LTX-Video in locale: test su RTX 4090, licenza e confronto
LTX-Video 13B distilled è il modello video aperto più rapido che ho testato sulla mia RTX 4090: genera 5 secondi di video in soli 18-37 secondi. Ecco le misurazioni reali, la guida passo passo in ComfyUI e le differenze con la nuova famiglia LTX-2.
👁 117 letture
LTX-Video 13B distilled di Lightricks è il modello aperto di generazione video più veloce che ho testato sulla mia GPU: un filmato di 5 secondi a 768×512 richiede solo 18 secondi su una RTX 4090, mentre a 1216×704 impiega 37 secondi, occupando circa 16 GB di VRAM. Puoi usarlo gratis anche per scopi commerciali se la tua azienda fattura meno di 10 milioni di USD all’anno. Trovi una panoramica completa degli altri strumenti nel mio articolo sull’AI locale per testo, immagini e video.
Situazione al 17 ottobre 2026
- Modello analizzato: LTX-Video 13B 0.9.8 distilled (rilasciato il 16 luglio 2025), 8 passaggi, senza traccia audio. File fp8: 15,7 GB di checkpoint e 5,2 GB per il text encoder T5 (20,9 GB complessivi).
- Prestazioni su RTX 4090 (ComfyUI 0.41): clip da 5 secondi a 768×512 in 18-20 s, a 1216×704 in 37 s; la prima esecuzione con caricamento da SSD via USB impiega 63 s. Picco di VRAM tra 15,3 e 16,4 GB totali sulla scheda.
- Licenza LTXV Open Weights: uso commerciale subordinato a un fatturato aziendale annuo inferiore a 10 milioni di USD, valida nell’Unione Europea, con l’obbligo esplicito di segnalare i contenuti generati automaticamente.
- I modelli LTX-2, 2.3 e 2.5 (2026) includono l’audio nativo ma richiedono checkpoint decisamente più pesanti (19-22 GB solo per il modello di base, a cui sommare l’encoder Gemma).
- the tool: provato il flusso dedicato a LTX-Video, una sequenza di 2 secondi è stata creata in 58 secondi comprensivi di caricamento.
LTX Video, LTX-2 e LTX Desktop: differenze strutturali
Lightricks, software house nota per Facetune e LTX Studio, ha introdotto due generazioni distinte di modelli a pesi aperti e un software dedicato. La nomenclatura simile crea spesso confusione, ma i requisiti hardware sono molto diversi.
| Modello | Parametri | Audio | Dimensione minima |
|---|---|---|---|
| LTX-Video 0.9.8 2B distilled | 2 miliardi | No | 4,5 GB (fp8) |
| LTX-Video 0.9.8 13B distilled | 13 miliardi | No | 15,7 GB (fp8) |
| LTX-2 (gennaio 2026) | 19 miliardi | Sì | 20,0 GB (fp4) |
| LTX-2.3 (marzo 2026) | 22 miliardi | Sì | 21,7 GB (nvfp4) |
| LTX-2.5 (agosto 2026) | 22 miliardi | Sì | 18,7 GB (nvfp4) |
I valori nella tabella riflettono i singoli file presenti sui repository ufficiali di Hugging Face (dati verificati il 17 ottobre 2026). Per eseguire LTX-Video serve anche l’encoder T5 (5,2 GB in formato fp8). Con LTX-2 e LTX-2.3 occorre invece il text encoder Gemma 3 12B (il pacchetto Comfy-Org pesa 9,45 GB), mentre per LTX-2.5 serve Gemma 4 12B (15,4 GB in int8, vedi anche il test di Gemma 4 in locale). Il formato NVFP4 è ottimizzato per le schede serie RTX 50. Inoltre, LTX-2.5 richiede obbligatoriamente un account Hugging Face approvato prima dello scaricamento.
La sigla LTX-2 indica generalmente la nuova famiglia con supporto sonoro. Funziona in locale e ComfyUI 0.41 include già i template pronti per LTX-2, 2.3 e 2.5. Trattandosi di download da svariate decine di gigabyte l’uno, per i miei benchmark cronometrati ho preferito concentrarmi sulla versione LTX-Video 13B.
LTX Desktop
LTX Desktop è un’applicazione open source distribuita da Lightricks (licenza Apache 2.0, versione 1.3.0 pubblicata il 9 ottobre 2026) studiata per l’elaborazione su Windows, Linux e Mac Apple Silicon. Consente di creare filmati a partire da testo, immagini o tracce audio, con opzioni di modifica e montaggio. Stando alle note tecniche:
- In locale avvia in modo predefinito LTX 2.5 Fast (oppure LTX 2.3 Fast), riservando LTX 2.5 Pro al cloud commerciale a pagamento.
- Su Windows è richiesta una scheda grafica Nvidia con almeno 15 GiB di VRAM, 16 GB di memoria di sistema (raccomandati 32 GB) e circa 72 GB di spazio su disco per il pacchetto base di LTX 2.5 Fast.
- I pesi del ramo 2.5 impongono l’accesso a Hugging Face; di base il testo viene elaborato via cloud tramite una chiave API LTX gratuita, ma si può attivare l’encoder locale nelle opzioni.
Ho installato sul sistema la versione 1.0.5 di LTX Desktop, ma per questo benchmark non l’ho utilizzata per evitare il download di 72 GB di file. Se possiedi una GPU da 16-24 GB e desideri un’interfaccia a finestre per video e audio, rappresenta una scelta lineare; per LTX-Video 13B è invece sufficiente ComfyUI o the tool.
Le mie misurazioni con LTX Video local su RTX 4090
I test sono stati condotti sulla mia postazione fissa: processore Intel Core i9-14900KF, 64 GB di RAM, Nvidia RTX 4090 da 24 GB, Windows 11 e ComfyUI 0.41.0, caricando i modelli da un’unità SSD esterna USB. Il file di riferimento è ltxv-13b-0.9.8-distilled-fp8 con encoder t5xxl fp8. I parametri impostati sono quelli standard del modello distillato: 8 step, CFG fisso a 1, campionatore euler, 24 frame al secondo e decodifica VAE a tessere (tiled). Ho misurato il tempo dall’invio del comando al salvataggio definitivo del file MP4; il valore di VRAM rappresenta l’uso massimo dell’intera scheda monitorato tramite nvidia-smi a intervalli di 0,5 secondi (comprensivo di circa 1,7 GB allocati dal sistema operativo).
| Scena di test (5 s, 121 frame) | Risoluzione | Tempo | VRAM |
|---|---|---|---|
| Tram sotto la pioggia (primo avvio da disco) | 768×512 | 63,2 s | 15,6 GB |
| Tram sotto la pioggia (modello in memoria) | 768×512 | 18,0 s | 15,5 GB |
| Cicogna sul nido | 768×512 | 20,2 s | 15,3 GB |
| Cicogna sul nido | 1216×704 | 37,1 s | 16,4 GB |
| Tram sotto la pioggia | 1216×704 | 36,5 s | 16,4 GB |
Analizzando i log di ComfyUI, il ciclo di campionamento effettivo (gli 8 passaggi) dura solo 8 secondi a 768×512 e circa 22 secondi a 1216×704. La frazione rimanente serve alla codifica del prompt e alla decodifica VAE finale. Ho avviato ComfyUI impostando il flag --disable-smart-memory. Nei test di inizio ottobre, Wan 2.2 5B (20 passi) impiegava circa 4 minuti per una sequenza a 1280×704: LTX-Video risulta quindi circa 6 volte più rapido nel calcolo dei fotogrammi. Per chi vuole confrontare l’efficienza dei pesi compressi, rimando alla mia analisi su GGUF e quantizzazione.
Analisi visiva delle clip senza ritocchi
Nel filmato del tram sotto il temporale il risultato visivo convince: il lastricato bagnato riflette l’illuminazione dei lampioni, i pedoni camminano reggendo ombrelli e la telecamera esegue una carrellata fluida seguendo il mezzo che si allontana lungo la via. I caratteri alfanumerici sul tabellone luminoso del tram appaiono tuttavia deformati e privi di senso, un difetto comune a quasi tutti i modelli video attuali.
Il test con la cicogna evidenzia invece le criticità della distillazione a 8 passaggi. Il prompt richiedeva un atterraggio nel nido, ma LTX-Video ha inserito il volatile fermo sul posto fin dal frame iniziale, facendogli solo sbattere le ali. La chiesa richiesta sullo sfondo non è stata generata e nell’angolo in basso a sinistra è comparsa una stringa confusa simile a un watermark semi-trasparente. A 768×512 si nota inoltre un elemento sfocato che attraversa rapidamente il bordo inferiore dello schermo. Il modello è utile per bozze veloci o per impostare la regia di una scena, ma necessita di vari tentativi per azioni fisiche complesse.
La configurazione manuale in ComfyUI
Se utilizzi già ComfyUI, puoi impostare manualmente il flusso di lavoro seguendo questa procedura:
- Scarica o aggiorna la tua istanza di ComfyUI. Su Windows è preferibile avviare il processo con la variabile d’ambiente impostata su
PYTHONUTF8=1. - Dal repository di Lightricks/LTX-Video su Hugging Face preleva il file
ltxv-13b-0.9.8-distilled-fp8.safetensors(15,7 GB) e posizionalo nella cartellaComfyUI/models/checkpoints. Su schede con 8-12 GB di memoria è preferibile scaricareltxv-2b-0.9.8-distilled-fp8.safetensors(4,5 GB). - Dal repository
comfyanonymous/flux_text_encodersscarica il filet5xxl_fp8_e4m3fn_scaled.safetensors(5,2 GB) inserendolo inComfyUI/models/text_encoders. Il VAE è integrato nel checkpoint principale. - Nell’interfaccia apri Workflow, seleziona Browse Templates e carica “LTXV Text to Video”. Questo flusso predefinito è configurato per il vecchio 2B: cambia il blocco Load Checkpoint indicando il modello 13B distilled e nel nodo Load CLIP imposta t5xxl fp8 indicando la tipologia
ltxv. - La variante distilled richiede 8 iterazioni e un CFG impostato a 1: rimuovi il nodo LTXVScheduler e collega al modulo SamplerCustom il nodo ManualSigmas con la seguente sequenza di valori:
1.0, 0.9937, 0.9875, 0.9812, 0.975, 0.9094, 0.725, 0.4219, 0.0. - Imposta larghezza e altezza con dimensioni multiple di 32 e il numero complessivo di fotogrammi secondo la formula 8n+1 (121 fotogrammi equivalgono esattamente a 5 secondi a 24 fps). Lo sviluppatore consiglia di non superare 1280×720 e un massimo di 256 frame consecutivi.
- Scrivi prompt molto dettagliati in lingua inglese: specifica la posizione dei soggetti, l’illuminazione, il movimento di macchina e lo sfondo. Le istruzioni brevi degradano la qualità visiva.
- In caso di errori per esaurimento memoria durante il rendering, sostituisci il nodo VAE Decode standard con la variante VAE Decode (Tiled).
Metodo alternativo: the tool
LTX-Video 13B distilled è integrato anche nel catalogo di the tool, un software gratuito per Windows rivolto alla gestione in locale di immagini, musica e video basato sul motore portatile di ComfyUI. Nel catalogo sono previsti due profili: 13B fp8 (20,9 GB con l’encoder T5) e 2B fp8 (9,6 GB complessivi) destinato a GPU meno capienti.
- Scarica il setup (14 MB) dalla pagina di the tool. Non essendo provvisto di firma digitale, Windows SmartScreen mostrerà un avviso: seleziona “Ulteriori informazioni” e poi “Esegui comunque”.
- Il sistema rileva l’acceleratore grafico Nvidia CUDA (minimo 8 GB di VRAM, consigliati 12 GB o più) e calcola se il modello è compatibile con la memoria disponibile.
- Seleziona LTX-Video 13B distilled e la quantizzazione scelta: l’applicazione recupera i dati da Hugging Face verificando l’integrità tramite hash sha256.
- Inserisci il prompt in inglese, imposta durata in secondi e risoluzione, quindi avvia la generazione.
In una prova cronometrata il 17 ottobre 2026 con the tool su RTX 4090, una clip di 2 secondi a 768×512 è stata completata in 58 secondi incluso il tempo di caricamento del modello.
Licenza d’uso e vincoli commerciali
A partire dalla release 0.9.6, LTX-Video adotta la licenza LTXV Open Weights. Verificando le clausole pubblicate:
- È concesso l’utilizzo, la modifica e la ridistribuzione dei pesi per finalità personali e commerciali, nel rispetto dei casi d’uso vietati elencati nell’Allegato A.
- Le realtà imprenditoriali con un fatturato lordo annuo pari o superiore a 10 milioni di USD devono sottoscrivere un accordo commerciale dedicato a pagamento, pena l’applicazione di tariffe raddoppiate.
- Sussiste l’obbligo vincolante di dichiarare pubblicamente che i video generati sono stati prodotti mediante sistemi di intelligenza artificiale.
- Non sono previste clausole di esclusione territoriale, rendendo la licenza valida in Italia e in tutta l’Unione Europea.
Le versioni LTX-2 e LTX-2.3 impiegano la LTX-2 Community License (del 5 gennaio 2026), mentre LTX-2.5 fa capo alla LTX-2.x Community License (dell’11 agosto 2026). La soglia di 10 milioni di dollari resta invariata, ma la licenza 2.x autorizza le grandi aziende a testare i pesi internamente per scopi non commerciali senza costi. Modelli concorrenti come Wan 2.2 (sotto licenza Apache 2.0) e Kandinsky 6 (licenza MIT) non prevedono tetti sul fatturato. Per un approfondimento su costi e licenze in contesti aziendali consulta il confronto tra modello AI locale o API.
Confronto con Wan 2.2 e Kandinsky 6
Nella scelta del motore video in locale per la propria workstation occorre considerare licenze e tempi:
- LTX-Video 13B distilled: ideale se devi generare molte bozze ed esigere tempi di calcolo nell’ordine dei secondi. Nel mio test ha battuto Wan 2.2 5B di circa 6 volte in velocità pura, pur mostrando una minore fedeltà nella dinamica fisica delle scene. Richiede l’indicazione dei contenuti sintetici e rispetta il limite dei 10 milioni di ricavi.
- Wan 2.2 5B: preferibile se cerchi inquadrature stabili, ottimo rendering atmosferico e una licenza Apache 2.0 completamente priva di restrizioni sul fatturato. Di contro richiede tempi più lunghi: nel test con the tool una sequenza di 2 secondi a 1280×704 ha impiegato 105 secondi.
- Kandinsky 6 Lite: la scelta primaria se ti serve una clip dotata di traccia audio nativa con licenza permissiva (MIT). Impiega circa 2 minuti per 5 secondi di video a 864×480. La variante Pro lavora in int8 ma richiede circa 6-7 minuti per filmato e satura 21 GB di VRAM oltre a 29 GB di memoria RAM di sistema.
Domande frequenti
Qual è la differenza principale tra LTX-Video e LTX-2?
LTX-Video (versioni 0.9.x con tagli da 2B e 13B) genera esclusivamente video senza traccia audio impiegando l’encoder testuale T5. LTX-2, LTX-2.3 e LTX-2.5 sono architetture del 2026 (fino a 22 miliardi di parametri) che producono simultaneamente video e audio coordinato, affidandosi a text encoder della famiglia Gemma. I requisiti di archiviazione per LTX-2 superano i 40-50 GB.
Quanta memoria VRAM serve per avviare LTX-Video in locale?
Il modello 13B in fp8 ha richiesto nei miei test un picco reale compreso tra 15,3 e 16,4 GB sull’intera scheda a risoluzioni tra 768×512 e 1216×704. Una scheda video con 16 GB lavora al limite, mentre su GPU da 8 o 12 GB è consigliabile ripiegare sul checkpoint 2B fp8, che occupa solo 4,5 GB di spazio su disco.
È possibile eseguire LTX-2 sul proprio computer?
Sì, i pesi di LTX-2, 2.3 e 2.5 sono liberamente accessibili su Hugging Face e supportati da template ufficiali in ComfyUI 0.41, oltre all’applicazione LTX Desktop. L’ambiente richiede una GPU Nvidia con almeno 15 GiB di VRAM e circa 72 GB di spazio disco libero per accogliere i vari file del modello.
LTX-Video comprende comandi testuali in lingua italiana?
La comprensione è molto limitata poiché il modello linguistico T5 è stato addestrato in prevalenza su dataset descrittivi in lingua inglese. Per ottenere buoni risultati occorre formulare il prompt in inglese, descrivendo l’aspetto visivo di monumenti o elementi tipici anziché affidarsi ai loro nomi propri, che verrebbero ignorati.
Qual è la durata massima di una clip creata con LTX-Video?
Nelle mie prove ho generato sequenze di 5 secondi (pari a 121 frame a 24 fps), che rappresentano la durata ottimale per stabilità visiva. La documentazione di Lightricks indica una modalità estesa fino a 60 secondi per il modello 13B 0.9.8, ma tale funzione fa affidamento su nodi personalizzati aggiuntivi in ComfyUI.
Fonti e data di verifica
- Lightricks/LTX-Video su Hugging Face (scheda tecnica, versioni e dimensioni dei checkpoint).
- Testo della LTXV Open Weights License.
- Repository GitHub di Lightricks/LTX-Video (storico dei rilasci, versione 0.9.8 del 16 luglio 2025).
- Lightricks/LTX-2.5 su Hugging Face e Repository LTX-2 su GitHub (termini della licenza LTX-2.x Community).
- LTX Desktop su GitHub (requisiti hardware ufficiali e release 1.3.0 del 9 ottobre 2026).
- Comfy-Org/ltx-2 (integrazione dell’encoder Gemma 3 12B in ComfyUI).
- Misurazioni strumentali su Nvidia RTX 4090, 17 ottobre 2026 (ComfyUI 0.41.0, telemetria VRAM via nvidia-smi a intervalli di 0,5 secondi).
Verificato il 17 ottobre 2026.
More on this from NITIDO
strumenti ia·GPT-6.1 Terra, Sol e Luna: le differenze e il mio test in italianoHo messo GPT-6.1 Terra e GPT-6.1 Sol sulle stesse 12 prove in italiano: un punto di differenza e il 44% di costo in meno per Terra.