Guia · IA de vídeo local

Vídeo com IA,
no seu PC, de graça.

É o mesmo caminho que eu usei para transformar o PC que eu ia vender numa máquina de IA. Ele gera vídeo com som e fala, sem assinatura e sem crédito. O único custo é a energia.

LTX-2.5 · modelo aberto ComfyUI · roda local RTX 3070 · 8 GB ~5 min por vídeo de 5 s
01

O que sai dele

Todos esses vídeos foram gerados no meu PC, com o som e a fala juntos, saídos do próprio modelo. Toque para ouvir.

Chuva em TóquioFala em português gerada junto
Cavalo no marTexto → vídeo, com som de cascos e ondas
Ceia de NatalImagem → vídeo, com diálogo
EstúdioPessoa que não existe, falando

Saída original: 1088×1920, 5 segundos, 24 quadros por segundo. Aqui os vídeos estão comprimidos para a página carregar rápido.

02

Meu setup, sem enfeite

Não é uma máquina de ponta. É uma placa de 2020, intermediária. O que ajuda muito é a RAM: o modelo não cabe inteiro nos 8 GB da placa, e o resto roda na memória do sistema.

Placa de vídeo
RTX 3070 · 8 GB

NVIDIA, lançada em 2020.

Memória RAM
48 GB

Pico medido de 46 GB durante a geração.

Processador
Ryzen 7 3700X

Windows 11, SSD de 1 TB.

Tempo por vídeo
~5 min 20 s

5 s em 1088×1920, com áudio. Mediana de 18 gerações.

Espaço em disco
~50 GB

Interface + modelos do LTX.

Custo por vídeo
Só energia

Nenhum serviço pago no fluxo.

03

Seu PC roda?

O que manda é a memória da placa de vídeo (VRAM). Só a linha de 8 GB foi medida aqui. As outras são estimativas e ainda não foram testadas. Considere 32 GB de RAM ou mais. Com 32 GB, talvez só rode em resolução menor.

VRAMO que dá para gerar (imagem → vídeo com áudio)Tempo por clipe
8 GB
RTX 3070 (o meu)
1088×1920 com 5 s · 768×1344 com 10 s · 480×864 com até 20 s. 1080p com 10 s não roda.3 a 6 minMedido
12 GB
RTX 3060 12 GB, 4070
1080p com ~8 s · 768×1344 com ~15 s · 480p com 20 s ou mais2 a 5 minEstimado
16 GB
4060 Ti 16 GB, 4080, 5070 Ti
1080p com ~10 s · 768×1344 com ~20 s2 a 4 minEstimado
24 GB
RTX 3090, 4090
1080p com ~15 a 20 s, e dá para usar uma versão menos comprimida do modelo, com mais qualidade1 a 3 minEstimado
6 GB ou menosNão recomendo com este modelo. Talvez rode em 480p e poucos segundos, com uma versão mais comprimida.—Estimado
Precisa ser placa NVIDIA. Este guia é para Windows, com a versão portátil do ComfyUI.
04

Instalação, passo a passo

Reserve uma tarde. A maior parte do tempo é download: são uns 35 GB de modelos. Os exemplos usam a pasta D:\ComfyUI, mas pode ser qualquer disco com espaço.

Atalho

Tem Claude Code ou Codex? Deixe a IA instalar por você.

Toque no botão para copiar o prompt, cole no chat do Claude Code ou do Codex aberto no seu PC e escreva "instale isso". Ele confere se a sua máquina aguenta, baixa tudo, configura e roda o primeiro vídeo de teste. Só uma parte fica com você: aceitar os termos no Hugging Face e criar o token. A IA avisa a hora certa.

Baixar como arquivo (.md) ↓

Prefere fazer na mão? Os passos estão logo abaixo.

Atualize o driver da NVIDIA

Pelo app da NVIDIA ou pelo site oficial. Driver antigo é a causa mais comum de erro.

Baixe o ComfyUI portátil

É a interface onde tudo roda. A versão portátil já vem com o próprio Python e não precisa de instalador.

Crie a pasta dos modelos

Dentro de D:\ComfyUI\models\, crie estas subpastas:

unet
text_encoders
vae
latent_upscale_models
loras

Baixe o modelo de vídeo e as peças

Estão no repositório unsloth/LTX-2.5-GGUF, que é público e não pede login.

  • distilled/ltx-2.5-22b-distilled-UD-Q4_K_XL.gguf (14 GB) → pasta unet
  • vae/ltx-2.5-video-vae-conv-bf16.safetensors → pasta vae
  • vae/ltx-2.5-audio-vae-bf16.safetensors → pasta vae
  • latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors → pasta latent_upscale_models

O modelo é a versão "distilled" (gera em poucos passos) e comprimida em Q4. É isso que faz caber numa placa de 8 GB.

Baixe o codificador de texto (Gemma)

É ele que entende o seu prompt. Fica em Lightricks/LTX-2.5, que tem acesso restrito, mas é grátis:

  • Crie uma conta grátis no Hugging Face, abra a página do modelo e aceite os termos.
  • Baixe text_encoders/gemma4-12b-with-proj-ltx-2.5-comfy-int8-convrot.safetensors (15,4 GB) pelo botão de download da página.
  • Coloque o arquivo na pasta text_encoders.

Aponte o ComfyUI para a pasta de modelos

Crie o arquivo ComfyUI\extra_model_paths.yaml dentro da pasta do ComfyUI portátil, com este conteúdo:

ltx:
  base_path: D:/ComfyUI/models/
  diffusion_models: unet
  text_encoders: text_encoders
  vae: vae
  latent_upscale_models: latent_upscale_models
  loras: loras

Instale o ComfyUI-GGUF

É a única extensão necessária: ela carrega o modelo comprimido .gguf. Abra o terminal dentro da pasta ComfyUI_windows_portable e rode:

git clone https://github.com/city96/ComfyUI-GGUF ComfyUI\custom_nodes\ComfyUI-GGUF
python_embeded\python.exe -m pip install -r ComfyUI\custom_nodes\ComfyUI-GGUF\requirements.txt

Sem o Git? Dá para instalar pelo ComfyUI Manager, procurando "ComfyUI-GGUF".

Abra o ComfyUI

Dê dois cliques em run_nvidia_gpu.bat. Ele abre no navegador, em http://127.0.0.1:8188. Não precisa de nenhuma configuração especial: o que não cabe na placa vai para a RAM sozinho.

05

O workflow pronto

É o mesmo que gerou a ceia de Natal. Você dá uma imagem de partida e um prompt, e ele devolve 5 segundos em 1088×1920, com som.

Como usar

Coloque a imagem de partida

Salve a imagem em ComfyUI\input\ com o nome minha-imagem.png, ou troque o nome no nó "LoadImage". O ideal é uma imagem vertical, 9:16.

Arraste o .json para a janela do ComfyUI

O arquivo está no formato "API", então os nós aparecem sem organização na tela. Funciona do mesmo jeito.

Troque o prompt e clique em "Run"

O prompt fica no primeiro nó "CLIPTextEncode". Para outro resultado com o mesmo prompt, mude a seed nos dois nós "RandomNoise". O vídeo sai em ComfyUI\output\ltx25\.

O que fez diferença

  • Duas etapas: gerar em meia resolução e ampliar ×2 no fim. O rosto sai bem mais nítido que gerando direto em 1080p, e ainda é mais rápido.
  • Decodificar em blocos: o nó "VAEDecodeTiled" com 512 / 64 / 128 / 32. Com valores menores aparece uma emenda borrada a cada segundo de vídeo.
  • Gere 3 seeds de cada cena e escolha a melhor. Eu uso 2024, 777 e 7.
06

Prompts que funcionaram

Escreva em inglês. A fala pode ser em português: é só pedir "in Brazilian Portuguese" e colocar a frase entre aspas.

As 4 regras que mais mudaram o resultado:
  • Nunca use "slow" ou "slowly". Dá cara de câmera lenta. Peça "natural real-time speed, not slow motion".
  • Se quer a fala logo, diga quando: "Right at the start of the shot, he says…".
  • Descreva a voz: idade, tom, ritmo ("deep, serious, natural male voice, at a natural conversational pace").
  • Termine com o som do ambiente. O modelo gera o áudio a partir disso.
Chuva em Tóquio · texto → vídeo com fala
Cinematic close-up of a man in his thirties in a dark suit, completely soaked, standing on a Tokyo street at night in heavy rain. Rain pours down hard, water drips from his hair and face, and bright pink and blue neon signs reflect on the wet asphalt behind him. Right at the start of the shot, he turns his face toward the camera, looks straight into the lens and says in Brazilian Portuguese, in a deep, serious, natural male voice, at a natural conversational pace: "Isso aqui não é um filme." Light handheld camera with subtle natural shake. Everything moves at natural real-time speed, not slow motion. Shallow depth of field, anamorphic film look, high contrast. Sound of heavy rain hitting the street and distant city traffic.
Cavalo no mar · texto → vídeo
A powerful black horse gallops at full speed along the edge of the sea at sunset, its hooves hitting the shallow water and sending big splashes of water into the air, its mane flying in the wind. The camera tracks alongside the horse from the side, moving at the same speed, keeping the horse in the center of the frame. Everything moves at natural real-time speed, not slow motion. Golden orange sunset light, glittering waves, cinematic wide shot. No people, no rider, no text. Sound of hooves splashing through water, crashing waves and strong wind.
Ceia de Natal · imagem → vídeo com diálogo
A young woman in her late twenties sits at a candlelit Christmas Eve dinner table in a dark wood-paneled New York townhouse dining room in 1994, a softly glowing Christmas tree with warm lights and a pine garland with red ribbons blurred in the background, silver candlesticks and holly on the table. Very long voluminous glossy dark-brown 90s blowout hair, light green eyes, rose-brown lipstick, large gold button clip-on earrings, cream silk blouse. After a brief half-second pause at the start of the shot, she looks slightly to the left of the camera, toward someone sitting across the table, and says in a soft, calm, natural young female voice, at a natural conversational pace, with a quiet confident smile: "I bought this building. Merry Christmas." Then she picks up her napkin and gently places it on her lap, never breaking eye contact. She stays seated in the same position for the whole shot, only her face, eyes and hands move. Close-up, static camera, locked-off tripod shot, fixed framing, no zoom, no push-in. Warm candlelight on her face, deep shadows, everything at natural real-time speed, not slow motion. Shallow depth of field, 35mm film grain, 1990s film look. Sound of a quiet dining room, faint clink of silverware, a crackling fireplace and a soft Christmas carol on a distant record player.

Pessoa falando e câmera parada: use "static camera, locked-off tripod shot". Senão a câmera vai ficar dando zoom sozinha.

07

É de graça mesmo?

Sim. O modelo e as peças são gratuitos. A internet só é usada uma vez, para baixar tudo. Depois, cada vídeo roda inteiro no seu computador.

Uma estimativa que não medi: o PC gerando puxa uns 300 a 350 W. Isso dá cerca de 0,03 kWh por vídeo de 5 segundos, ou seja, centavos.

Um cuidado: o ComfyUI também traz no menu nós de serviços pagos, como Kling, Runway e Veo. Eles só cobram se você colocar um deles no workflow e entrar com uma conta que tenha créditos. O workflow deste guia não usa nenhum.

Links oficiais