動画生成AI「LTX-2.5」公開：マルチショットとリアルタイム性を両立するオープンソースの新基準

📝 概要

AI開発企業のLTXが、最新の動画生成AIモデル「LTX-2.5」をオープンモデルとして公開しました。本モデルは、従来の動画生成における課題であったプロンプトへの追従性や、カットを跨ぐシーンの連続性を大幅に改善している点が最大の特徴です。テキスト、画像、動画のマルチモーダル入力に対応し、高品質な音声付き動画を生成できるだけでなく、特定の条件下ではリアルタイムを超える生成速度を実現しています。商用利用も可能なオープンソース・エコシステムの拡大を加速させる、極めて重要なマイルストーンといえます。

📋 詳細レポート

プロンプト追従性と視覚品質の向上

LTX-2.5は、テキストエンコーダーにGoogleのGemma 4をベースとしたカスタムLLMを採用しています。これにより、複雑な動作の指示、精密なライティング、文字の描写、さらには詳細な構図指定といった高度なプロンプトに対しても、正確な出力が可能です。また、16bitのHDR出力に対応したことで、プロフェッショナルな映像制作にも耐えうる高いピクセル忠実度を確保しています。

主要機能と技術的特徴

• ネイティブ・マルチショット対応: 一度の生成プロセスで、顔の造作や音声の連続性を維持したまま、複数のショット（カット）から構成される動画を生成できます。
• Diffusion fidelity rendering: 潜在空間を時間軸で8倍に圧縮してシーンを構築する技術です。シーンの複雑さに応じて計算リソースを最適に割り当て、効率的に品質を向上させます。
• 高速な生成パフォーマンス: 1080p・10秒の動画をAPI経由で23.7秒、GB200を2基搭載した環境では6.8秒で生成可能です。これは競合モデルを上回る速度であり、リアルタイム処理をも視野に入れています。
• 高い安定性: 人間による評価において、他社製AIと比較してテクスチャの破綻が少ないという結果が得られています。

活用シーンと導入の容易性

本モデルは、VRAM 16GB以上のGPUを搭載した環境であればローカルでの動作が可能であり、クリエイターにとって導入のハードルが低く設定されています。また、人気の高いUIツールである「ComfyUI」でのサポートも開始されており、既存の制作ワークフローへの組み込みが容易です。前バージョンであるLTX-2.3用のLoRA（低ランク適応）の多くがそのまま流用可能である点も、コミュニティの資産を活かせる大きなメリットです。

今後の展望とライセンス

LTX-2.5はHugging Face上で公開されており、開発者が自由にアクセスしてカスタマイズすることが可能です。ライセンス面では、年間収益が1,000万ドル（約16億円）以下の組織であれば商用利用が可能とされており、スタートアップや個人クリエイターによる革新的なアプリケーションの開発が期待されます。LTXは、現実世界をシミュレーションする「世界モデル」の構築を目指しており、今回のリリースはその基盤を固める重要な一歩となります。