LTX-2.3在RTX 5090上97帧带音频40秒（768×512）、1280×704约50秒，而Wan 2.2 14B MoE 832×480/81帧要93.8秒——当“带音频的LTX”和“不带音频的Wan”在速度上已经接近时，选型到底该按“谁更快”还是按“谁出了片之后需要更少的后期修补”？

一、问题定义：为什么“更快”不再是有效判据

先把两组数字摆在同一张桌面上。按公开的社区实测口径，LTX-2.3 在 RTX 5090 上生成 97 帧、768×512 分辨率并带音轨的片段约需 40 秒；同卡生成 1280×704 约 50 秒。Wan 2.2 14B MoE 在 832×480、81 帧的设定下约需 93.8 秒，且该链路不含音频。两组数据来自不同的测试脚本、不同的采样步数与不同的量化配置，因此不能做严格的一对一比较——这一点必须先讲清楚，否则后文的成本模型就建立在流沙上。

但即便打上折扣，一个结构性事实仍然成立：带音频的模型与不带音频的模型，其单次生成耗时已经进入同一数量级。在 2024 年，音视频联合生成通常意味着数倍的算力开销；到 2025 年底，随着 LTX-2 系列在 DiT 主干上引入更激进的压缩与流式解码策略，这个差距被压缩到 1.5—2.5 倍区间。本文评述：一旦速度差缩小到“一杯咖啡”的量级，把它当作首要选型依据就是典型的指标错配——就像用 CPU 主频选服务器。

1.1 生产链路的真实瓶颈在“出片之后”

短视频与广告素材的生产流程可以抽象为：提示词撰写 → 批量生成 → 初筛 → 音画对齐/口型修补 → 分辨率重采样 → 调色与混音 → 终审。生成环节只占整条链路的一段时间，而返工环节的耗时具有超线性特征：一条需要重新生成三次的片段，其边际成本不是三倍生成时间，而是三倍生成时间加上三次人工审片与两次上下文切换。

行业内的普遍经验是，纯视觉扩散模型在 5—10 秒片段上的“一次通过率”（即无需任何后期修补即可进入终审的比例）与提示词质量、运动幅度、人物朝向高度相关。带音频的联合模型则多出一个维度：音画同步。同步失败的表现包括口型错位、音效与画面事件错拍、背景音乐情绪与镜头节奏冲突。这些问题的修补往往需要回到剪辑软件逐帧对齐，单条耗时可达数分钟到数十分钟。

1.2 判据替换的必要条件

把判据从“谁更快”换成“谁更少返工”，需要满足三个前提：其一，两类模型的单次耗时差小于返工耗时的量级；其二，返工率存在可测量的差异；其三，返工成本可以被折算为统一货币单位（GPU 秒或人力分钟）。第一个前提已由开篇数据支撑，第二个前提需要实测，第三个前提需要建模。本文后续章节依次处理这三件事。

需要提醒的是，返工率不是模型的固有属性，而是模型—提示词—任务类型三元组的联合分布。同一个模型在“静态产品展示”任务上的返工率可能低于 10%，在“多人对话口型”任务上可能高于 60%。因此任何脱离任务分布的返工率数字都不可直接引用。笔者认为，这也是当前社区评测最薄弱的环节：大家热衷于报秒数，却很少报“在什么任务上、多少条里坏几条”。

二、架构机理：音视频联合生成 vs 纯视觉扩散

要理解返工率差异的来源，必须回到架构。LTX-2 系列的核心设计是把视频 latent 与音频 latent 放进同一个扩散时间步序列，通过跨模态注意力让音频 token 与视频 token 在去噪过程中相互条件化。Wan 2.2 14B MoE 则是纯视觉路线，采用混合专家（Mixture of Experts，MoE）结构扩大参数容量，在推理时按 token 路由激活部分专家，从而在参数量与算力之间取得折中。

2.1 联合注意力的代价与收益

音视频联合注意力的计算复杂度随序列长度呈平方增长。设视频 token 数为 N_v，音频 token 数为 N_a，跨模态注意力的开销约为 O(N_v·N_a)。在 768×512、97 帧的设定下，若采用 8×8 patch 与时间压缩 4 倍，视频 token 量级在数万；音频若以 25 Hz 帧率、每帧若干 token 计，量级在数千。跨模态项因此不可忽略，这正是联合模型早期版本慢的原因。

LTX-2.3 的工程取舍在于：对音频分支采用更低的 token 率与更浅的注意力头配置，把跨模态项压到可接受范围；同时在 VAE 侧提高时间压缩率，减少视频 token 总量。本文评述：这不是“免费”的音频能力，而是用视频侧的空间分辨率与时间一致性预算换来的。开篇数据中 768×512 与 1280×704 的耗时差（40 秒 vs 50 秒）说明分辨率仍是主要成本项，音频的边际开销被控制得相当低。

2.2 MoE 稀疏激活的工程含义

Wan 2.2 的 14B MoE 在推理时并非全部参数参与计算。按公开的模型卡描述，路由网络为每个 token 选择 top-k 专家，实际激活参数量显著低于总参数量。这带来两个后果：显存占用仍按总参数计（或按分片加载策略计），但单 token 的浮点运算量下降；同时，路由的不均衡会导致不同片段的推理时间波动。

笔者认为，MoE 对选型的真正影响不在速度，而在可预测性。批量生成时，路由抖动会让单条耗时分布出现长尾，调度系统若按平均值分配资源，就会在长尾样本上排队。相比之下，稠密模型（如 LTX-2.3 的主干若为稠密 DiT）的耗时更稳定，便于做流水线排产。这一点在日均数百条的生产环境里，比平均速度快 10 秒更重要。

2.3 外挂音频链路的隐性成本

纯视觉模型的典型工作流是：生成无声视频 → 用 TTS 生成配音 → 用音效库或音频生成模型补环境声 → 在剪辑软件中对齐。这条链路每一步都引入误差。TTS 的语速与视频中人物的口型节奏天然不同步，需要做时间拉伸或重新生成；环境声与画面事件的对应关系需要人工判断。若使用视频转音频（V2A）模型自动补声，则又引入一个模型的失败模式。

本文评述：外挂链路的成本常被低估，因为它分散在多个工具、多个岗位，不体现在任何一张 GPU 账单上。但它真实存在，且在“人物说话”类任务中占比极高。反过来，联合模型也不是没有后期——它仍可能需要调色、混音、字幕，只是把“对齐”这一步内化了。

三、成本建模：从裸耗时到 TCUC

本节给出可复算的成本模型。定义单条可用片总成本 TCUC（Total Cost per Usable Clip）为：生成成本、返工成本、审片成本三者之和，除以一次通过率。公式如下：

TCUC = (C_gen + C_rework + C_review) / P_pass

其中：
C_gen    = 单次生成 GPU 成本（秒 × 单价）
C_rework = Σ(返工类型概率 × 单次返工成本)
C_review = 人工审片时间 × 人力单价
P_pass   = 一次通过率（无需任何修补）

这个式子的关键在分母。当 P_pass 从 0.6 降到 0.4 时，TCUC 上升 50%，相当于生成速度慢了一半。换言之，通过率对总成本的影响是乘法级的，速度是加法级的。这就是本文主张判据替换的数学依据。

3.1 参数取值与来源说明

下表给出建模所需参数的参考区间。需要强调：GPU 单价与人力单价因地区、云厂商、团队规模差异极大，表中数值仅用于演示计算结构，实际使用时必须替换为本地数据。返工概率区间来自社区讨论与公开评测的归纳，属于整合估计，不是某一次受控实验的结果，引用时请注明为估计值。

本文评述：把人力折算成货币会引发争议，但工程决策必须有一个统一口径。若不愿折算，可改用“人·分钟”作为第二货币，与 GPU 秒并列报告，结论方向不变。

3.2 一个可复算的算例

设定场景：10 秒人物口播片段，日均 100 条。GPU 成本按 0.8 元/分钟计（云卡折中价），人力按 2 元/分钟计。LTX-2.3 侧：t_gen=45 秒，p_sync=0.10，p_lip=0.20，p_motion=0.20，t_fix=8 分钟，P_pass=0.55。Wan 2.2 侧：t_gen=94 秒，p_sync=0.30，p_lip=0.45，p_motion=0.25，t_fix=10 分钟，P_pass=0.35。

结果方向很明确：即便 Wan 2.2 的画面细节更强、单条生成更“值”，在口播任务上其 TCUC 仍显著高于 LTX-2.3。差距的主要来源不是 C_gen（0.65 元），而是 C_rework 与分母 P_pass 的联合作用。本文评述：这个算例是模拟数据，参数可被质疑，但结构是稳健的——只要同步类返工概率存在数量级差异，结论方向就不会因参数微调而反转。

3.3 敏感性分析

对上述模型做单因素敏感性扫描，可以看到三个阈值：当 p_lip 的差值缩小到 0.10 以内时，两模型 TCUC 接近；当人力单价降到 0.5 元/分钟时，GPU 成本权重上升，Wan 2.2 的劣势收窄；当 P_pass 双双高于 0.8 时，分母效应减弱，速度重新成为主导。这三个阈值构成了后文“边界条件”章节的量化基础。

速度是加法项，通过率是乘法项。工程上先优化乘法项，再优化加法项——这是本文的核心主张。

四、实测数据拆解与交叉验证

开篇的两组数据需要放到更完整的坐标系里看。LTX-2.3 的 40 秒（768×512/97 帧）与 50 秒（1280×704）说明其耗时对分辨率敏感、对帧数相对不敏感，这与时间维压缩率较高的设计一致。Wan 2.2 的 93.8 秒（832×480/81 帧）在分辨率低于 1280×704 的情况下耗时接近两倍，说明其 MoE 路由与注意力实现在该配置下并未体现出稀疏激活的算力优势，或测试脚本使用了较高的采样步数。

本文评述：跨来源数据对比必须声明配置差异。采样步数从 20 步提到 30 步，耗时增加约 50%；量化从 FP8 降到 FP16，显存与耗时同时上升。任何“A 比 B 快”的结论，若不附步数、量化、调度器、批大小，都只能作为方向性参考。笔者认为，社区应推动一个最小报告规范：分辨率、帧数、步数、量化、GPU 型号、驱动版本，六项缺一不可。

4.1 分辨率与帧数的成本弹性

扩散模型的推理成本近似正比于 token 数，而 token 数正比于（宽×高）/patch²×（帧数/时间压缩）。因此分辨率翻倍（面积四倍）的成本远高于帧数翻倍。开篇数据中 1280×704 相对 768×512 面积约 2.3 倍，耗时仅从 40 秒升到 50 秒，说明该链路存在固定的调度与解码开销，摊薄了计算项。这个特征对生产有利：提高分辨率的边际成本低于线性预期，意味着“一次生成高分辨率、避免后期超分”在 LTX-2.3 上可能是更优策略。

反过来，Wan 2.2 在 832×480 上耗时 93.8 秒，若提升到 1280×704，按面积比推算可能进入 200 秒以上。此时“生成低分辨率再超分”的策略更划算，但超分会引入细节失真与时间闪烁，又转化为返工。这是一个典型的成本转移而非成本消除。

4.2 音频质量的评估维度

联合模型的音频不能只看“有没有”。可评估维度至少包括：语音可懂度、音色一致性、环境声空间感、音画事件对齐度、音乐节拍与剪辑点匹配度。公开评测中常见的问题是只报“带音频”，不报音频质量分布。本文评述：一个带音频但语音含混、环境声缺失的模型，其音频能力在生产上接近于零，因为后期仍要重做声音。

实操上建议用 20—30 条固定提示词做小样本盲测，由剪辑师按五级量表打分，记录“可直接使用”“小修可用”“必须重做”三档比例。这个测试成本约半天，但能把选型从猜测变成数据。

五、边界条件：什么时候速度仍然说了算

主张判据替换，不等于否定速度。以下三类场景中，裸耗时仍是主导变量，返工率差异被其他因素淹没。

5.1 无声素材与 B-roll

产品特写、风景空镜、抽象背景等 B-roll 素材不需要口型与对白，音频由后期统一铺音乐与音效。此时联合模型的音频能力是冗余的，纯视觉模型的画面优势与 MoE 的细节容量反而更有价值。返工主要集中在运动崩坏与主体一致性，两类模型差异不大，速度重新成为主要成本项。

5.2 高吞吐探索式生成

在创意探索阶段，团队需要一天内看几百条候选，此时单条成本低、吞吐高比“每条都能用”更重要。因为绝大多数候选本来就会被丢弃，返工成本不发生。本文评述：探索阶段与交付阶段应使用不同模型，这是流水线设计的基本常识，但常被“统一技术栈”的执念抹平。

5.3 本地部署与显存约束

14B MoE 的显存占用与分片策略对消费级显卡不友好，若团队只有单卡 24GB，实际可跑的配置会被压缩到低分辨率或高量化，速度优势可能消失。LTX-2.3 在 RTX 5090 上的实测说明其对单卡环境做了优化。笔者认为，部署可行性本身就是一个硬边界，讨论速度前应先确认“能不能跑起来、跑起来是什么精度”。

六、操作路径：三步选型法与工程落地清单

把前面的分析收敛为可执行流程。三步法的时间投入约 3—5 个工作日，产出一份带数据的选型报告。

6.1 第一步：任务切片与权重分配

把团队未来一个季度的需求按任务类型切片，估计每类的条数占比。典型切片：口播对白、产品展示、空镜氛围、多人互动、文字/Logo 呈现。为每类分配权重 w_i，Σw_i=1。这一步决定了后续测试的采样比例，避免用单一任务的结果代表全部。

6.2 第二步：小样本盲测与返工标注

每个模型、每类任务生成 20 条，固定随机种子与提示词模板。由两名剪辑师独立标注：一次通过、小修、重做，并记录修补分钟数。计算加权 P_pass 与加权 C_rework。注意控制变量：同一分辨率档、同一步数、同一量化。若资源允许，做一次双盲（标注者不知道模型来源）。

# 伪代码：加权 TCUC 计算
for model in [ltx, wan]:
    for task in tasks:
        p_pass[task] = pass_count / 20
        c_fix[task]  = mean(fix_minutes)
    P_pass = sum(w[t] * p_pass[t] for t in tasks)
    C_fix  = sum(w[t] * c_fix[t]  for t in tasks)
    TCUC[model] = (c_gen + C_fix * c_h + c_review) / P_pass

6.3 第三步：敏感性复核与灰度上线

对人力单价、GPU 单价、P_pass 做 ±30% 的扰动，看结论是否翻转。若不翻转，进入灰度：选一条真实业务线，两模型各跑两周，记录实际返工工单。若翻转，说明参数不确定性主导，应优先补齐数据而非拍板。

七、结论与展望

回到开篇的问题：当带音频的 LTX-2.3 与不带音频的 Wan 2.2 在速度上已经接近，选型应按“谁更快”还是“谁更少返工”？本文的答案是：按 TCUC，而 TCUC 的分母是一次通过率。速度仍是变量，但已从主导变量降为修正变量。在人物口播类任务上，联合模型的同步内化带来通过率优势，足以抵消甚至反超其分辨率预算的让步；在 B-roll 与探索类任务上，速度与画面容量重新占优。

展望未来 12 个月，三个趋势会改变参数取值：其一，联合模型的音频质量继续提升，p_sync 与 p_lip 下降，联合路线的适用面扩大；其二，MoE 推理框架成熟，路由抖动与显存瓶颈缓解，纯视觉路线的速度优势可能重新拉开；其三，评测规范若被社区采纳，返工率数据将可比，选型从经验走向统计。笔者认为，真正的分水岭不在模型本身，而在团队是否建立了可复算的返工计量体系——没有这套体系，任何选型都只是换一种方式拍脑袋。

主要参考文献

1. Lightricks Team. LTX-Video: Realtime Video Latent Diffusion. arXiv:2501.00103, 2025.
2. Wan Team. Wan2.2: Open Video Generation Models with Mixture-of-Experts. 技术报告, 2025.
3. Esser P, et al. Scaling Rectified Flow Transformers for High-Resolution Image Synthesis. ICML, 2024.
4. Peebles W, Xie S. Scalable Diffusion Models with Transformers. ICCV, 2023.
5. Blattmann A, et al. Stable Video Diffusion: Scaling Latent Video Diffusion Models. arXiv:2311.15127, 2023.
6. Ho J, Salimans T. Classifier-Free Diffusion Guidance. NeurIPS Workshop, 2021.
7. Polyak A, et al. Speech Resynthesis from Discrete Disentangled Self-Supervised Representations. Interspeech, 2021.
8. Rombach R, et al. High-Resolution Image Synthesis with Latent Diffusion Models. CVPR, 2022.
9. Shazeer N, et al. Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. ICLR, 2017.