LTX2.3-10Eros v1.2とWan2.2蒸留モデルとの比較

LTXなのにエロ動画が生成できるぞー！と噂の（？） LTX2.3-10Eros で動画生成したので、Wan2.2蒸留モデルとの比較をしてみました。

生成環境はメインメモリ64GB、GPUはRTX4070 12GB です。

メモリ128GBほしいです。RTX5070 12GBも欲しいです。SSD 4TBでも良いです。誰かおごってください。

元画像

この画像を選んだ理由は…大したことないのですが、通常の LTX2.3 （LoRAなし）ではうまく動画生成できない^※絵だったので10Erosで試すのにちょうど良いかなぁ、と。
※具体的には動画にしたときにちんぽが消えたりしました

LTX2.3-10Eros v1.2で動画生成

LTXが生成した音声アリ。但し、擦る音のみ。

• ワークフロー：LTX2.3-10Eros_Workflowsの10Eros_10SNodes_I2V_v3_TiledSampler.json
• モデル：LTX2.3-10Eros
• 追加LoRA：Epic Cumshots - LTX 2.3
• 動画サイズ：1024x704px 25fps 約10秒(264f)
• 生成時間：266～296秒

Prompt:

高画質セルアニメーション。
半目の少女はお尻を左右にふりながら、恥ずかしそうに頭も少し動かしている。
男は右手で少女の太ももを撫でたり揉んだりしている。
男は左手で自分のペニスを大きく上下にストロークしながら、自慰行為をしている。
その後、男は手と腰の動きを止めると、ペニスの先端から大量の白い精液が少女のパンティーと太ももに向けて発射され、その精液はゆっくりと脚を伝って流れ落ちる。
煽情的な描写。
static camera, fixed camera angle, stable shot, no camera motion,
still frame, locked-off camera

Negative:

captions, music, transition, VR, bad quality, subtitles, text, watermark, overlay effects, pc game, yelling, console game, video game, cartoon, childish, ugly, text, blur, logo, wordmark, static, low quality, noise, white noise, bleep, censoring, censor, bleeping, beep, beeping, newscast, interview, podcast, mutant, horror, 70's, film grain, cinematic, comedy, stand-up
camera movement, camera shake, camera sway, camera drift,
handheld camera, dynamic camera, zooming, panning, tilting,
rotating camera, unstable camera

感想

あまり期待していなかったので、思ったよりはいい感じに動くじゃん、と思いました。

10Erosモデルだけでは射精シーンは生成できなかったので、cumshot系のLoRAは必須かも。まだWan2.2ほど充実しておらず、実写で作ったと思われる射精LoRAしか見当たらなかったので、精液が薄め。LoRAの強度を上げると射精量が増えました。

気になる点としてはカメラがやたら揺れる。船酔いしそうなほどに揺れる。

プロンプトでさんざん停止しようとしてもカメラが揺れる。civitaiのコメントでもカメラが暴れると言っている人がいるので、うちの環境だけじゃないっぽい。

また、10Eros公式（？）のワークフローだとTiledSamplerを使っているため、LTXにしては生成時間がかかるなーという印象。

理屈はよくわからないのですが、ワークフロー見る限り、LTXって目標サイズの1/2の動画を生成してからアップスケールするのが基本なのかしら。LTXのワークフローには必ずアップスケール処理が入っているみたいなんだけど、ここではそれが TiledSampler だから綺麗な代りに遅いみたい。

ComfyUIテンプレートのワークフローに10Erosを入れたパターン

普通のLTX2.3ワークフローのモデルを 10Eros v1.2 へ置き換えただけのワークフローでも動画生成してみました。

• ワークフロー：ComfyUIテンプレートに入っている「LTX-2.3：画像から動画へ」というワークフロー
• モデル：LTX2.3-10Eros
• 追加LoRA：Epic Cumshots - LTX 2.3
• 動画サイズ：1024x704px 25fps 約10秒(251f)
• 生成時間：100～120秒

Promptは前述の10Erosと同じ。

感想

10秒の動画生成にわずか2分という、LTXらしい速度が出ました。1/2サイズの動画を生成するのは同じで、アップスケール部分がLTXVLatentUpsamplerになっているので早い…のかなぁ？

チンポ握っている指とか見るとTiledSampler版に比べて潰れているのがわかりますが、フラットな絵柄だからほかの部分は違いがわかりにくいかも。

しかも、先ほどの動画と違ってカメラが揺れない！…なんで？　モデルの問題じゃなかったの？　TiledSamplerのせいなの…？

これひとつ取っても、通常ワークフローに10Erosつっこんだほうが良いと判断できるし、生成時間も半分になるので、個人的にはこちらのワークフロー一択だなぁ。

指潰れなんて、解像度上げれば治るだろうし。

顔の一貫性については、IC-LoRAとかいうの使うと良いらしいですが、こちらはまだノータッチでよくわかりません。

Wan2.2 蒸留モデルでの生成

• ワークフロー：ComfyUIテンプレートに入っている「Wan2.2 14B画像からビデオ」というワークフローをベースにちょっぴり修正
• モデル：Wan2.2-Distill-Models
• 追加LoRA：WAN 2.2 Anime Cumshot Aesthetics
• 動画サイズ：1024x704px 16fps 約5秒(81f)
• 生成時間：208～220秒

Prompt:

高画質セルアニメーション。
少女はお尻を左右にふりながら、恥ずかしそうに頭も少し動かしている。
男は右手で少女の太ももを撫でたり揉んだりしている。
男は左手で自分のペニスを大きく上下にストロークしながら、自慰行為をしている。
その後、男は手と腰の動きを止めると、ペニスの先端から白い精液が少女のパンティーと太ももに向けて発射される。
パンティーと太ももに付いた精液はゆっくりと脚を伝って流れ落ちる。
煽情的な描写。カメラは固定されている。

Negative:

色调艳丽，过曝，静态，细节模糊不清，字幕，风格，作品，画作，画面，静止，整体发灰，最差质量，低质量，JPEG压缩残留，丑陋的，残缺的，多余的手指，画得不好的手部，画得不好的脸部，畸形的，毁容的，形态畸形的肢体，手指融合，静止不动的画面，杂乱的背景，三条腿，背景人很多，倒着走, censored, mosaic censoring, bar censor, mouth speaking, moving mouth, talking, speaking, mute speaking, teeth, 牙齿, drool

感想

優勝

…ってまぁ、やる前からわかっていたことですが、LTXでの動画生成は速度が速いこと、音声も生成されることが最大のメリットであり、品質を求めるならWanVideoが良いとあちこちで言われていることなんですよね。

ただ、将来性という意味ではわかりません。Wan2.5はAPI版しかないし、このままWan2.2がWanVideoの最後のオープンモデルとなる可能性もあります。

このままLTXの開発が続けばWan2.2を追い越すことも考えられますし、現時点でも速度と音声生成という強みがあるため、十分選択肢に入ります。次にpixivのうごイラにアップする動画はどっちで作ろうかなぁ、と悩むくらいには。

Wan2.2 Distill Modelについて

今回はじめてWan2.2の蒸留モデルを使いました。

今までは、ComfyUIテンプレートのワークフローで使われている wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors と wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors を使用し、高速化用のlightx2vはLoRAとして追加していました。

しかし、ChatGPTと雑談していたら、「最近の流行りはlightx2v組み込み済の蒸留モデルやで？」と教えてくれました。えっ、そうなん？

lightx2vをLoRAとして読み込んだほうが、強度を1.0～3.0あたりで調整したりできるし便利なのではないかと思っていたのですが、そもそもそれはWan2.1版のlightx2vを使っているからだ、というのです。

Wan2.2版のlightx2vよりも、Wan2.1版のlightx2vを使ったほうが動きが良く、そのかわり動作がスローモーションになりがちなので、強度を3.0とか無理やりあげることで強引に使っていたのが、過去の手法。

今は最新のlightx2v組み込み済のDistill Modelが流行り、と断言されました。ChatGPTの言うことなんて半分はハルシネーションなので鵜呑みには出来ませんが、暇だったので実際試してみました。

Wan2.2-Distill-Modelsにある、wan2.2_i2v_A14b_high_noise_scaled_fp8_e4m3_lightx2v_4step_comfyui_1030.safetensorsと wan2.2_i2v_A14b_low_noise_scaled_fp8_e4m3_lightx2v_4step_comfyui.safetensors がその蒸留モデルです。ファイル名にcomfyuiが付いているモデルを使わないと生成された動画が真っ黒になるのでご注意ください。

まず、LoRA版のやり方だと5～6個生成して、1個当たりがでれば良いほうで、今回の動画でもチンポが突然触手化したり、パンティーにマンコが生えてきたり、散々でした。

ところが今回、蒸留モデルのほうで生成してみると10個中10個とも及第点の動画が生成でき、どれ選んでも良いじゃん…という状況。

たまたま運が良かっただけかもですが、今後はしばらくこの蒸留モデルを愛用したいと思いました。

LTX2.3との比較と言いつつ、lightx2v/Wan2.2-Distill-Modelsがすごくいいじゃん、という結論になるのがアレですが、とりあえず現時点での率直な感想です。