オープン動画モデル「LTX-2.5」公開：10秒映像を6.8秒で生成、ComfyUIに統合

LTX-2.5は、超高速な推論とマルチショット生成を特徴とするオープンウェイトの動画・ワールドモデルだ。Nvidia GB200スーパーチップ2基のセルフホスト環境において、10秒の720p映像をわずか6.8秒で生成できる。

何ができるのか

複数のクリップを後からつなぎ合わせる従来手法とは異なり、LTX-2.5は一連のカット割りを単一の出力としてレンダリングする。これにより、カットが切り替わっても被写体の特徴や背景、音声の一貫性が途切れない。

生成パイプラインも刷新された。新開発の拡散動画デコーダーが激しい動きに伴うアーティファクトを抑え、顔のディテールや文字の描写を精密に復元する。プロンプト処理にはGemma 4をベースにしたカスタムバックボーンを採用し、複数の要素が絡む指示の再現性を高めた。さらに、映像制作だけでなく物理AIやロボティクス分野のファインチューニングを想定したベースチェックポイントも同梱されている。

動作環境と利用方法

導入ハードルも下がっている。Nvidiaとの共同開発による蒸留モデルが用意されており、メモリ消費が大幅に抑えられたことで、一般的なNvidia RTXグラフィックボードやMacでもローカル動作が可能になった。

10秒の動画を6.8秒で出力できる性能はGB200チップ2基での計測結果だ。公式のマネージドAPIを利用した場合、1080p動画の生成には約23.7秒を要する。API料金はFastプランで1秒あたり0.09ドル、10秒の720p音声付き動画で0.90ドルとなる。

重みデータはHugging Faceで公開されており、画像・動画生成ツールComfyUIには最初からネイティブ統合されている。ライセンスは年間経常収益1000万ドル未満の組織であれば商用も含めて無料で利用でき、それ以上の規模の企業は個別契約を結ぶ形態をとる。

なぜ重要か

ComfyUIを日常的に使っているクリエイターや自社で映像生成基盤を持ちたい開発者なら、LTX-2.5はすぐに検証する価値がある。オープンモデル単体でカット間の一貫性を担保できるようになった恩恵は非常に大きい。

コストが他社の8分の1という公式の試算は低価格API相手にはやや誇張気味に見えるものの、ハイエンド環境下で実時間を上回る生成速度を叩き出した意義は重い。年間売上1000万ドルまで無料という寛容な条件も含め、オープンソース動画制作の実用性を一段階引き上げる存在になりそうだ。