video scene～以下がpromptみたいです。
[ concept ]と[ dialogue ]は自分で入力し、画像と一緒に投げれば作ってくれます。
[ concept ]と[ dialogue ]は何を入力したらいいのか、ChatGPTに聞いたらこう言われました。
concept
- 動画のシチュエーション・方向性・やらせたい動き
- 例：服紹介、振り向く、カメラに近づく、照れながら話す、ダンスする
dialogue
- セリフ、声のトーン、効果音、BGMの方向性
- 例：soft voice, “What do you think?”
- 曲だけなら：upbeat pop music with a cute TikTok vibe
あとは画像を添付して、[ concept ]と[ dialogue ]を変えてgrokに投げると、動画用のPromptを作ってくれます。
結果
処理は約17分でした。
後ろ向いたときの服がちょっと崩れてますが、動きもセリフもちゃんと反映されてるし、わりと良い感じだと思います。
まとめ
サンプルが一個だけなのでSulphurとちゃんとした比較はできませんが、一貫性とか再現性はLTX2.3-10Erosの方が良さそうに感じました。
SNSで2D動画を綺麗に生成してる人もいたので、LTX2.3-10Erosはかなり使い勝手良さそうです。
興味ある方はぜひ試して見てください。
以上LTX2.3-10Erosの使い方を紹介しました。
参考になれば幸いです。
