LTX Foley 非蒸馏模型调研对比 — dev 30步 vs 蒸馏 9步

🎧 LTX Foley 非蒸馏模型调研 — A/B/C 对比

目的：调研 LTX Foley 最佳参数与最佳工作流（非蒸馏 dev 30步 vs 蒸馏 9步）｜输入：case04 H3 视频 362帧/15.08s｜LoRA: ltx-2.3-foley-400-steps @ 1.0

对比版本

模型类型

30步

官方推荐采样步数

LRA 10-11

非蒸馏动态范围

REF 蒸馏定稿（当前生产）生产配置

模型	distilled 1.1 int8
步数	9 步
CFG	1.0
采样器	euler
LoRA	1.0 ✓
后处理	loudnorm(I=-20)

~-30 LUFS

响度

~1 LU

LRA

0 静音

连续性

基线：均匀自然，但动态范围小（LRA~1），细节少。

N1 dev 30步官方风格（推荐）非蒸馏

模型	dev int8_convrot
步数	30 步（官方推荐）
CFG	2.05
采样器	euler_ancestral_cfg_pp
NAG	无
ModelSampling	2.05/0.95

-29.9 LUFS

响度

10.4 LU

LRA

0 静音

连续性

✅ 最佳候选：官方参数组合（30步 + euler_ancestral_cfg_pp + CFG2.05），动态范围丰富，无静音，听感自然。

N2 dev 30步 + NAG 非蒸馏

模型	dev int8_convrot
步数	30 步
CFG	2.05
采样器	euler_ancestral_cfg_pp
NAG	✅ 启用
ModelSampling	2.05/0.95

-33.6 LUFS

响度

10.1 LU

LRA

0 静音

连续性

次选：NAG 链让内容更丰富（文件 685KB > N1 598KB），但响度更低，需要更多增益。

N3 dev 30步 euler（❌）不推荐

模型	dev int8_convrot
步数	30 步
CFG	2.05
采样器	euler（普通）
NAG	无
ModelSampling	2.05/0.95

-44.2 LUFS

响度

11.2 LU

LRA

4 段静音

连续性

❌ 排除：euler 采样器不适合非蒸馏 Foley（-44 LUFS 太安静 + 4 段静音断裂）。

📊 参数对比总表

版本	模型	步数	CFG	采样器	NAG	响度	LRA	静音	结论
REF 生产	distilled 1.1	9	1.0	euler	—	~-30	~1	0	基线（均匀但平）
N1	dev int8	30	2.05	ea_cfg_pp	无	-29.9	10.4	0	✅ 推荐
N2	dev int8	30	2.05	ea_cfg_pp	✅	-33.6	10.1	0	次选
N3	dev int8	30	2.05	euler	无	-44.2	11.2	4 段	❌ 排除

🔬 调研结论

1. 模型选择：非蒸馏 dev 是正解。 官方 Foley workflow (foley-sliding-window.json) 明确用 ltx-2.3-22b-dev 而非 distilled。蒸馏模型为了快速视频生成牺牲了音频细节，非蒸馏 + 30步能恢复真实环境音的动态范围（LRA 从 ~1 提升到 ~10）。

2. 采样器：必须用 euler_ancestral_cfg_pp。 官方配置。普通 euler 在非蒸馏 Foley 上产生 -44 LUFS 超低响度 + 静音断裂（N3 实测）。

3. CFG & 步数：CFG 2.05 + 30步。 官方 ModelSamplingLTXV (2.05/0.95) + LTXVScheduler 30步 + CFGGuider 2.05。蒸馏版 CFG=1.0 是因为蒸馏模型不支持 CFG>1。

4. NAG 可选。 N1（无NAG）与 N2（有NAG）听感接近，N1 响度更佳。若追求最大细节可开 NAG，否则保持 N1 简洁。

5. 后处理保留 loudnorm(I=-20)。 非蒸馏原始响度约 -30~-34 LUFS，仍需 loudnorm 标准化到 -20。

⚠️ 注意：dev 模型 30 步渲染时间约为蒸馏 9 步的 3 倍（362帧约 22 分钟）。环境音生成场景可接受，但批量渲染需规划 GPU 时间。