Stable Diffusion入門 from Thailand 第42回

【無料ローカルAI】音声付き動画を生成できる「LTX-2.3」ComfyUIでの使い方をわかりやすく解説！

公式Desktop版という手もあるが推奨スペックが高め

LTX Desktop

　ローカルのComfyUI構築が難しければ、公式の「LTX Desktop」や、クラウドGPUを利用する「Comfy Cloud」という選択肢も用意されている。

　特に「LTX Desktop」は、複雑なノードを組まずにプロ仕様の編集機能にアクセスできる点が魅力だ。ただし、ローカルでの動画生成を公式にサポートする推奨スペックは極めて高く、VRAM 32GB以上だ。これは事実上、コンシューマー向けでは最新のGeForce RTX 5090 (32GB)、あるいはRTX 6000 Adaなどのプロフェッショナル向けGPUをターゲットとした仕様である。

　VRAM 24GBを備えるRTX 3090やRTX 4090であっても、公式版のフル機能（Pro Mode）を回すにはメモリ不足に直面しやすく、コミュニティ製のバイパスパッチを導入したり、テキストエンコーダーをAPI側に逃がしたりといった追加の工夫が求められるのが現状のようだ。コミュニティ有志によるフォークを利用すれば、VRAM 16GB程度の環境でも動作自体は可能だが、本来の「オールインワン」としての軽快さが損なわれる側面は否定できない。

　利便性を優先し、ローカルGPUの負荷を避けたいのであれば、継続的なコストは発生するものの「Comfy Cloud」のようなクラウドサービスという選択肢もあるだろう。しかし、RTX 4070（12GB）クラスの環境であれば、「48GB以上のメインメモリ増設 ＋ ComfyUIによる最適化」という構成が、現時点で最も自由度が高く、かつコストパフォーマンスに優れた自作環境といえるわけだ。

動画生成AIは「ハイエンド専用」ではなくなった

　LTX-2.3をComfyUIで触ると、ようやく動画生成AIが「一部のハイエンド環境専用」から、工夫次第で「個人の道具」へと降りてきた感がある。RTX 4070（12GB）というミドルクラス機であっても、解像度を1024x576に抑え、48GBのメインメモリでバックアップする戦略を採れば、実用的な速度でのプロトタイピングは十分に可能ということだ。

　最新モデルが揃うLTX Studioのようなサービスで「何ができるか」を把握し、ローカル環境でクレジットやガードレールを気にせず「どう作るか」を突き詰める。この使い分けができるようになったところがキモだろう。

　今はまだ万人向けの完成ツールではない。とはいえ、映像と音声の同時生成は今後のデファクトスタンダードになるはずだ。今のうちにローカル環境での「最適化」を体験しておく価値は、十分にあるだろう。