> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-ru/generaciya-video/ltx-video.md).

# Генерация LTX-Video в реальном времени

LTX-Video от Lightricks — самая быстрая доступная модель генерации видео с открытым исходным кодом. На RTX 4090 она создаёт 5-секундный клип 768×512 примерно за 4 секунды — быстрее, чем воспроизведение в реальном времени. Модель поддерживает рабочие процессы text-to-video (T2V) и image-to-video (I2V) через нативную `diffusers` интеграцию через `LTXPipeline` и `LTXImageToVideoPipeline`.

Аренда GPU на [Clore.ai](https://clore.ai/) даёт вам мгновенный доступ к аппаратным ресурсам, необходимым для LTX-Video, без первоначальных вложений и с почасовой оплатой.

## Ключевые особенности

* **Быстрее, чем в реальном времени** — 5-секундное видео, сгенерированное примерно за 4 секунды на RTX 4090.
* **Текст-в-видео** — создавайте клипы по описаниям на естественном языке.
* **Изображение в видео** — анимируйте статичное эталонное изображение с движением и управлением камерой.
* **Лёгкая архитектура** — видео DiT на 2 млрд параметров с компактным латентным пространством.
* **Нативные diffusers** — `LTXPipeline` и `LTXImageToVideoPipeline` в `diffusers >= 0.32`.
* **Открытые веса** — лицензия Apache-2.0; полностью разрешено коммерческое использование.
* **Темпоральный VAE** — коэффициент сжатия 1:192 по пространству и времени; эффективное декодирование.

## Требования

| Компонент     | Минимум | Рекомендуется    |
| ------------- | ------- | ---------------- |
| VRAM GPU      | 16 ГБ   | 24 ГБ            |
| Системная RAM | 16 ГБ   | 32 ГБ            |
| Диск          | 15 ГБ   | 30 ГБ            |
| Python        | 3.10+   | 3.11             |
| CUDA          | 12.8+   | 12.8+            |
| diffusers     | 0.32+   | последняя версия |

**Рекомендация по GPU от Clore.ai:** Один **RTX 4090** (24 GB, $0.14–0.42/ч) идеально подходит для максимальной пропускной способности. Один **RTX 3090** (24 GB, $0.07–0.21/ч) всё ещё работает быстрее многих конкурирующих моделей при лишь небольшой доле их стоимости.

## Быстрый старт

```bash
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128
pip install diffusers transformers accelerate sentencepiece imageio[ffmpeg]

python -c "import torch; print(torch.cuda.get_device_name(0))"
```

## Примеры использования

### Текст-в-видео

```python
import torch
from diffusers import LTXPipeline
from diffusers.utils import export_to_video

pipe = LTXPipeline.from_pretrained(
    "Lightricks/LTX-Video",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

prompt = (
    "Съёмка с дрона, скользящая над бирюзовым коралловым рифом, "
    "стайки тропических рыб, снующие внизу, свет золотого часа "
    "преломляющийся сквозь поверхность воды"
)

video_frames = pipe(
    prompt=prompt,
    negative_prompt="размытое, низкое качество, искажённое",
    num_frames=121,               # ~5 сек при 24 кадрах/с
    width=768,
    height=512,
    num_inference_steps=30,
    guidance_scale=7.5,
    generator=torch.Generator("cuda").manual_seed(0),
).frames[0]

export_to_video(video_frames, "coral_reef.mp4", fps=24)
print("Сохранено coral_reef.mp4")
```

### Изображение в видео

```python
import torch
from PIL import Image
from diffusers import LTXImageToVideoPipeline
from diffusers.utils import export_to_video

pipe = LTXImageToVideoPipeline.from_pretrained(
    "Lightricks/LTX-Video",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

image = Image.open("cityscape.png").resize((768, 512))

video_frames = pipe(
    prompt="Камера медленно панорамирует вправо, городские огни загораются в сумерках",
    negative_prompt="статичный, размытый",
    image=image,
    num_frames=121,
    num_inference_steps=30,
    guidance_scale=7.5,
).frames[0]

export_to_video(video_frames, "cityscape_animated.mp4", fps=24)
```

### Скрипт пакетной генерации

```python
import torch
from diffusers import LTXPipeline
from diffusers.utils import export_to_video

pipe = LTXPipeline.from_pretrained(
    "Lightricks/LTX-Video", torch_dtype=torch.bfloat16
).to("cuda")

prompts = [
    "Кошка потягивается на залитом солнцем подоконнике, в воздухе парят пылинки",
    "Вид с воздуха на волны, разбивающиеся о чёрный вулканический песок",
    "Таймлапс грозовых облаков, катящихся над прерией",
]

for i, prompt in enumerate(prompts):
    frames = pipe(
        prompt=prompt,
        num_frames=121,
        width=768,
        height=512,
        num_inference_steps=30,
        guidance_scale=7.5,
    ).frames[0]
    export_to_video(frames, f"batch_{i:03d}.mp4", fps=24)
    print(f"[{i+1}/{len(prompts)}] Готово")
```

## Советы для пользователей Clore.ai

1. **Тест скорости** — на RTX 4090 LTX-Video генерирует 121 кадр примерно за 4 секунды; используйте это как проверку того, что ваш арендованный экземпляр работает правильно.
2. **Точность bf16** — контрольная точка обучена в bf16; не переключайтесь на fp16, иначе качество может ухудшиться.
3. **Кэширование весов** — задайте `HF_HOME=/workspace/hf_cache` на постоянном томе. Модель занимает \~6 ГБ; повторная загрузка при каждом запуске контейнера тратит время впустую.
4. **Инженерия промптов** — LTX-Video хорошо реагирует на кинематографический язык: "съёмка с дрона", "замедленная съёмка", "золотой час", "трекинг-шот". Уточняйте движение камеры.
5. **Пакетно за ночь** — LTX-Video достаточно быстра, чтобы генерировать сотни клипов в час на 4090. Поместите промпты в очередь из файла и дайте ей работать.
6. **SSH + tmux** — всегда запускайте генерацию внутри `tmux` сеанса, чтобы обрывы соединения не прерывали длительные пакетные задачи.
7. **Мониторинг VRAM** — `watch -n1 nvidia-smi` во втором терминале, чтобы убедиться, что вы не уходите в swap.

## Устранение неполадок

| Проблема                                   | Исправьте                                                                                          |
| ------------------------------------------ | -------------------------------------------------------------------------------------------------- |
| `OutOfMemoryError`                         | Уменьшите `num_frames` до 81 или `ширину`/`высоту` до 512×320                                      |
| Модель не найдена в diffusers              | Обновите: `pip install -U diffusers` — LTXPipeline требует diffusers ≥ 0.32                        |
| Чёрный или статичный вывод                 | Убедитесь, что вы передаёте `negative_prompt`; увеличьте `guidance_scale` до 8–9                   |
| `ImportError: imageio`                     | `pip install imageio[ffmpeg]` — для экспорта MP4 нужен бэкенд ffmpeg                               |
| Медленный первый инференс                  | Первый запуск компилирует ядра CUDA и загружает веса; последующие запуски быстрые                  |
| Артефакты цветовых полос                   | Используйте `torch.bfloat16` (не float16); bfloat16 имеет более широкий динамический диапазон      |
| Контейнер перезапустился в середине задачи | Установите `HF_HOME` в постоянное хранилище; частичные загрузки из HF автоматически возобновляются |


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-ru/generaciya-video/ltx-video.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.