本次测试观察#
在这次本机测试中，先去掉音频模块更符合我的目标：优先稳定生成可用视频，再处理音效和配音。LTX 2.3无音频工作流生成5秒视频约40秒；官方带音频版本约50到180秒，波动明显；Wan2.2补帧方案生成4秒视频约60秒。
为什么要做这次对比#
之前我尝试用1秒首尾帧视频进行拼接，但模型很难稳定理解前后画面的动作关系，废片比较多。因此这次改用更直接的方案：使用同一批参考图，分别交给三套工作流生成，再比较时间和可用性。
测试目标不是寻找理论上最强的模型，而是确定哪一条管线更适合放进ArcTable做批量任务。
测试环境与输入#
| 项目 | 本次设置 |
|---|---|
| 显卡 | RTX 4090，24GB显存 |
| 系统内存 | 32GB |
| 参考图 | image_z_image_turbo生成 |
| 参考图尺寸 | 864×480 |
| 主要对比 | LTX 2.3无音频、LTX 2.3官方带音频、Wan2.2补帧×2 |
参考图在当前环境下约3秒生成一张。
三套工作流的观察结果#
| 工作流 | 视频长度 | 本次耗时 | 本机观察 |
|---|---|---|---|
| LTX 2.3无音频 | 5秒 | 约40秒 | 耗时相对稳定，适合先完成画面 |
| LTX 2.3官方带音频 | 5秒 | 约50至180秒 | 时间波动较大，显存与内存交换明显 |
| Wan2.2补帧×2 | 4秒 | 约60秒 | 可以生成，但本次运行时显卡温度超过80℃ |
LTX 2.3无音频工作流#
在当前批次里，5秒视频大约40秒完成。去掉音频后，工作流更轻，也更容易进行连续批量测试。
LTX 2.3官方带音频工作流#
同样是5秒视频，本次最低约50秒，部分任务接近180秒。表现不稳定，可能与24GB显存和32GB系统内存之间的数据交换有关，但这次没有做单变量诊断，所以不能把原因完全归结到内存。
Wan2.2补帧方案#
本次只能按4秒视频测试，生成时间约60秒。运行期间观察到显卡温度超过80℃，因此没有继续做长时间压力测试。
为什么最终先选无音频方案#
- 当前阶段更需要稳定批量出片，而不是一次完成所有音画元素。
- 音效、旁白和字幕可以在后续流程中单独生成和组合。
- 把视频和音频拆开后，更容易判断问题来自画面模型还是音频模块。
- 对ArcTable而言，多个可复用的小步骤比一个很重、很难排错的大工作流更容易管理。
这次测试还不能说明什么#
- 没有进行多次重复测试，因此不能把单次耗时当作严格基准。
- 三套工作流的节点、精度和采样设置并不完全等价。
- 没有记录整机功耗、显存曲线和每个节点耗时。
- 没有对生成质量做盲测评分。
- 显卡温度只是在本机观察到的现象，不等于模型本身存在安全问题。
后续如果要形成正式性能结论，需要固定输入、随机种子、分辨率、帧数和节点版本，至少重复执行多次，再记录平均值与波动范围。