LTX-2.5 能生成 41 秒，但那 41 秒剪不动

LTX-2.5 是 Lightricks 2026-08-11 开源的视频生成模型，一次前向同时出画面和立体声，开源当天 ComfyUI 就给了原生支持。它比上一代多出来的招牌能力叫 multishot：一次生成出好几个用硬切连起来的镜头，跨切保持人物、环境、灯光和声音。

我在 AutoDL 租的 RTX PRO 6000（96 GB 显存）上，从装机跑到出片。这篇只讲其中一件事：它到底能做多长。

两句话的结论。LTX 自己卖的托管 API 最长给 20 秒，它开源出来的权重，在自己的卡上跑到了 41 秒。但那 41 秒是一个长镜头，多镜头只在 15 秒以内成立。

---

先把这篇的边界划清楚

全部是官方模板参数，一个没调。没上 dev 权重、没装 SageAttention、没换采样器、没动步数和 CFG。所以这篇只谈时长和剪辑，不谈画质高低——画质要比，得两边都往上调一档再说，那是另一篇。

唯一一处偏离默认：官方模板自带的提示词改写器我关掉了。它默认开着，会把你写的东西重写一遍（第六节第二条有它的坑）。要测 multishot 是模型的能力还是改写器的功劳，就得关掉它。

下面所有片子都是同一台机器、同一个 ComfyUI 0.32.0。

---

一、按官方那套写法，它是真的能剪

官方的多镜头规范在 docs.ltx.io 的 prompting guide 里。注意 docs.ltx.video 那个域名对外 403，同一份文档，只有前一个能打开。

规范要求每个切口做四件事：点名那个切（A hard cut transitions to…、The view cuts to…、A match cut connects…）、重新确立这一镜的景别机位和谁在画面里、重复同一批可视标识做身份重锚、写明声音跨切延续，比如 the synth score continues across the cut。外加两条：一次 2 到 4 镜；以及 Avoid conflicting geography，别在一条提示词里描述互相冲突的空间。

只罗列 A medium shot… A close-up… A wide shot… 是一定不会切的。官方写明这属于 shot list，除非你同时在散文里描述那个切。

下面三条：同一条提示词、同一块画布 1344×768、同一个 seed，只有时长不同。

5 秒

两刀切在 1.42 秒和 3.42 秒。中景 → 特写 → 低角度大全景，三镜各约 1.7 秒

10 秒

同一条提示词拉到 10 秒，两刀落在 2.92 秒和 6.54 秒，节奏自己松开了

15 秒

15 秒这条切得最干净，两刀在 3.92 秒和 10.79 秒，分镜变成 3.9 / 6.9 / 4.2 秒，中间那个特写自己拿到了大头

三条都对。而且跨切之后，灰羊毛大衣、暗红围巾、束起的黑发、纸灯笼的暖光全部对得上，一张参考图都没给。

跨镜头一致性不是靠参考图锁出来的，是几个镜头本来就在同一次生成里长出来的。 这是 multishot 唯一值钱的地方。

---

二、于是去找它的上限

41 秒、985 帧、1344×768，一次过。总耗时 386 秒，峰值显存 51219 MiB / 97887，才用掉 52%。

没有任何接近极限的迹象。再提一档，42 秒 1009 帧，提交直接被打回来：

Value 1009 bigger than max of 1000 | frames_number

这是 ComfyUI 里 LTXVEmptyLatentAudio 的参数校验，frames_number 上限写死 1000。而视频那条链上 EmptyLTXVLatentVideo 的 length 上限是 16384，根本不卡。

卡住时长的只有音频节点。不是模型跑不动，是有个整数框填不进去。

那 41 秒长什么样？提示词写法和上面三条一模一样，四个镜头：

20 帧铺开，一处切口都没有。要求的四个镜头变成了一个长镜头

---

三、上限等于 1000 除以 fps，但绕过去的那条路是死的

闸门卡的是帧数，而音频时长等于 frames_number ÷ frame_rate。降 fps 就能换更长的片，我按这个跑了一条 60 秒 @16fps，961 帧，技术上完全成立。

然后那东西不能用。16fps 不是任何交付格式。

电影一百年来就是 24；抖音、Reels、Shorts 通常 30；动画作画常一拍二每秒 12 张，但输出仍然是 24。16fps 在这张表里没有位置。

绕过限制不等于解决问题。 绕出来的东西还在不在可交付的格式里，得先问一句。

那条 60 秒还崩得很典型：

第一镜拖了 30 秒、第二镜 16 秒，画面基本停滞。写给 15 秒的提示词直接拿去撑 60 秒，内容密度掉到四分之一

顺带一条：30fps 下秒数必须是 4 的倍数才满足 LTX 的 帧数 % 8 == 1（s×30+1 ≡ 1 (mod 8) 要求 s ≡ 0 (mod 4)）。33 秒非法，最接近的合法值是 32 秒。

---

四、15 秒能切，32 秒不切，而且不是提示词的问题

把第一节那条阶梯往上加，就是这张图：

纵轴是整条片子里最大的帧间差分，以该片自身均值的倍数计。真正的硬切会在单帧上炸出十几到二十倍的尖峰；4 倍以下基本等于没有

我先给了一个错的解释

第一反应是内容密度不够，提示词里的事件撑不满那么长的片子，模型没东西可拍。上面那条 60 秒的停滞看起来正是这个。

把密度量化一下，用词数除以秒数：

三个点、方向一致、机制说得通。这就是把相关性当因果的标准长相。

拆开它只需要一条：做一个相关性预测成功、而因果预测失败的组合，也就是高密度加长时长。

我为 32 秒专写了一条：466 词、4 个镜头、6 句台词，14.6 词/秒，几乎追平那条成功的 15 秒。而且严格照官方四条写，每个切口点名、每一镜重新交代景别机位、人物特征反复重锚、声音跨切延续写明、地理零冲突。

结果是 0 个硬切。

所以密度决定有没有东西可拍，时长决定切不切得动。那条 60 秒的停滞确实是密度问题，但切点消失改提示词救不回来。

要注意 15 秒和 32 秒之间没有采样点，拐点具体在哪不知道。要用在生产上，按 15 秒设计是安全的。

---

五、不是不转场，是转场变软

那 32 秒到底发生了什么：

32 秒、严格遵守官方四条的那一条。镜头是换了的，但第 8 秒和第 16 秒能看到明显的叠影

模型没有拒绝转场，它把要求的硬切做成了溶接。这也解释了为什么自动检测抓不到：溶接是渐变，差分曲线上是一段缓坡，不是一根针。

所以准确的说法不是长片不转场，而是长片里转场变软。这个区别很实际，溶接在成片里是能用的，只是当你要的是硬切时，你得不到。

---

六、几个不报错、只是悄悄给你错数据的坑

第一个是 ComfyUI 的节点缓存会伪造出更快。冷启动一条 130.87 秒，不卸载模型再跑一遍同样的提示词和 seed，得到 30.62 秒，看起来是漂亮的加速数据。

但它比更小画布的那条还快，而像素多了 2.77 倍。更大的画布反而更快在物理上不可能，这就是自查的抓手。查 /history 里的 execution_cached，32 个节点直接复用了上一次的输出；换个 seed 强制失效，真值 97.22 秒。所以热跑计时必须换 seed 或改任一输入，并回读 execution_cached 的节点数确认没吃到缓存。

第二个是内置的提示词改写器会安静地吐出空字符串。模板里那个 TextGenerateLTX2Prompt 用 Gemma 把短句扩写成训练 caption 风格，默认是开的。喂一段中文进去，它返回空串，而整条管线不报错，照样拿空提示词生成了一条片，状态 success。

不是抽卡失手：同一条输入在 seed=0 下连跑六次，六次全空；换成 1、42、12345 全都正常。它在固定 seed 下是确定性的，某些输入会被确定性地映射成空。 而 seed=0 正是官方模板的默认值。

它还会把整句台词丢掉，中文对白扩写后消失得干干净净，尽管它自己的系统提示词第 5 条明写着对白必须原语言原样引用。所以官方内置不等于忠实，改写器的输出要校验非空，还要逐条核原来那些要素还在不在。

第三个是分辨率的真实约束是被 64 整除，不是官方说的 32。官方 README 写宽高须被 32 整除，但 ComfyUI 这条管线是两段式的：第一段在 w/2, h/2 上采样，再做 latent 2 倍上采样，而 latent 要求被 32 整除。写 1280×736 出来的是 1280×704，写 864×480 出来的是 832×448，被静默裁掉，不报错。官方那张 16:9 档位表里大部分档位都会被裁，包括模板自己的默认档。

第四个是跨机器的对比要连硬件一起控。我拿这台 RTX PRO 6000 上的数字，去对另一台 RTX 5090 上的另一个模型，控住了画布、时长、帧数，写下逐项可比——两块卡就摆在那儿。那条结论已经作废。

第五个是空间穿帮可能是自己写出来的。有一条 32 秒，前半段两人面对面坐、中间一张小桌，后半段桌子没了、人变成并排。看起来像模型在长片里的空间漂移，其实是一条提示词里塞了两种车厢：镜 1 写面对面的卡座，镜 4 写沿着过道推进、越过一排排空座椅。正是官方那条 Avoid conflicting geography。地理统一之后，那张桌子全程都在。

这条还暴露了检查本身的缺口：帧间差分查得出切点，查不出桌子没了；事件清单每项都打勾，也查不出空间关系已经变了。得单加一项，跨镜抽帧比对座位关系、关键道具、人物相对位置。

---

该问的不是能生成多长

41 秒这个数是真的：跑得通、显存只用一半、上限还是被一个节点的整数框卡住的，不是模型的极限。

但它没什么用，因为在 41 秒里你只能拍一个镜头。

真正该问的是：最长多少秒，还剪得动。答案是 15 秒。

要拿它做段落，就按 15 秒设计：2 到 4 个镜头，每个切口写全那四件事，别写超过 15 秒的段落。更长的片子它照样生成，只是那会变成一个长镜头，或者一串软绵绵的溶接。