LTX-2の公式パイプラインをCLI/16GB VRAM環境で動かしてみた

はじめに

最近、動画生成AI界隈が盛り上がってますね。Lightricks社から公開されたLTX-2もその一つです。
世間（主にXやReddit）ではComfyUIを使ったGUIでの生成情報が賑わっていますが、エンジニアとしてはやはりCLI（Command Line Interface）で動かしたいですよね？
サーバーサイドでの自動化や組み込みを考えると、黒い画面でコマンドを叩いて動く姿を確認しておきたいものです。

しかし、公式のリポジトリを見てもCLIでの具体的な動作報告、特にコンシューマー向けGPU（VRAM 16GBクラス）での検証記事が少なかったので、人柱覚悟でやってみました。

目的

• 一般的なPC（NVIDIA GeForce RTX 4060 Ti 16GB）で動くか確認したい
• 公式パイプライン（TI2VidTwoStagesPipeline）をCLIから叩きたい
• 必要なリソース（VRAM、メモリ、時間）を把握したい

方法

愚直に公式手順をなぞりつつ、VRAM 16GBに収まるようにパラメータを調整します。

動作環境

Windows 11上のWSL2 (Ubuntu 24.04 LTS) で検証しました。uv を使って環境構築しています。

項目	スペック詳細	備考
GPU	NVIDIA GeForce RTX 4060 Ti	VRAM 16GB (重要)
CPU	Intel Core i7-14700
Memory	32 GB	WSL2割当: 24 GB
Python	3.13.1	uv で管理
CUDA	12.8

WSL2の .wslconfig はメモリをケチらないように設定しておきます。

[wsl2]
memory=24GB
swap=32GB
processors=16

手順

基本的には git clone して uv sync するだけですが、モデルのダウンロードに少しコツがいります。

1. リポジトリの準備

# 作業用ディレクトリ
mkdir -p ~/video-generation-trial
cd ~/video-generation-trial

# clone
git clone https://github.com/Lightricks/LTX-2.git
cd LTX-2

# 依存関係のインストール (uv便利！)
uv sync --frozen
source .venv/bin/activate

2. モデルのダウンロード（ここが重要）

huggingface-cli で落とします。
特にテキストエンコーダーの Gemma 3 ですが、ComfyUI用の一枚岩の .safetensors ファイルではなく、Diffusers形式（フォルダ構成） で落とす必要があります。これに気づかずにハマりかけました。

cd ~/video-generation-trial

# 保存先作成
mkdir -p models/{checkpoints,latent_upscale_models,loras,text_encoders}

# ログイン (Gemma 3の利用規約同意が必要なのでトークン必須)
huggingface-cli login

# 1. 本体 (FP8版でないとVRAM 16GBは死にます)
huggingface-cli download Lightricks/LTX-2 ltx-2-19b-dev-fp8.safetensors \
  --local-dir models/checkpoints

# 2. アップスケーラー
huggingface-cli download Lightricks/LTX-2 ltx-2-spatial-upscaler-x2-1.0.safetensors \
  --local-dir models/latent_upscale_models

# 3. LoRA
huggingface-cli download Lightricks/LTX-2 ltx-2-19b-distilled-lora-384.safetensors \
  --local-dir models/loras

# 4. テキストエンコーダー (Gemma 3)
# フォルダごと落とします
huggingface-cli download google/gemma-3-12b-it --local-dir models/text_encoders

3. 動画生成コマンド

VRAM 16GB環境向けの「妥協設定」です。

• --enable-fp8: これがないとOOMで即死します。
• --num-frames 81: デフォルト(121)だと落ちたので減らしました。
• 解像度: 512x512

cd LTX-2
source .venv/bin/activate

python -m ltx_pipelines.ti2vid_two_stages \
    --checkpoint-path ../models/checkpoints/ltx-2-19b-dev-fp8.safetensors \
    --distilled-lora ../models/loras/ltx-2-19b-distilled-lora-384.safetensors 0.8 \
    --spatial-upsampler-path ../models/latent_upscale_models/ltx-2-spatial-upscaler-x2-1.0.safetensors \
    --gemma-root ../models/text_encoders \
    --prompt "A beautiful sunset over the ocean" \
    --output-path ../output.mp4 \
    --height 512 \
    --width 512 \
    --num-frames 81 \
    --enable-fp8

結果

無事に生成できました〜。
プロンプト "A beautiful sunset over the ocean" 通りの夕日の動画が出てきました。

生成スペック

• 解像度: 512x512
• フレーム数: 81 (約3.3秒)
• ファイルサイズ: 119 KB

パフォーマンス

正直、少し重いです。コーヒーを飲んで待つレベルを超えて、お風呂に入って帰ってこれるレベルです。

フェーズ	時間	備考
推論	約67分	40step (100秒/step)
デコード等	約8分
合計	約75分

GPU使用率は常にほぼ100%張り付き。VRAMも 15.9GB 使用で、まさにギリギリの戦いでした。

さらに、タスクマネージャーを確認すると 共有GPUメモリ（Shared GPU Memory） も 約14GB 使用されていました。
つまり、実質的には合計で約30GB近いメモリを消費しており、足りないVRAM分をメインメモリで肩代わりしている状態です。これが処理時間の長さ（75分）の主因と考えられます。

考察

• VRAM 16GBでも動くには動く: FP8量子化のおかげでなんとか動作しました。ただし解像度やフレーム数には制限がかかります。
• Windows/WSL2ならではの挙動: 今回動作したのは、WindowsのGPUドライバが持つ「共有GPUメモリ」機能のおかげと言えます。VRAMから溢れたデータを自動的にメインメモリへ逃がしてくれるため、速度は犠牲になりますがOOMで落ちずに完走できました。
  • Native Linux（Ubuntu等）の場合: 通常、このような透過的なVRAM共有機能（OSレベルでの強力なオフロード）は働きにくいため、同じ16GB VRAMの環境でNative Linuxで実行した場合は、即座に CUDA Out of Memory で落ちる可能性が高いです。Linux環境で動かす場合は、明示的なCPUオフロード機能（Accelerateのenable_sequential_cpu_offload等）を駆使する必要があるでしょう。
• 実用性は？: 1枚生成するのに75分は、試行錯誤するには辛いですね。本格的にやるなら素直にRTX 3090/4090 (VRAM 24GB) を買うか、クラウドGPUを使うのが幸せになれそうです。
• Gemma 3の罠: 前述しましたが、テキストエンコーダーのファイル構成には注意です。「モデルが見つかりません」エラーが出たら、まずはフォルダ構成を疑ってみてください。

まとめ

LTX-2の公式パイプラインをCLI/VRAM 16GB環境で動かしてみました。
ギリギリ動作確認はできましたが、快適な動画生成ライフを送るにはもう少し強いGPUが欲しくなりますね。

この記事が、同じように「とりあえずCLIで動かしたいんじゃ」という方の参考になれば幸いです。

参考文献

• Lightricks/LTX-2 - Hugging Face
• Lightricks/LTX-2 - GitHub