Scenema Audio wurde ursprünglich als API und Docker-Stack veröffentlicht, wobei die vollpräzisen Transformer-Gewichte für die meisten Nutzer zu schwer für das lokale Self-Hosting waren. Mit der neuen ComfyUI-Integration sind die Modellgewichte nun quantisiert, sodass die Ausführung auf einer RTX 3070 mit 8 GB VRAM möglich ist – getestet wurde der Node zudem auf einer RTX 4090. Die Generierung läuft mit bis zu 2× Echtzeit. Das zugrundeliegende Modell ist kein klassisches TTS-System, sondern ein Diffusionsmodell, was bedeutet, dass manche Seeds zu Wiederholungen oder unverständlicher Ausgabe führen können; der empfohlene Workflow setzt daher auf mehrere Takes und manuelle Nachbearbeitung. Als Text-Encoder kommt Gemma 3 12B zum Einsatz, ein gated HuggingFace-Modell, für das eine Lizenzzustimmung sowie ein gesetzter HF_TOKEN zwingend erforderlich sind. Das ursprüngliche XML-Prompt-Format der Erstveröffentlichung wurde durch Inline-Bracket-Cues ersetzt, etwa [he laughs softly] oder [voice cracks], die sich besser in den ComfyUI-Texteditor integrieren. Der Node ist über die ComfyUI Registry oder direkt per GitHub-Clone installierbar und liefert bei der Installation ein vorkonfiguriertes Workflow-Template automatisch mit. Die Modellgewichte sowie der Node-Code stehen unter MIT-Lizenz, die Transformer-Gewichte selbst unterliegen der LTX-2 Community License.