Digital twin Dominiki — testy lokalne (15.09.2026)

Punkt odniesienia. Jeden model robi obraz, mowę po polsku i ruch ust naraz; głos sklonowany z 5 s referencji; obraz startuje z prawdziwej klatki Dominiki (3 klatki na zmianę).

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3, spark5) — jeden przebieg generuje wideo i audio

Wejście

3 klatki z nagrań (IMG_5110 @0.2 s, IMG_5137 @15.9 s, IMG_5125 @5.0 s) + 5 s głosu + 8 linijek tekstu w promptach (po jednej na ujęcie)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB

Ustawienia

Wykonanie

shot1 | Cześć, mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | Lonian, Bartosz Paszek to najlepszy wspólnik. Trafił mi się jak ślepej kurze ziarno.
shot3 | Legia Warszawa to najlepszy klub. A kto nie wierzy, chuj mu w dziób.
shot4 | Kocham czarodziejkę z Księżyca i wiem, że 40 plus 60 daje 100.
shot5 | Także co wiem, jest taka super tajna formuła w Excelu. Nazywa się SUMA. Ale nikomu nie mówcie!
shot6 | Excel to jedyny program, który zamienia datę urodzenia w bliskie 44 tysiące.
shot7 | Otwierasz plik, a on pyta, czy zapisać zmiany. Jakie zmiany? Ja tylko patrzyłam.
shot8 | Gmurki to nie funkcja, to pułapka na ludzi, którzy ufają Excelowi. Koniec testu.

Ocena / uwagi

Tożsamość i mimika bardzo dobre. 4/8 linijek idealne, 4/8 z błędem w pierwszej sekundzie (doklejona sylaba, dodany wstęp, 'Gmurki' zamiast 'Scal komórki') — LTX ma niestabilny start kwestii. Ogony ciszy przycięte do końca mowy (+0,45 s).

Ta sama konfiguracja co L1, wyższa rozdzielczość (704×1280 zamiast 576×1024).

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–8)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB

Ustawienia

Wykonanie

shot1 | Cześć! Mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | Pienodogę. Bartosz Paszek to najlepszy wspólnik. Trafił mi się jak ślepej kurze ziarno.
shot3 | Ja, Trogłaśka. Legia Warszawa to najlepszy klub, a kto nie wierzy, chuj mu w dziób.
shot4 | Kocham czarodzieńkę z księżyca I wiem, że 40 plus 60 daje 100
shot5 | Jest taka super tajna formuła w Excelu, nazywa się suma, ale nikomu nie mówcie.
shot6 | Excel to jedyny program, który zamienia datę urodzenia w bliskę 44 tysiące.
shot7 | Otwierasz plik, a on pyta czy zapisać zmiany. Jakie zmiany? Ja tylko patrzyłam.
shot8 | To pułapka na ludzi, którzy ufają Excelowi. Koniec testu.

Ocena / uwagi

Obraz wyraźnie ostrzejszy niż L1 (oczy, skóra, włosy — porównanie kadrów 1:1 w tej samej sekundzie), tożsamość i mimika jak w L1. Koszt: 2881 s za 8 ujęć (360 s/ujęcie, 1,7× dłużej niż 576×1024). Mowa: 5/8 idealnie, 2/8 z doklejoną sylabą/słowem na starcie („Pienodogę.", „Ja, Trogłaśka."), 1/8 z uciętym początkiem (shot 8 bez „Scal komórki to nie funkcja") — problem pierwszej sekundy nie zależy od rozdzielczości.

Jak L1, ale prompt każe najpierw wziąć oddech — sprawdzamy, czy początek kwestii przestaje ginąć.

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–8)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB

Ustawienia

Wykonanie

shot1 | Cześć, mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | Bartosz Paszek to najlepszy wspólnik. Trafił mi się jak ślepej kurze ziarno.
shot3 | Dzięki za oglądanie!
shot4 | Kocham czarodziejkę z Księżyca i wiem, że 40 plus 60 daje 100.
shot5 | Jest taka super tajna formuła w Excelu, nazywa się suma, ale nikomu nie mówcie.
shot6 | Excel to jedyny program, który zamienia datę urodzenia w bliskie 44 tysiące.
shot7 | Otwierasz plik, a on pyta, czy zapisać zmiany. Jakie zmiany? Ja tylko patrzyłam.
shot8 | Bóg to nie funkcja, to pułapka na ludzi, którzy ufają Excelowi. Koniec testu.

Ocena / uwagi

Lepiej niż baza: 6/8 linijek idealnie (w L1 były 4/8) — „oddech" naprawił początki linijek 2 i 5. Ale linijka 3 wyszła jako bełkot bez treści (w L1 była idealna), a 8 znów ma zjedzony start („Bóg to nie funkcja" zamiast „Scal komórki to nie funkcja"). Wniosek: sztuczka pomaga statystycznie, nie deterministycznie — przy produkcji trzeba generować 2 warianty na linijkę i wybierać po Whisperze. „w liczbę" konsekwentnie wychodzi jako „w bliskie" (L1, L2, L4) — słowo do przepisania w skrypcie. 1676 s GPU (8 ujęć).

Jak L1 na linijkach 1–4 + dodatkowy przebieg z odciętą uwagą audio↔wideo, wynik dopychany do wersji sprzężonej (mocniejszy lip-sync).

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–4)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB

Ustawienia

Wykonanie

shot1 | pagiem. Cześć, mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | Barczosz Paszek to najlepszy wspólnik. Grafił mi się jak ślepej kurze ziarno.
shot3 | Legia Warszawera to najlepszy klub, a kto nie wierzy, chuj mu w dziób.
shot4 | Kocham czarodziejkę z Księżyca i wiem, że 40 plus 60 daje 100.

Ocena / uwagi

Usta pracują wyraźnie mocniej (szerokie otwarcia, zęby, język), ale pojawiają się przerysowane/zdeformowane kształty warg w pojedynczych klatkach i więcej rozmycia ruchu. Mowa NIE lepsza: 4/4 linijki z drobnymi zniekształceniami („pagiem." na starcie, „Barczosz", „Grafił", „Warszawera") — w bazie 3/4 idealne. Koszt +27 % czasu (1082 s za 4 ujęcia = 270 s/ujęcie vs 212). Wniosek: przy modelu distilled modality_scale 3.0 to za dużo; ewentualnie 1.5 do sprawdzenia, ale nie jest to priorytet.

Jak L1 na linijkach 1–4 + STG (blok 29): przebieg z osłabioną self-attention i odpychanie od niego.

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–4)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB

Ustawienia

Wykonanie

shot1 | Cześć, mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | Bartosz Paszek to najlepszy wspólnik. Trafił mi się jak ślepej kurze ziarno.
shot3 | Legia Warsamyza to najlepszy klub. A kto nie wierzy? Chuj mu w dziób!
shot4 | Kocham czarodziejkę z Księżyca i wiem, że 40 plus 60 daje 100.

Ocena / uwagi

Mowa dobra (3/4 idealnie, „Warsamyza"). Obraz: STG 1.0 dokłada kontrastu i „wygładza" skórę, a mimika robi się przerysowana — szeroki, sztuczny uśmiech w porównaniu z naturalnym z L1 (patrz kadry 1:1 w 3. sekundzie ujęcia 1). Koszt +33 % czasu (1125 s za 4 ujęcia = 281 s/ujęcie). Wniosek: dla talking-head z prawdziwej klatki STG nie pomaga; ewentualnie 0.3–0.5, ale nie ma po co.

Linijki 1–3 jako łańcuch: każde kolejne ujęcie startuje z ostatnich 9 klatek poprzedniego (guide @ klatka 0), overlap przycięty — 24 s bez cięcia montażowego.

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–3)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB

Ustawienia

Wykonanie

shot1 | Cześć, mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | bo Aron do psa na sercu chłopcy tchma w karszołusz. Bartosz Paszek to najlepszy wspólnik. Trafił mi się jak ślepej kurze ziarno.
shot3 | Legia Warszawa to najlepszy klub, a kto nie wierzy, chuj mu w dziób.

Ocena / uwagi

Obraz: łączenie ujęć BEZSZWOWE — poza, mrugnięcie i światło przechodzą płynnie z ujęcia 1 do 2 (ostatnie 9 klatek jako guide), zero cięcia montażowego. Dźwięk: problem — ujęcie 2 zaczyna się od ~3 s bełkotu („bo Aron do psa na sercu…") zanim padnie właściwa kwestia; model „kontynuuje mowę" z klatek-guide, bo guide niesie tylko obraz, nie audio. Linijki 1 i 3 idealne. 667 s GPU za 3 ujęcia (222 s/ujęcie). Do naprawienia: prompt „milczy przez sekundę, potem mówi" albo przycięcie bełkotu po Whisperze — obraz jest wart dalszej pracy.

Linijki 1–3 w JEDNYM prompcie, 601 klatek generowanych oknami 145/40 (pyramid, FreeNoise, retain_first_frame).

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–3)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB

Ustawienia

Wykonanie

long | stracił mi się jak ślepej kurzy ziarno. Legia Warszawa to najlepszy klub, a kto nie wierzy, chuj mu w dziób. A kto nie wierze, chuj mu ziarno? Legia Warszowa to najlepszy klub, a kto nie wierszy, chuj mu w diób. Legia Warszwa to najlepszy klub, a кто не вяжет, хуй ему в дзёб. Legia Warszava to najlepszy клуб, a kto не вяжет хуй ему в дзюб.

Ocena / uwagi

NIE DZIAŁA dla mowy. Obraz: 24 s stabilne, tożsamość OK, ale prawie bez ruchu ust — mimika „na jałowym biegu". Dźwięk: model zgubił linijkę 1, zaczął od końcówki 2, a potem ZAPĘTLIŁ linijkę 3 czterokrotnie, z każdą powtórką bardziej zniekształconą (ostatnie dwie przechodzą w rosyjskobrzmiący bełkot). Przyczyna: okna kontekstu widzą ten sam prompt, więc każde okno generuje tę samą kwestię. 967 s GPU za 24 s. Wniosek: długie kwestie tylko przez łańcuch ujęć (L1/L7), nie przez ContextWindows.

Jak L1 + LoRA identyfikacji mówcy od Lightricks (trenowana na TalkVid) — dopiero z nią węzeł ReferenceAudio działa tak, jak zaprojektowano; L1 używał samego modelu bazowego.

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–8)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB
• LTX-2.3 ID-LoRA TalkVid 3k — ltx-2.3-id-lora-talkvid-3k.safetensors · źródło · 1,16 GB

Ustawienia

Wykonanie

shot1 | Cześć, mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | Bartosz Paszek to najlepszy wspólnik. Trafił mi się jak ślepej kurzy ziarno.
shot3 | Legia Warczawa to najlepszy klub, a kto nie wierzy...
shot4 | Kocham czarodziejkę z Księżyca i wiem, że 40 plus 60 daje 100.
shot5 | Przerzekłały. Jest taka super tajna formuła w Excelu. Nazywa się suma, ale nikomu nie mówcie.
shot6 | Excel to jedyny program, który zamienia datę urodzenia w łyskę 44 tysiące.
shot7 | Otwierasz plik, a on pyta, czy zapisać zmiany. Jakie zmiany? Ja tylko patrzyłam.
shot8 | Skał komórki to nie funkcja, to pułapka na ludzi, którzy ufają Excelowi. Koniec testu.

Ocena / uwagi

Zrozumiałość jak w bazie: 4/8 idealnie, 1/8 ucięty KONIEC („a kto nie wierzy…" bez puenty), 2/8 z doklejką/zniekształceniem na starcie („Przerzekłały.", „w łyskę"), „Skał komórki". Podobieństwo głosu (kosinus embeddingu mówcy, Chatterbox VoiceEncoder): vs oryginał A 0,848 / vs oryginał B (niewidziany) 0,794 — baza L1: 0,832 / 0,773; sufit „ona vs ona" 0,862; obcy głos (Piper) 0,69/0,63. Czyli ID-LoRA TalkVid podnosi podobieństwo tembru o ~0,02 — mierzalnie, ale nie skokowo. 1695 s GPU (jak baza).

Jak L10, inna LoRA identyfikacji (CelebV-HQ), linijki 1–4.

Silnik

LTX-2.3 22B distilled fp8 (ComfyUI-h3)

Wejście

jak L1 (linijki 1–4)

Modele / wagi

• LTX-2.3 22B distilled (fp8) — model wideo+audio — ltx-2.3-22b-distilled-fp8.safetensors · źródło · checkpoint ComfyUI (zawiera VAE wideo i VAE audio); 29,5 GB
• Gemma 3 12B IT (fp4 mixed) — enkoder tekstu — gemma_3_12B_it_fp4_mixed.safetensors · źródło · 9,4 GB
• LTX-2.3 ID-LoRA CelebV-HQ 3k — ltx-2.3-id-lora-celebvhq-3k.safetensors · źródło · 1,16 GB

Ustawienia

Wykonanie

shot1 | Cześć! Mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.
shot2 | Bartosz Paszek to najlepszy wspólnik. Trafił mi się jak ślepej kurze ziarno.
shot3 | Legia Warszaniwa to najlepszy klub, a kto nie wierzy, chuj mu w dzi...
shot4 | Kocham czarodziejkę z Księżyca i wiem, że 40 plus 60 daje jej szt.

Ocena / uwagi

Zrozumiałość: 2/4 idealnie, 2/4 z uciętym KOŃCEM („chuj mu w dzi…", „daje jej szt." zamiast „daje sto") — ta LoRA częściej gubi końcówkę kwestii. Podobieństwo tembru (kosinus): 0,871 vs oryginał A / 0,797 vs oryginał B — najwyżej z wariantów LTX (baza 0,832/0,773, TalkVid 0,848/0,794), ale różnica vs TalkVid mieści się w szumie seedów (~0,015). 872 s GPU za 4 ujęcia (218 s/ujęcie).

Wan 2.2 nie generuje mowy; pokazuje, jak inny model animuje tę samą klatkę (do przebitek między ujęciami z mową).

Silnik

Wan 2.2 I2V A14B fp8 (high-noise + low-noise) + lightx2v 4-step LoRA (ComfyUI-h3)

Wejście

klatka IMG_5125 @5.0 s + prompt „uśmiecha się, patrzy na laptop, pisze, kiwa głową”

Modele / wagi

• Wan 2.2 I2V A14B high-noise (fp8) — wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors · źródło
• Wan 2.2 I2V A14B low-noise (fp8) — wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors · źródło
• lightx2v 4-step LoRA high/low — wan2.2_i2v_lightx2v_4steps_lora_v1_{high,low}_noise.safetensors · źródło
• umt5-xxl fp8 — umt5_xxl_fp8_e4m3fn_scaled.safetensors · źródło
• Wan 2.1 VAE — wan_2.1_vae.safetensors · źródło

Ustawienia

Wykonanie

Lewo oryginał, prawo InfiniteTalk z jednej klatki + jej prawdziwe nagranie (IMG_5110). Zapętlone 3×. Sprawdza, czy usta idą za dźwiękiem.

Silnik

InfiniteTalk (Wan 2.1 I2V 14B + patch InfiniteTalk), ComfyUI-h3 natywnie, spark8

Wejście

klatka IMG_5110 @0.2 s + audio IMG_5110 0,0–3,24 s (16 kHz, loudnorm −18)

Modele / wagi

• Wan 2.1 I2V 14B 480p (fp8 scaled) — model wideo — wan2.1_i2v_480p_14B_fp8_scaled.safetensors · źródło · 16,4 GB
• InfiniteTalk single-speaker (fp16) — patch audio→usta — wan2.1_infiniteTalk_single_fp16.safetensors · źródło · 5,1 GB; MeiGen-AI/InfiniteTalk, Apache-2.0
• lightx2v I2V 480p cfg/step-distill LoRA (rank 64) — lightx2v_I2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors · źródło · 6 kroków, cfg 1 — konieczne na GB10 (bug batchowania cond+uncond przy cfg>1)
• chinese-wav2vec2-base — enkoder audio — chinese-wav2vec2-base.bin · źródło · 380 MB
• umt5-xxl (fp8) — enkoder tekstu — umt5_xxl_fp8_e4m3fn_scaled.safetensors · źródło
• CLIP ViT-H — enkoder klatki referencyjnej — clip_vision_h.safetensors · źródło
• Wan 2.1 VAE — wan_2.1_vae.safetensors · źródło

Ustawienia

Wykonanie

Ocena / uwagi

Tożsamość 1:1, usta w rytm mowy (start 0,8 s z głosem, zamknięcie w pauzie), model dodaje własne ruchy głowy i mrugnięcia. Wersja z cfg 4 / 20 kroków (D1) padła na bugu batchowania cond+uncond (ComfyUI upstream), stąd LoRA lightx2v + cfg 1.

Jeden ciągły klip z jednej klatki; dźwięk = 8 linijek z Chatterbox Multilingual (klon z 10 s próbki).

Silnik

InfiniteTalk (Wan 2.1 I2V 14B + patch), ComfyUI-h3 natywnie

Wejście

klatka IMG_5110 @0.2 s + audio G (Chatterbox, 44,2 s)

Modele / wagi

• Wan 2.1 I2V 14B 480p (fp8 scaled) — model wideo — wan2.1_i2v_480p_14B_fp8_scaled.safetensors · źródło · 16,4 GB
• InfiniteTalk single-speaker (fp16) — patch audio→usta — wan2.1_infiniteTalk_single_fp16.safetensors · źródło · 5,1 GB; MeiGen-AI/InfiniteTalk, Apache-2.0
• lightx2v I2V 480p cfg/step-distill LoRA (rank 64) — lightx2v_I2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors · źródło · 6 kroków, cfg 1 — konieczne na GB10 (bug batchowania cond+uncond przy cfg>1)
• chinese-wav2vec2-base — enkoder audio — chinese-wav2vec2-base.bin · źródło · 380 MB
• umt5-xxl (fp8) — enkoder tekstu — umt5_xxl_fp8_e4m3fn_scaled.safetensors · źródło
• CLIP ViT-H — enkoder klatki referencyjnej — clip_vision_h.safetensors · źródło
• Wan 2.1 VAE — wan_2.1_vae.safetensors · źródło

Ustawienia

Wykonanie

Ocena / uwagi

Obraz: tożsamość stabilna przez 44 s (16 segmentów, bez dryfu koloru i twarzy), łączenia segmentów niewidoczne. Usta idą za dźwiękiem, ale dźwięk jest słabym ogniwem — Chatterbox zjada „ść" i nosówki (patrz T2). 2747 s GPU = ~172 s na segment 3,24 s → ~53× wolniej niż czas rzeczywisty na jednym GB10.

Jeden ciągły klip z jednej klatki; dźwięk = ścieżka audio z L1 (LTX-2.3 mówi jej głosem).

Silnik

InfiniteTalk (Wan 2.1 I2V 14B + patch), ComfyUI-h3 natywnie

Wejście

klatka IMG_5110 @0.2 s + audio z L1 (60,3 s)

Modele / wagi

• Wan 2.1 I2V 14B 480p (fp8 scaled) — model wideo — wan2.1_i2v_480p_14B_fp8_scaled.safetensors · źródło · 16,4 GB
• InfiniteTalk single-speaker (fp16) — patch audio→usta — wan2.1_infiniteTalk_single_fp16.safetensors · źródło · 5,1 GB; MeiGen-AI/InfiniteTalk, Apache-2.0
• lightx2v I2V 480p cfg/step-distill LoRA (rank 64) — lightx2v_I2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors · źródło · 6 kroków, cfg 1 — konieczne na GB10 (bug batchowania cond+uncond przy cfg>1)
• chinese-wav2vec2-base — enkoder audio — chinese-wav2vec2-base.bin · źródło · 380 MB
• umt5-xxl (fp8) — enkoder tekstu — umt5_xxl_fp8_e4m3fn_scaled.safetensors · źródło
• CLIP ViT-H — enkoder klatki referencyjnej — clip_vision_h.safetensors · źródło
• Wan 2.1 VAE — wan_2.1_vae.safetensors · źródło

Ustawienia

Wykonanie

Ocena / uwagi

Najdłuższy klip: 60,3 s, 21 segmentów, 3600 s GPU (~171 s/segment, 60× czas rzeczywisty na jednym GB10). Tożsamość stabilna od pierwszej do ostatniej sekundy (bez dryfu twarzy, koloru i tła), łączenia segmentów niewidoczne, usta pracują w rytm mowy (zaokrąglone „o", uśmiechy, otwarte samogłoski). Głos = ścieżka z L1, więc dziedziczy jej błędy pierwszej sekundy. Miękkość obrazu 480p — patrz I4 (720p).

Linijki 1–3 (głos z LTX). Inna klatka startowa (IMG_5125 @5.0 s, bliższy kadr) i mocniejsze sprzężenie z dźwiękiem (audio_scale 1.5 zamiast 1.0).

Silnik

InfiniteTalk (Wan 2.1 I2V 14B + patch), ComfyUI-h3 natywnie

Wejście

klatka IMG_5125 @5.0 s (480×832) + audio z L1, linijki 1–3 (24,5 s)

Modele / wagi

• Wan 2.1 I2V 14B 480p (fp8 scaled) — model wideo — wan2.1_i2v_480p_14B_fp8_scaled.safetensors · źródło · 16,4 GB
• InfiniteTalk single-speaker (fp16) — patch audio→usta — wan2.1_infiniteTalk_single_fp16.safetensors · źródło · 5,1 GB; MeiGen-AI/InfiniteTalk, Apache-2.0
• lightx2v I2V 480p cfg/step-distill LoRA (rank 64) — lightx2v_I2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors · źródło · 6 kroków, cfg 1 — konieczne na GB10 (bug batchowania cond+uncond przy cfg>1)
• chinese-wav2vec2-base — enkoder audio — chinese-wav2vec2-base.bin · źródło · 380 MB
• umt5-xxl (fp8) — enkoder tekstu — umt5_xxl_fp8_e4m3fn_scaled.safetensors · źródło
• CLIP ViT-H — enkoder klatki referencyjnej — clip_vision_h.safetensors · źródło
• Wan 2.1 VAE — wan_2.1_vae.safetensors · źródło

Ustawienia

Wykonanie

Ocena / uwagi

Bliższy kadr + audio_scale 1.5: usta pracują wyraźnie mocniej (szerokie „o", uśmiech z zębami, zaokrąglone wargi), więcej mimiki i ruchu głowy niż przy 1.0 — miejscami aż za dużo (przerysowane kształty ust w połowie słów). Tożsamość stabilna przez 24,5 s. 1538 s GPU za 9 segmentów (~171 s/segment) — czas nie zależy od audio_scale.

Linijki 1–3 (głos z LTX) w 720×1280 na bazie Wan 2.1 I2V 720p — ten sam patch InfiniteTalk i LoRA lightx2v (480p, działa też z 720p).

Silnik

InfiniteTalk (Wan 2.1 I2V 14B + patch), ComfyUI-h3 natywnie

Wejście

klatka IMG_5110 @0.2 s (720×1280) + audio z L1, linijki 1–3 (24,5 s)

Modele / wagi

• Wan 2.1 I2V 14B 720p (fp8 scaled) — model wideo — wan2.1_i2v_720p_14B_fp8_scaled.safetensors · źródło · 16,4 GB
• InfiniteTalk single-speaker (fp16) — patch audio→usta — wan2.1_infiniteTalk_single_fp16.safetensors · źródło · 5,1 GB; MeiGen-AI/InfiniteTalk, Apache-2.0
• lightx2v I2V 480p cfg/step-distill LoRA (rank 64) — lightx2v_I2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors · źródło · 6 kroków, cfg 1 — konieczne na GB10 (bug batchowania cond+uncond przy cfg>1)
• chinese-wav2vec2-base — enkoder audio — chinese-wav2vec2-base.bin · źródło · 380 MB
• umt5-xxl (fp8) — enkoder tekstu — umt5_xxl_fp8_e4m3fn_scaled.safetensors · źródło
• CLIP ViT-H — enkoder klatki referencyjnej — clip_vision_h.safetensors · źródło
• Wan 2.1 VAE — wan_2.1_vae.safetensors · źródło

Ustawienia

Wykonanie

Ocena / uwagi

Najlepszy obraz w całym teście: 720×1280 wyraźnie ostrzejsze niż 480p (oczy, rzęsy, kosmyki — porównanie kadrów 1:1), tożsamość stabilna, usta w rytm mowy, naturalne ruchy głowy. Cena: 5331 s GPU za 24,5 s = 592 s/segment (3,5× dłużej niż 480p; 60 s klipu = ~3,5 h na jednym GB10). Ta sama LoRA lightx2v 480p działa z bazą 720p.

Ten sam tekst: „Cześć! Mam na imię Dominika i jestem z Numeriki. To jest test dłuższego tekstu.” Odsłuchaj i porównaj z oryginałem (T5).

Silnik

T1: LTX-2.3 (ReferenceAudio) · T2/T3: Chatterbox Multilingual 0.1.4 (Resemble AI, MIT; venv na spark8) · T4: Piper 1.2 (Tank, CPU)

Wejście

T1: 5 s ref (IMG_5137) · T2: 10 s z datasetu · T3: 12 s z datasetu · T4: brak (głos Gosia)

Modele / wagi

• Chatterbox Multilingual — ResembleAI/chatterbox (t3_mtl23ls_v2, s3gen, ve) · źródło
• Piper pl_PL-gosia-medium — pl_PL-gosia-medium.onnx · źródło

Ustawienia

Wykonanie

Ocena / uwagi

Wniosek z liczb: wszystkie klony leżą między „obcy głos” (0,63–0,69) a „ona vs ona” (0,86). Tembr: Chatterbox najbliżej (0,81 vs niewidziane nagranie), LTX+ID-LoRA i LTX 720p tuż za (0,79–0,82), LTX baza 0,77. Ale Chatterbox przegrywa wyraźnie na polskiej fonetyce (Whisper), więc do produkcji: LTX. Miara ma słabość: to enkoder z pakietu Chatterbox, może faworyzować własny model. ElevenLabs nieużyty (klucz w konfiguracji to ID klucza, nie klucz API).