LTX 2.3数字人工作流：文/图生口播、自动帧数与35秒建议

作者：@AIwood爱屋研究室

LTX 2.3数字人工作流：文/图生口播、自动帧数与35秒建议

一句话导读：这套 LTX 2.3 数字人工作流把角色场景图、录制音频和文生/图生两种数字人模式串起来，适合制作唱歌或口播视频；作者同时给出单段不超过 35 秒的稳定性边界和 5090D 上的实测耗时。

核心内容：
1. 使用场景：作者说明整段视频中的本人出镜都由数字人生成，原因是场地受限，也不想反复布置灯光与相机。LTX 2.3 在复杂动态和角色稳定性上仍有局限，但用于唱歌、口播这类数字人场景时效果相对稳定。
2. 角色图准备：第一步先生成对应场景中的人物形象。作者常用 GPT Image 2 或 Nano Banana Pro，上传一张本人照片，再描述场景和光影，希望利用这类图像模型的角色一致性与写实表现得到起始图。
3. 音频获取：口播音频可以直接使用剪映的录音功能录制并导出。工作流会根据音频长度自动计算总帧数，不需要手工换算生成时长。
4. 两种生成模式：LTX 2.3 数字人工作流支持文生数字人和图生数字人，通过一个开关切换；作者演示中 False 状态对应图生数字人模式，随后设置分辨率并上传音频即可运行。
5. 时长边界：受 LTX 模型稳定性影响，作者建议单段数字人视频不要超过 35 秒，否则可能出现画质劣化或画面崩坏。较长口播更适合拆成多个短段，再在后期组合。
6. 性能实测：作者展示的口播片段约 25 秒，在 RTX 5090D 上总运行时间约 350 秒，其中包含超分节点的计算时间。实际耗时会随显卡配置、音频长度、分辨率和后处理节点变化。
7. 工作流定位：这并不是刚出现的新技术，而是作者数月前已经发布并长期放在 RunningHub 上的 LTX 2.3 数字人方案。本期重点是回应观众对直播场景数字人制作方式的提问，并重新梳理完整操作路径。

适合人群：想用照片和录音制作数字人口播、唱歌或虚拟出镜内容，并希望在 RunningHub 或本地 ComfyUI 中复用 LTX 2.3 工作流的用户。

相关工作流：
【LTX 2.3 数字人 RunningHub 工作流：https://www.runninghub.cn/post/2 ... iteCode=kol01-rh149】

补充说明：本文根据授权视频约 3 分 10 秒的完整音频转写整理，并结合视频简介和默认首屏 3 条评论核对模型名、工作流入口与参数建议；简介和首屏评论未发现夸克网盘链接。建议观看原视频确认开关位置、分辨率设置和生成效果。