LTX‑2.5、拡散デコーダーと単一パスのマルチショット生成でオープン動画モデルを更新

Lightricksは8月12日、LTX‑2.5の重みと推論ツールを公開した。中核は引き続き映像と音声を同期生成できる22B DiTだが、生成プロセスには3つの実質的な変更が加えられた。第1に、モデルは単一の推論パスで連続する複数のショットを生成でき、カットをまたいで人物のアイデンティティ、環境、照明、音声、スタイルの一貫性維持を試みる。第2に、単純なVAE再構成を拡散ベースの動画デコーダーに置き換え、顔、テキスト、質感、高速な動きのディテールを改善した。第3に、detail-fidelity renderingがシーンの複雑さに応じて計算資源を割り当て、空間latent upscalerと、オプションの時間latent upscalerによって仕上げを行う。

公開パッケージには、完全に学習可能なBF16 DiT、CFG=1かつ固定8ステップスケジュールの蒸留版、ComfyUI専用のINT8版、Blackwell向けのNVFP4重みが含まれる。テキスト処理にはカスタムGemma 4 12B encoderを採用し、プロンプトからフレーム数を予測するduration headも備える。公式Pythonクイックスタートで必要となるtransformer、テキストencoder、映像・音声VAE、upscalerの合計容量は約66 GiB。メモリが不足する場合はFP8 castやCPU／ディスクoffloadを利用できるが、通常は転送レイテンシーと引き換えに実行可能性を確保することになる。また、コンポーネントがフォルダー形式でパッケージ化されたため、旧バージョンの単一ファイルloaderはそのまま流用できない。

現時点で、エンジニアリング面の統合は完全には成熟していない。公式の`ltx-pipelines`はPython 3.12を必須とし、CUDA 12.7とPyTorch 2.7を推奨している。Diffusers互換パッケージはすでに提供されているものの、まだ正式releaseには含まれておらず、ユーザーはGitHubのmainブランチからインストールする必要がある。LTX‑2.3用LoRAの大半はそのまま動作するとされるが、公式も例外があることを認めており、本番投入前に個別の検証が必要だ。重みのライセンスもApache系のような寛容なものではない。年間売上高が1,000万米ドル未満の法人・団体は無償で商用利用できるが、それを超える組織は別途契約を締結する必要があり、ファインチューニング済みモデルの譲渡にも料金が発生する可能性がある。今後注目すべき点は、独立した映像・音声同期ベンチマーク、ショット間のアイデンティティドリフト、そして拡散デコーダーによって実際に増加するVRAM使用量とレイテンシーだ。