LTX Video local: modelo abierto en tu GPU con mediciones

👁 119 lecturas

Ejecutar LTX Video local en tu propio ordenador es la vía más rápida para crear clips sin pagar APIs en la nube. Con LTX-Video 13B distilled de Lightricks he obtenido clips de 5 segundos a 768×512 en solo 18 segundos en mi RTX 4090, usando unos 16 GB de VRAM. Si buscas una visión global de qué herramientas funcionan sin conexión, puedes consultar mi guía del hub de IA local con modelos de texto, imagen y vídeo.

LTX-Video frente a LTX-2 y LTX Desktop

Lightricks cuenta con dos familias de modelos abiertos y una aplicación de escritorio. Sus nombres inducen a error, pero sus exigencias de hardware difieren sustancialmente.

Al modelo LTX-Video hay que sumarle el codificador T5 (5,2 GB en fp8). Para LTX-2 y 2.3 se requiere el codificador Gemma 3 12B (el más compacto en el paquete de Comfy-Org ocupa 9,45 GB), mientras que LTX-2.5 recurre a Gemma 4 12B (15,4 GB en int8). El formato NVFP4 está pensado para tarjetas de la serie RTX 50. Además, LTX-2.5 es el único que exige iniciar sesión en Hugging Face y aceptar condiciones antes de descargarlo.

La búsqueda habitual de LTX-2 suele apuntar a esta generación con sonido. ComfyUI 0.41 integra plantillas listas para LTX-2, 2.3 y 2.5. Dado que demandan decenas de gigabytes adicionales, en mi banco de pruebas he medido en detalle la variante LTX-Video 13B. Puedes ver cómo encaja la cuantización de estos pesos en mi artículo sobre GGUF y cuantización Q4_K_M frente a Q8_0.

LTX Desktop

LTX Desktop es una aplicación de código abierto de Lightricks (licencia Apache 2.0, versión 1.3.0 del 9 de octubre de 2026) orientada a generar vídeo con la familia LTX-2.x en Windows, Linux y macOS con Apple Silicon. Permite generar a partir de texto, imagen y sonido, con funciones de edición y montaje básico. Su documentación técnica estipula:

• En local ejecuta por defecto LTX 2.5 Fast, permite seleccionar LTX 2.3 Fast, y reserva LTX 2.5 Pro para su nube de pago.
• En Windows exige una tarjeta Nvidia con al menos 15 GiB de VRAM, 16 GB de RAM (32 GB recomendados) y unos 72 GB de espacio libre en disco para el conjunto base de LTX 2.5 Fast.
• Los pesos de 2.5 requieren cuenta en Hugging Face; el texto se codifica por defecto en la nube mediante una clave API gratuita de LTX, aunque puede activarse el codificador local en ajustes.

Tengo instalada la versión 1.0.5 de LTX Desktop sin los modelos descargados, ya que implica bajar unos 72 GB. Para trabajar con LTX-Video 13B basta con ComfyUI.

Mediciones reales en RTX 4090 con LTX-Video

He ejecutado los bancos de pruebas en mi equipo principal: tarjeta RTX 4090 de 24 GB, procesador i9-14900KF, 64 GB de RAM, Windows 11 y ComfyUI 0.41.0, manteniendo los modelos almacenados en una unidad SSD externa por USB. He cargado el archivo ltxv-13b-0.9.8-distilled-fp8 junto al codificador de texto t5xxl fp8. La configuración utiliza 8 pasos con el calendario de sigmas integrado en el modelo, CFG en 1, muestreador Euler, 24 fps y decodificación VAE por teselas (tiled). Monitoricé la memoria gráfica mediante nvidia-smi cada 0,5 segundos.

El muestreador puro de 8 pasos tardó 8 segundos en 768×512 y 22 segundos en 1216×704. El tiempo restante corresponde al codificador de texto y a la decodificación del VAE, sumado a la lectura inicial de los 20,9 GB de archivos desde el disco externo USB. Ejecuté ComfyUI con el parámetro --disable-smart-memory, partiendo de unos 1,7 GB de memoria ocupados por el sistema operativo antes de arrancar.

Análisis visual de los clips sin retoque

La escena del tranvía bajo la lluvia arrojó un resultado coherente: adoquines mojados con reflejos de farolas, peatones con paraguas y un desplazamiento suave de cámara siguiendo el vehículo. La tablilla de destino mostraba caracteres ininteligibles, algo común en estos modelos.

La prueba de la cigüeña evidenció las limitaciones de comprensión del movimiento: la instrucción pedía que aterrizara en el nido, pero el modelo situó al animal estático en él desde el primer fotograma aleteando sin desplazarse. Omitió la iglesia de fondo y generó un texto borroso en la esquina inferior izquierda similar a una marca de agua. En 768×512 apareció además una masa desenfocada en el borde inferior. Sirve como boceto rápido de encuadre, pero requiere iterar si buscas una acción compleja.

Configuración paso a paso de LTX-Video en ComfyUI

Para montar el entorno de forma manual en tu instalación de ComfyUI:

1. Instala o actualiza ComfyUI. En Windows es indispensable iniciar el entorno asegurando la variable PYTHONUTF8=1.
2. Descarga desde el repositorio Lightricks/LTX-Video en Hugging Face el archivo ltxv-13b-0.9.8-distilled-fp8.safetensors (15,7 GB) y colócalo en ComfyUI/models/checkpoints. Si tu GPU dispone de 8 a 12 GB de VRAM, descarga en su lugar ltxv-2b-0.9.8-distilled-fp8.safetensors (4,5 GB).
3. Desde el repositorio comfyanonymous/flux_text_encoders, descarga t5xxl_fp8_e4m3fn_scaled.safetensors (5,2 GB) y guárdalo dentro de ComfyUI/models/text_encoders. El VAE viene integrado en el propio archivo del modelo.
4. Abre el menú de plantillas en ComfyUI y carga «LTXV Text to Video». Como está armada originalmente para la versión 2B 0.9 antigua, selecciona en el nodo Load Checkpoint el archivo 13B distilled y en Load CLIP el archivo t5xxl fp8 indicando tipo ltxv.
5. La versión distilled requiere exactamente 8 pasos y CFG 1: sustituye el nodo LTXVScheduler y enlaza a SamplerCustom un nodo ManualSigmas con los valores exactos:

   1.0, 0.9937, 0.9875, 0.9812, 0.975, 0.9094, 0.725, 0.4219, 0.0

   y fija el valor CFG en 1.

6. Configura el ancho y alto en múltiplos de 32, y la cantidad de fotogramas según la regla 8n+1 (121 fotogramas equivalen a 5 segundos a 24 fps). Lightricks aconseja resoluciones no superiores a 1280×720 y menos de 257 fotogramas.
7. Escribe descripciones densas en inglés detallando sujeto, acción, luz y movimiento de cámara. Con instrucciones cortas la coherencia se degrada notablemente.
8. Si experimentas errores de memoria gráfica al procesar el tramo final, cambia el nodo VAE Decode por VAE Decode (Tiled).

Licencias: condiciones de uso comercial

Desde la versión 0.9.6, LTX-Video opera bajo la licencia LTXV Open Weights. Sus términos vigentes establecen:

• Autoriza uso, modificación y distribución para cualquier fin, incluyendo actividades comerciales, sujeto a la lista de exclusiones de su Anexo A.
• Las compañías con ingresos anuales brutos a partir de 10 millones de dólares deben adquirir una licencia comercial específica; operar sin ella acarrea penalizaciones del doble de la tarifa.
• Es obligatorio identificar de manera explícita los contenidos generados como producciones sintéticas realizadas por máquina.
• No excluye a países de la Unión Europea, por lo que aplica con plena validez legal en España.

Por su parte, LTX-2 y 2.3 emplean la LTX-2 Community License (del 5 de enero de 2026), mientras que LTX-2.5 adopta la LTX-2.x Community License (del 11 de agosto de 2026). Ambas sostienen el mismo umbral de facturación de 10 millones de dólares anuales. Frente a esto, Wan 2.2 bajo Apache 2.0 y Kandinsky 6 bajo MIT carecen por completo de límites de facturación.

Comparativa frente a Wan 2.2 y Kandinsky 6

A la hora de estructurar un flujo de producción local en GPU doméstica, cada alternativa cubre un caso concreto. Para la gestión de modelos de lenguaje complementarios, puedes revisar la comparativa de Ollama frente a LM Studio.

• LTX-Video 13B distilled: Es la opción más rápida para previsualizaciones y montaje dinámico. En mis mediciones fue aproximadamente 6 veces más veloz que Wan 2.2 5B, aunque tiene tendencia a simplificar trayectorias complejas o mutar objetos en tomas largas.
• Wan 2.2 5B: Licencia Apache 2.0 sin restricciones de ingresos. Tarda unos 4 minutos por clip de 5 s en 1280×704 (20 pasos), pero mantiene una estética cinematográfica más estable en escenas estáticas.
• Kandinsky 6: Licencia MIT con generación de vídeo y audio simultáneo (diálogos y efectos). La versión Lite procesa 5 segundos en unos 2 minutos, mientras que la Pro en int8 necesita entre 6 y 7 minutos y demanda 64 GB de memoria RAM del sistema.

Otros desarrollos como HunyuanVideo 1.5 o MiniMax H3 excluyen explícitamente a la Unión Europea en sus licencias de pesos abiertos, por lo que LTX-Video, Wan 2.2 y Kandinsky 6 permanecen como las principales opciones viables sin riesgo de infracción territorial.

Preguntas frecuentes

Fuentes y verificación

• Repositorio Lightricks/LTX-Video en Hugging Face (fichas técnicas y pesos 0.9.8).
• Términos de la licencia LTXV Open Weights License.
• Repositorio Lightricks/LTX-Video en GitHub (código fuente y notas de versión).
• Repositorio Lightricks/LTX-2.5 en Hugging Face y acuerdos de uso comunitario LTX-2.x.
• Repositorio LTX Desktop en GitHub (requisitos y lanzamiento de la versión 1.3.0).
• Repositorio Wan-AI/Wan2.2-TI2V-5B en Hugging Face (licencia Apache 2.0).
• Repositorio Kandinsky 6.0 Lite en Hugging Face (licencia MIT).
• Mediciones del autor en RTX 4090 de 24 GB, Windows 11 y ComfyUI 0.41.0 (lecturas con nvidia-smi cada 0,5 s).

Comprobado el 17 de octubre de 2026.

// sigue leyendoStrands Decider 2B de AWS: modelo de decisión abierto a pruebaHerramientas de IAMejores modelos abiertos para generar imagenes 2026BenchmarksXiaomi MiMo-V2.6: el modelo abierto más potente - precio y testBenchmarks