Neste teste, utilizei o LTX 2.5 no ComfyUI, com uma NVIDIA RTX 3060 de 12 GB de VRAM, para avaliar a capacidade do modelo de gerar vídeos com inteligência artificial localmente. Experimentei cinco propostas diferentes, incluindo fantasia, anime, uma cena realista na praia, fala em português brasileiro e uma sequência cinematográfica com imagem de referência.
O objetivo foi verificar como o modelo se comporta em diferentes situações, observando a qualidade visual, a anatomia dos personagens, a física dos movimentos, a fidelidade aos prompts e a sincronização labial.
Minha impressão geral foi bastante positiva. Embora tenha encontrado algumas limitações, os resultados foram convincentes em diversos aspectos, especialmente na geração a partir de imagens de referência. Na minha avaliação, o LTX 2.5 representa um avanço significativo em relação à experiência que tive com o LTX 2.3.
Configuração utilizada
Interface: ComfyUI
Modelo: LTX 2.5
Placa de vídeo: NVIDIA RTX 3060 de 12 GB
Tipos de geração: texto para vídeo e imagem para vídeo
Testes: cinco gerações com diferentes prompts
1. Vídeo de fantasia: mulher voando nas costas de um dragão
O primeiro teste foi uma cena de fantasia cinematográfica. A proposta era gerar um grande dragão negro voando entre as nuvens, carregando uma mulher de biquíni amarelo nas costas.
Prompt utilizado:
A woman wearing a bright yellow bikini rides on the back of a large black dragon flying through the blue sky above the clouds. The dragon flaps its wings as it flies forward. The woman holds onto the dragon's back. Cinematic fantasy, realistic visuals, side view, continuous flight.
Minha avaliação
O resultado foi interessante, mas a textura visual não ficou 100% realista. Embora a cena tenha conseguido representar a proposta geral, ainda há espaço para melhorar a aparência dos elementos e a sensação de realismo.
Uma possibilidade seria trabalhar melhor o prompt, especificando com mais precisão a textura das escamas do dragão, os detalhes da pele, a iluminação, as sombras e a interação dos personagens com o ambiente. Essas orientações podem ajudar a direcionar o resultado, embora não garantam a eliminação de todas as imperfeições.
Também é importante considerar que o realismo depende de vários fatores, incluindo a resolução, as configurações do workflow e a forma como o modelo interpreta a cena.
Veredito: um resultado promissor, mas com espaço para melhorias na textura e no realismo. Não considero que as limitações encontradas sejam suficientes para descartar o modelo nesse tipo de projeto.
2. Anime: jogador de futebol marcando um gol
No segundo teste, utilizei um prompt de anime japonês. A ideia era mostrar um jogador chutando a bola em direção ao gol, passando pelo goleiro e acertando a rede.
Prompt utilizado:
Japanese anime style. A young adult male soccer player wearing a blue and white uniform kicks a soccer ball toward the goal. The ball flies past the goalkeeper and hits the back of the net. The player scores a goal. Dynamic soccer animation, colorful anime visuals, stadium background, smooth natural movement, side view, continuous shot.
Minha avaliação
Nesse teste, encontrei algumas distorções e erros de física. O modelo precisou representar vários acontecimentos em sequência: o jogador chuta a bola, ela atravessa o campo, passa pelo goleiro e atinge a rede. Além disso, precisava manter a aparência dos personagens e a continuidade do movimento.
Minha hipótese é que uma duração de aproximadamente cinco segundos de vídeo tenha sido curta para a quantidade de ações solicitadas. Com tão pouco tempo, o modelo precisa distribuir os acontecimentos por uma sequência relativamente rápida, o que pode dificultar a representação de cada etapa.
Também seria interessante testar uma versão mais simples do prompt, concentrando a ação no chute e no deslocamento da bola, ou aumentar a duração para dar mais espaço à sequência. Isso permitiria verificar se as distorções estão relacionadas à complexidade da cena, à duração ou às configurações utilizadas.
Não é possível afirmar que o tempo tenha sido a causa dos problemas, mas considero essa uma hipótese razoável para um próximo teste.
Veredito: resultado com falhas de movimento e distorções. É um exemplo de que até um modelo competente pode encontrar dificuldades quando precisa representar várias ações rápidas em uma única geração.
3. Vídeo realista de uma mulher caminhando na praia
No terceiro teste, utilizei um prompt curto para gerar uma mulher adulta caminhando em direção à câmera na praia. A intenção era observar o realismo da imagem e a capacidade do modelo de representar o corpo humano em movimento.
Prompt utilizado:
A fully naked, realistic-looking adult woman walks slowly toward the camera along the beach, taking two natural steps.
Minha avaliação
A geração funcionou e a imagem ficou realista. O resultado foi interessante para avaliar a capacidade do LTX 2.5 de produzir uma cena humana com aparência fotográfica a partir de um prompt relativamente simples.
Entretanto, acredito que uma resolução maior poderia ajudar a revelar mais detalhes e permitir uma avaliação mais precisa da qualidade visual. É importante lembrar que aumentar a resolução não garante, por si só, uma anatomia melhor: o resultado também depende das capacidades do modelo e das configurações de geração.
Também encontrei uma limitação anatômica específica: a região genital não foi representada anatomicamente, ficando completamente lisa na parte inferior. Portanto, apesar da aparência realista em outros aspectos, o resultado não foi anatomicamente completo.
Esse detalhe mostra que a qualidade visual geral e a precisão anatômica são critérios diferentes. Uma imagem pode parecer bastante realista à primeira vista e, ainda assim, apresentar limitações em regiões específicas.
Veredito: boa aparência realista, mas com limitações nos detalhes anatômicos. Uma resolução maior poderia ajudar na avaliação dos detalhes, embora não necessariamente corrigisse o problema observado.
4. Vídeo com fala em português brasileiro e imagem de referência
No quarto teste, utilizei uma imagem de referência para gerar um vídeo de uma mulher adulta em uma praia tropical. Ela deveria olhar para a câmera, sorrir e falar uma frase específica em português brasileiro.
Prompt utilizado:
A realistic video of an adult woman wearing a bright pink bikini, standing on a tropical beach with the ocean behind her. She looks directly at the camera, smiles naturally, and speaks to the viewer. Medium shot, steady camera, gentle breeze moving her hair, natural daylight. She speaks in Brazilian Portuguese, with a natural Brazilian accent, saying exactly: "Não esquece de deixar o like!"
Minha avaliação
Esse foi um dos testes mais interessantes. Ao utilizar uma imagem de referência, consegui um resultado com boa aparência visual e, principalmente, sem os problemas anatômicos que observei na geração anterior.
Existe uma diferença importante entre os dois procedimentos: os três primeiros testes foram feitos a partir de texto, enquanto este utilizou uma imagem como ponto de partida. Nesse fluxo, o modelo já recebe uma referência visual para orientar a aparência da personagem.
Isso não significa que a geração por imagem sempre eliminará problemas anatômicos. Entretanto, neste caso específico, o resultado foi mais consistente, demonstrando como a imagem de referência pode ser útil quando queremos preservar uma aparência visual definida.
Outro destaque foi a sincronização labial. Diferentemente da minha experiência anterior com o LTX 2.3, o lip-sync ficou muito bom. A movimentação da boca acompanhou a fala de maneira convincente, tornando a personagem mais natural durante a comunicação com a câmera.
Esse ponto é especialmente relevante para quem deseja produzir vídeos com personagens virtuais, apresentações, cenas de diálogo ou conteúdos nos quais uma pessoa precisa falar diretamente com o espectador.
Veredito: um dos melhores resultados do teste. A combinação de imagem de referência, boa qualidade visual e sincronização labial convincente torna esse fluxo particularmente interessante para a criação de personagens que falam.
5. Cena cinematográfica: homem voando sobre uma cidade destruída
O quinto teste foi uma cena de ação cinematográfica. Utilizei uma imagem de referência de um homem em uma cidade destruída. Ele deveria colocar os óculos escuros e, em seguida, disparar verticalmente para o céu, levantando poeira e destroços.
Prompt utilizado:
The man in the reference image stands silently in a desolate, ruined city street. He calmly puts on his dark aviator sunglasses and briefly holds his pose. Suddenly, he launches vertically into the sky at incredible speed. A powerful shockwave erupts beneath his feet, blasting dust and small pieces of rubble across the street. The camera pulls back as he rapidly ascends, leaving a trail of dust and heat distortion behind him. The ruined city remains visible below as he rises into the sky. Cinematic realism, desaturated colors, dramatic lighting, realistic debris physics, smooth continuous motion. Preserve the man's appearance and identity from the reference image. No dialogue, no speaking, no voice, no subtitles, no scene cuts.
Minha avaliação
Esse foi um teste interessante porque envolvia várias ações em sequência: o personagem precisava colocar os óculos, manter a pose por um instante e depois subir rapidamente, enquanto a cena apresentava poeira e destroços.
No geral, o modelo entregou um vídeo coerente com o prompt. A sequência seguiu a proposta cinematográfica, e o resultado foi compatível com a margem de interpretação que deixei na descrição.
Entretanto, cometi um erro na proporção da imagem de referência. O enquadramento acabou cortando o topo da cabeça do personagem. Durante a geração do vídeo, a aparência também mudou um pouco, deixando-o mais calvo do que na referência original.
Considero importante separar esses problemas. O corte no topo da cabeça foi uma consequência do enquadramento da imagem que utilizei. A alteração na aparência aconteceu durante a geração, mas o erro inicial de proporção contribuiu para que a referência não fosse ideal. Por isso, não seria justo atribuir todo o problema exclusivamente ao modelo.
O voo também não aconteceu exatamente como eu havia imaginado. Ainda assim, o prompt permitia alguma liberdade na interpretação da trajetória, da aceleração e do movimento da câmera. O vídeo permaneceu coerente com a proposta geral, mesmo sem reproduzir perfeitamente minha expectativa.
Para um próximo teste, eu prepararia uma imagem de referência com o personagem inteiramente enquadrado e descreveria com mais precisão a direção do voo, a trajetória da câmera e a velocidade da subida.
Veredito: um resultado competente e condizente com o prompt. Apesar das diferenças em relação à minha ideia original, a sequência demonstrou potencial para cenas cinematográficas com efeitos visuais e movimentos complexos.
Comparativo dos cinco testes
| Teste | Tempo | Minha avaliação |
|---|---|---|
| Dragão | 6:00 | Resultado promissor, mas com textura ainda imperfeita. |
| Anime de futebol | 6:30 | Algumas distorções e erros de física. |
| Praia | 5:50 | Aparência realista, mas com limitação anatômica. |
| Fala em português | 6:10 | Boa qualidade visual e lip-sync muito convincente. |
| Homem voando | 7:00 | Vídeo coerente com o prompt e boa execução da cena. |
Quanto tempo levou para gerar os cinco vídeos?
Somando os tempos registrados, as cinco gerações levaram 31 minutos e 30 segundos.
A geração mais rápida foi a cena da mulher caminhando na praia, com 5 minutos e 50 segundos. Já a sequência cinematográfica do homem voando levou 7 minutos, sendo a geração mais demorada deste teste.
Todos esses tempos foram registrados utilizando minha RTX 3060 de 12 GB. Eles representam apenas as configurações e os workflows utilizados nos meus testes, não um tempo universal para o LTX 2.5. A duração do processamento pode variar conforme a resolução, o número de quadros, as configurações de geração e a complexidade da cena.
LTX 2.5 vs. LTX 2.3: qual foi a diferença na prática?
Em um teste anterior, também utilizei minha RTX 3060 de 12 GB para gerar cinco vídeos com o LTX 2.3. Naquela ocasião, encontrei problemas evidentes em algumas cenas, incluindo distorções graves no anime de futebol, limitações anatômicas e uma sincronização labial abaixo da minha expectativa.
Com o LTX 2.5, minha experiência foi consideravelmente melhor. O modelo apresentou bons resultados em diferentes propostas, e o destaque ficou para os vídeos gerados a partir de imagens de referência, especialmente a cena com fala em português brasileiro.
A diferença que mais chamou minha atenção foi a combinação de qualidade visual, coerência com o prompt e capacidade de representar uma personagem falando com um lip-sync convincente. Também gostei do resultado da cena cinematográfica, que seguiu a proposta geral apesar de algumas diferenças em relação à minha ideia original.
Isso não significa que o LTX 2.5 seja perfeito. O anime de futebol ainda apresentou erros de física, a cena de fantasia poderia ter texturas melhores e o teste da praia revelou uma limitação anatômica. Mesmo assim, o conjunto dos resultados me deixou muito mais satisfeito.
É importante destacar que essa comparação é baseada na minha experiência prática com os dois modelos. Para determinar a diferença exata de desempenho, seria necessário controlar variáveis como resolução, duração, workflow e demais parâmetros. Ainda assim, para quem deseja observar resultados concretos na prática, os testes ajudam a entender o que consegui produzir com o equipamento que tenho.
Minha opinião: o LTX 2.5 vale a pena?
Sim. Na minha avaliação, o LTX 2.5 é um modelo bastante competente para geração de vídeos com inteligência artificial e supera muito o LTX 2.3 na experiência que tive com os meus testes.
O que mais gostei foi a versatilidade. Consegui experimentar cenas de fantasia, animação, realismo humano, fala em português e ação cinematográfica utilizando a mesma placa de vídeo.
É verdade que algumas gerações ainda apresentam falhas. Movimentos rápidos, múltiplas ações e detalhes anatômicos continuam exigindo atenção. Entretanto, esses problemas não anulam os resultados positivos que obtive.
Outro aspecto importante é a geração local. Utilizar o ComfyUI permite experimentar diferentes ideias no próprio computador, sem depender de um serviço online para cada tentativa. Para quem já possui uma GPU compatível, isso abre possibilidades interessantes para produzir cenas, testar conceitos e desenvolver materiais para projetos maiores.
Minha recomendação é começar com prompts claros, ações relativamente simples e imagens de referência bem enquadradas quando o objetivo for preservar a aparência de um personagem. Depois, vale aumentar a complexidade gradualmente para entender os limites do modelo.
Também não considero justo avaliar um modelo por apenas uma geração. Os resultados podem variar bastante conforme o prompt e as configurações. Por isso, prefiro analisar um conjunto de testes diferentes, observando tanto os acertos quanto os erros.
RTX 3060 de 12 GB para geração de vídeos com IA
Todos os testes deste artigo foram realizados com uma RTX 3060 de 12 GB. Consegui gerar cinco vídeos com propostas bastante diferentes, demonstrando que essa placa pode ser útil para experimentar ferramentas locais de geração de vídeos.
Isso não significa que qualquer configuração do LTX 2.5 funcionará necessariamente nessa GPU. O consumo de memória depende do workflow, da resolução, da duração e dos demais parâmetros utilizados.
Se você está pensando em montar ou atualizar um computador para trabalhar com ComfyUI, geração de imagens e vídeos com IA, vale comparar a quantidade de VRAM, o desempenho e o preço das placas antes de comprar.
Conclusão
O LTX 2.5 me surpreendeu positivamente. Nos cinco testes realizados com minha RTX 3060 de 12 GB, consegui resultados interessantes em diferentes estilos de vídeo, desde cenas de fantasia até personagens falando em português.
O modelo não acertou tudo: encontrei distorções no anime de futebol, limitações nas texturas e um problema anatômico na cena da praia. Também precisei considerar erros de enquadramento na geração cinematográfica.
Por outro lado, a geração com imagem de referência apresentou boa consistência visual, e o lip-sync foi um dos grandes destaques. A cena do homem voando também seguiu de maneira satisfatória a proposta do prompt.
Minha conclusão é que o LTX 2.5 é bastante competente e supera muito o LTX 2.3 na minha experiência prática. Ainda existem limitações, mas os resultados demonstram um potencial significativo para quem deseja criar vídeos com IA localmente.
Se você utiliza o ComfyUI e possui uma RTX 3060 de 12 GB, considero que vale a pena experimentar o modelo e avaliar os resultados no seu próprio workflow.
Sansão Seara
Tutoriais sobre inteligência artificial, ComfyUI, ferramentas locais e criação de conteúdo.
0 Comentários