> 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 модель для генерации видео с открытым исходным кодом. На RTX 4090 она создаёт 5-секундный клип 768×512 примерно за 4 секунды — быстрее реального времени воспроизведения. Модель поддерживает как преобразование текста в видео (T2V), так и преобразование изображения в видео (I2V) через нативную `поддержкой diffusers` интеграцию через `LTXPipeline` и `LTXImageToVideoPipeline`.

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

## Ключевые особенности

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

## Требования

| Компонент            | Минимум | Рекомендуется |
| -------------------- | ------- | ------------- |
| VRAM GPU             | 16 ГБ   | 24 ГБ         |
| ОЗУ системы          | 16 ГБ   | 32 ГБ         |
| Диск                 | 15 ГБ   | 30 GB         |
| Python               | 3.10+   | 3.11          |
| CUDA                 | 12.1+   | 12.4          |
| поддержкой diffusers | 0.32+   | latest        |

**Рекомендация Clore.ai по GPU:** Один **RTX 4090** (24 ГБ, \~$0.5–2/день) идеален для максимальной пропускной способности. Один **RTX 3090** (24 ГБ, \~$0.3–1/день) всё ещё работает быстрее многих конкурирующих моделей при доле стоимости.

## Быстрый старт

```bash
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
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 над бирюзовым коралловым рифом, "
    "стая тропических рыб, мелькающих внизу, свет золотого часа "
    "преломляющийся через поверхность воды"
)

video_frames = pipe(
    prompt=prompt,
    negative_prompt="размыто, низкое качество, искажено",
    num_frames=121,               # ~5 сек при 24 fps
    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("Saved 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 зажигаются в сумерках",
    negative_prompt="статичное, размытое",
    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 = [
    "Кот, потягивающийся на солнечном подоконнике, плавающие частицы пыли",
    "Вид с воздуха на волны, разбивающиеся о чёрный вулканический песок",
    "Таймлапс штормовых облаков, катящихся по прерии",
]

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)}] Выполнено")
```

## Советы для пользователей Clore.ai

1. **Тест производительности** — на RTX 4090 LTX-Video генерирует 121 кадр примерно за 4 секунды; используйте это как проверку, что ваша арендованная машина работает корректно.
2. **точность bf16** — контрольная точка обучалась в bf16; не переключайтесь на fp16, иначе рискуете ухудшить качество.
3. **Кеширование весов** — установите `HF_HOME=/workspace/hf_cache` на постоянном томе. Модель занимает \~6 ГБ; повторная загрузка при каждом запуске контейнера тратит время.
4. **Проектирование подсказок** — LTX-Video хорошо реагирует на кинематографический язык: "съёмка с дрона", "замедленное движение", "золотой час", "трековая съёмка". Будьте конкретны относительно движения камеры.
5. **Пакетная генерация ночью** — LTX-Video достаточно быстр, чтобы генерировать сотни клипов в час на 4090. Очередьте подсказки из файла и дайте ему работать.
6. **SSH + tmux** — всегда запускайте генерацию внутри `tmux` сессии, чтобы разорванные соединения не прерывали долгие пакетные задания.
7. **Мониторинг VRAM** — `watch -n1 nvidia-smi` в втором терминале, чтобы убедиться, что вы не используете swap.

## Устранение неполадок

| Проблема                                 | Исправить                                                                                          |
| ---------------------------------------- | -------------------------------------------------------------------------------------------------- |
| `OutOfMemoryError`                       | Уменьшите `num_frames` до 81 или `ширина`/`высота` на 512×320                                      |
| Модель не найдена в diffusers            | Обновление: `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]` — бэкенд ffmpeg необходим для экспорта в MP4                         |
| Медленное первое инференсирование        | Первый запуск компилирует CUDA-ядра и скачивает веса; последующие запуски быстрые                  |
| Артефакты полос цветности                | Используйте `torch.bfloat16` (не float16); bfloat16 имеет более широкий динамический диапазон      |
| Контейнер перезапущен в середине задания | Установите `HF_HOME` на постоянное хранилище; частичные загрузки с 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.