10 秒動画を 6.8 秒で生成——ただしテスト条件の確認が必要

速度ランキングは画像から動画を生成する際の、10 秒動画の生成時間です。

数字とあわせて確認したい点が 3 つあります。

1 点目：6.8 秒は、彼ら自身の GB200 を 2 枚使った環境での数値です。GB200 は NVIDIA の最新データセンター向け GPU で、1 枚で車が買えるほどの価格です。この結果はモデル自体の効率の高さを示しますが、「あなたの GPU ならどれくらい速いか」は別の問題。公式も後者については数値を出していません。

2 点目：2 つの LTX の解像度が異なります。ローカル環境は 720p、API 経由は 1080p です。API の 23.7 秒は、サードパーティ製プラットフォームの fal.run でのエンドツーエンド計測で、待ち時間も含まれています。

3 点目：競合他社の条件もさまざまです。多くは 720p、MiniMax H3は768p、Kling 3.0 Pro は約 1080p。Veo 3.1 は 10 秒ではなく 8 秒の動画で計測されています。

公式画像：左が速度ランキング、右が画質ランキング。各行の下にある小さな文字が各社のテスト条件です。図 / LTX

映像と音声は一緒に生成される

多くの動画モデルは映像のみを扱い、音声はないか、別のモデルを組み合わせます。LTX シリーズは前世代から違う道を歩んでいます。音と映像を同じモデル内で同時に生成するのです。同社はこれを「ビデオ・オーディオ・ワールドシミュレーション」と位置づけています。

このアーキテクチャは 3 層構造です。

つまり、出力されるのはセリフや吹き替えだけでなく、キャラクターや環境、スタイル、感情に追従する完全なオーディオトラック——環境音や効果音も含めて——です。他のモデルは無声映画を撮ってから声を当てる方式。LTX-2.5 は、撮影中からマイクのスイッチが入っている、と言えます。

2.5 のウェイト構成はこの設計に対応しています。ビデオ用の VAE に加えて、独立したオーディオ用 VAE を搭載。機能タグにも「テキスト読み上げ」「ビデオ読み上げ」「オーディオ読み上げ」などの組み合わせが記載されています。ウェイトファイル名に 22b とあり、今世代の総パラメータ数が 220 億であることを示します。前世代は 140 億＋50 億。増加分がどちら側に配分されたかは非公開です。

新しいレンダリング方式：先に構造、後からディテール

今回の画質向上の主因が Diffusion Fidelity Rendering です。これは動画生成の長年の課題を解決しようとするものです。高速化のため、モデルは元のピクセルで直接作業するのではなく、動画を大幅に圧縮してから生成します。圧縮が強いほど計算は速くなりますが、解凍するとディテールがぼやけます。最もぼやけやすいのが顔です。

LTX-2.5 の解決策は、「構造」と「ディテール」を 2 つの段階に分けることです。

画質ランキング 1 位——比べているのは「破綻の少なさ」

もうひとつのランキングは、テキストから動画を生成した際の、動画ごとの目に見える欠陥数を測定したものです（少ないほど良い）。LTX 2.5 Pro が 0.28、LTX 2.5 Fast が 0.39、Flux 3 が 0.45、MiniMax が 0.46、Wan 2.6 が 0.65、Seedance 2.5 が 0.69、LTX 2.3 Pro が 0.74、Kling 3 Pro が 0.76、Veo 3.1 が 1.20 でした。

10 モデル中、LTX 2.5 Pro が 1 位です。この「1 位」の意味を正確に理解するためには、何を測定したのかを確認する必要があります。

さらに、3 つの測定条件も明確にしておきます。98 個の同一プロンプトを 10 モデルで実行。評価は人間ではなく機械が実施。ランキングは「暫定結果」とされており、評価の拡大に伴い変動する可能性があります。また、Seedance 2.0 の 0.60 はグラフに描き込まれていません。

「オープンソース」の 3 つの関門：売上高の壁、微調整モデルの譲渡、ダウンロード時のメールアドレス

同社はこれをオープンウェイトと位置づけています。発表のツイートには、こうあります。「これはレンタルするツールではない。君たちが何かを築くための土台だ。オープンで、君たちのものだ。」

実際の規約は 3 層構造です。

これらの条件は厳しいものではなく、多くのオープンソースモデルが同様の取り組みをしています。日本語の「オープンソース」という言葉は「自由に使える」と受け取られることが多いですが、この 3つの関門のいずれもが、採用の判断に影響を与え得ます。

ロボット分野について、公式の見解は「開発途上」

今回の発表では、ロボットと物理 AI が大きくフィーチャーされています。映画、ロボット、リアルタイムワークフローが、LTX モデルがすでに本番投入されている3つの分野として列挙されています。ロボット企業 Markov Robotics の CEO も「このオープンソースモデルに匹敵するものは他になかった」と推薦の言葉を寄せています。さらに、物理AI向けに調整された事前学習チェックポイントも別途公開されています。

一方、開発者向けの説明書では、同じ事柄についてより慎重な表現が使われています。

既存の用途は、テキスト・画像・動画の入力から、同期した高忠実度の映像・音声を生成することです。ロボットや物理 AI といった新興分野での適合性は、まだ開発途上にあります。

LTX-2.5 モデルカード · Hugging Face

同じ企業による 2 つの声明です。ロボットへの利用を検討しているチームは、後者の見解に基づいて評価するのが安全でしょう。

映像制作の分野で公式に名前が挙がっているのは Asteria。アーティスト主導の制作会社で、LTX 上にハイブリッドなワークフローを構築しています。共同創業者の Paul Trillo 氏は、ACES など、既存の制作パイプラインに実際に組み込める機能こそ評価していると述べています。図 / LTX

始め方：3 つの方法、分割されたコンポーネント、16GB から

自分で動かすには 3 つの方法があります。ltx-pipelines（LTX 公式の PyTorch パイプライン）、ComfyUI（公開初日から公式ワークフローテンプレートあり）、そして Diffusers です。

ウェイトは 1 つの大きなファイルではなく、コンポーネントごとに分割して提供されます。拡散メインネットワーク、Gemma 4 テキストエンコーダー、ビデオVAE、オーディオVAE、尺を制御するモジュール、空間・時間アップサンプラー、そしてLoRAです。セットアップ時には、各コンポーネントのパスを個別に指定する必要があります。

ハードウェア要件は、最小 VRAM 16GB、任意の GPU で動作可能、ローカル/エッジ/API の 3 つのデプロイ方法に対応。VRAM が不足する場合は、メインネットワークの動的精度低下と CPU オフロードを使用します。この 16GB が、どの量子化バージョン、どの解像度、どの長さの動画に対応するものなのかは明記されていません。

量子化バージョンは 3 種類。ComfyUI 専用の int8、Blackwell アーキテクチャ向けの NVFP4、そして実行時の fp8 精度低下です。ComfyUI 専用の 2 つのファイルは PyTorch パイプラインでは使用できません。この点はモデルカードに明記されています。

公開から 1 日で、Hugging Face 上にはコミュニティによる 2 つのアダプター、4 つの微調整モデル、7 つの量子化バージョンがアップロードされました。LTXシリーズの累計ダウンロード数は3,300万回を超えています（公式数値。シリーズ全体であり、2.5 単体ではありません）。

速度ランキングは、10 秒動画の生成時間を測定したものです。LTX公式の自己評価によると、LTX-2.5 は自社の GB200（NVIDIA 最新データセンター GPU）2 枚構成で 6.8 秒。同じ表では Veo 3.1 が 70 秒、Kling 3.0 Pro が 398 秒でした。

このシリーズは前世代から独自のアプローチを取っています。ビデオストリームとオーディオストリームを並列実行し、交差注意（2 つのストリームが相互に参照し合う仕組み）で常に連携。2 つのストリームは同じ時間リズムで生成されます。出力されるのはセリフだけでなく、足音、環境音、感情に合った背景音まで含む完全な音声トラックです。

Lightricks はこれを「何かを築くための土台」と表現しています。ウェイトは確かに当日から入手可能ですが、商用利用の条件はライセンスに明記されており、3 層構造です。

プレスリリースではロボットが大きく取り上げられています。映画、ロボット、リアルタイムワークフローが、すでに本番投入されている 3 分野として列挙され、ロボット企業 Markov Robotics の CEO も推薦の言葉を寄せています。