LTX-2.5: Das Audio- und Videomodell in tendre.AI

LTX-2.5 ist das Audio-und-Video-Generierungsmodell, das die Videofunktion in tendre.AI antreibt. Es gehört zur LTX-Familie der Video-Diffusionsmodelle und sein entscheidendes Merkmal ist, dass es Bild und Ton zusammen in einem einzigen Modell generiert, anstatt einen stummen Clip zu erzeugen und das Audio einem separaten Werkzeug zu überlassen. Dieser Artikel erklärt auf verständliche Weise, wie das Ganze technisch funktioniert und wie tendre.AI es integriert.

Warum ein gemeinsames Audio-Video-Modell wichtig ist

Die alte Methode, einen Clip mit Ton zu erstellen, war eine Pipeline: Ein Videomodell erzeugt die Frames, ein Audiomodell erstellt einen Track, und du richtest sie manuell aufeinander aus. Das Problem ist die Synchronisation. Ton, der ohne "Sehen" der Bewegung generiert wurde, passt nie exakt: ein Schritt einen halben Takt zu spät, eine Stimme, die nicht zum Mund passt, Ambiente, das die Szene ignoriert.

LTX-2.5 macht diese Pipeline überflüssig. Weil dasselbe Modell sowohl die Frames als auch das Audio erzeugt, sind beide konstruktionsbedingt kohärent: Der Soundtrack wird auf denselben Inhalt konditioniert wie das Bild, sodass Bewegung und Ton von der ersten Generierung an synchronisiert sind, ohne dass nachträglich Korrekturen nötig sind.

Die Architektur, verständlich erklärt

LTX-2.5 ist ein Diffusion Transformer (DiT). Zwei Konzepte, die es zu verstehen lohnt:

• Diffusion bedeutet, dass das Modell von Rauschen startet und dieses Schritt für Schritt zu einem Clip entrauscht, der zu deinem Prompt passt. Das ist dasselbe Prinzip wie bei modernen Bildmodellen wie SDXL, auf die Zeitdimension ausgedehnt.
• Transformer bedeutet, dass es über die gesamte Sequenz hinweg arbeitet (über Frames und den Audiostream hinweg), anstatt jeden Frame unabhängig zu behandeln. Diese globale Sicht ist der Grund, warum die Bewegung stabil bleibt und das Audio über die Länge des Clips mit der Aktion synchronisiert ist.

Über den gesamten Clip auf einmal zu arbeiten, anstatt Frame für Frame, ist der Kerngrund, warum der Output kohärent bleibt: Objekte behalten ihre Form, die Kamerabewegung bleibt flüssig, und der Ton folgt dem Bild.

Text-zu-Video und Bild-zu-Video

LTX-2.5 unterstützt zwei Einstiegspunkte, und tendre.AI nutzt beide:

• Text-zu-Video: Beschreib die Aufnahme, erhalte einen Clip mit Ton.
• Bild-zu-Video: Starte von einem Still, das du bereits lokal in tendre.AI generiert hast, und animiere es. Das erste Bild ist dein Still, sodass der Charakter und der Stil, den du festgelegt hast (mit einer LoRA oder einem festen Seed), direkt in das Video übertragen werden.

Bild-zu-Video ist das, was den Workflow "ein Werkzeug für Bild und Video" Wirklichkeit werden lässt: Das Bild, das du liebst, wird zum Eröffnungsframe des Clips, dasselbe Gesicht, derselbe Look.

Auflösung: erst Entwürfe, 1080p für die finale Version

Dasselbe Modell zielt auf mehrere Auflösungen ab. In der Praxis ergibt das einen klaren Workflow:

• Kleinere Formate für die Iteration: schnell genug, um einen Prompt auszuprobieren, das Ergebnis zu hören, anzupassen und erneut zu starten.
• 1080p (Full HD) für finale Renders: das Format, das tendre.AI maximal liefert.

Du entwirfst klein, legst die Aufnahme fest (Bewegung, Ausschnitt, Audio), und renderst dann das fertige Ergebnis in 1080p, ohne zwischen Entwurf und Auslieferung die Engine zu wechseln.

Effizienz ist das Ziel

Die LTX-Reihe ist bekannt dafür, schnell bei gleichzeitig hoher Qualität zu sein. Diese Effizienz ist keine Eitelkeitskennzahl: Sie ist das, was schnelle Entwürfe und 1080p-Finals auf Abruf praktikabel macht, anstatt sie zu Übernachtjobs werden zu lassen. Ein Modell, das effizient genug ist, um damit zu iterieren, verändert deine Arbeitsweise: Du erkundest mehr Takes, weil jeder einzelne wenig Zeit kostet.

Was Version 2.5 gebracht hat

Lightricks veröffentlichte LTX-2.5 mit offenen Gewichten am 11. August 2026. Vier Änderungen sind für alle, die tatsächlich Clips generieren, relevant.

Native Multi-Shot-Szenen. Das Modell kann verbundene Aufnahmen, von Totale über Halbtotale bis zur Nahaufnahme, in einer einzigen Generierung rendern und dabei Charakter, Umgebung, Beleuchtung und Stimme über die Schnitte hinweg konstant halten. Zuvor bedeutete eine Sequenz, jede Aufnahme separat zu rendern und zu hoffen, dass Gesicht und Licht übereinpassen. Das ist die Änderung, die aus einem Clip eine Szene macht.

Ein neuer Diffusion-Video-Decoder. Der sichtbarste Gewinn bei gewöhnlichem Videomaterial: weniger Artefakte in Szenen mit viel Bewegung, genau dort, wo frühere Versionen verwischten. Ein schnell drehender Kopf, ein schneller Schwenk, sich bewegendes Haar, alles hält besser zusammen, während das hohe Kompressionsverhältnis, auf das die LTX-Familie angewiesen ist, erhalten bleibt.

Ein besserer Text-Encoder. Die Prompt-Verarbeitung wurde auf einen feinabgestimmten Gemma 4 12B-Encoder in Kombination mit einem dedizierten Prompt-Enhancer umgestellt. In der Praxis liest er komplexe Anweisungen mit mehreren Subjekten aus kürzeren Prompts, sodass du weniger Zeit damit verbringst, alles übermäßig zu spezifizieren.

Automatische Dauer. Die Cliplänge wird aus der beschriebenen Aktion abgeleitet, anstatt manuell in Frames festgelegt zu werden.

Zur Einordnung: Auf Rechenzentren-Hardware rendert LTX-2.5 10 Sekunden 720p in unter 7 Sekunden. Diese Zahl ist es, die Cloud-Rendering per Clip überhaupt erst wirtschaftlich tragfähig macht.

Das sind Fähigkeiten der Engine. Sie landen progressiv, Release für Release, in tendre.AI. Das Changelog ist die Referenz dafür, was in der Version, die du gerade verwendest, bereits live ist.

Wie tendre.AI LTX-2.5 integriert

tendre.AI wendet seine übliche Regel an: lokal zuerst, Cloud nur für die schwere Arbeit, die du dir aussuchst.

• Bilder bleiben 100% lokal. Jedes Still wird auf deiner eigenen GPU generiert, nichts wird hochgeladen.
• LTX-2.5-Video läuft auf einer Cloud-GPU, auf Abruf. Synchronisiertes Audio und Video sind rechenintensiv, laufen daher auf einer Remote-GPU und werden per Clip in Credits abgerechnet. Es ist opt-in: Wenn du nur Bilder generierst, ändert sich nichts an deinem privaten, lokalen Workflow.
• Dieselben Charaktere in beidem. Weil Video von deinen lokalen Stills ausgeht, überträgt sich die Identität, die du aufgebaut hast, in den Clip.

Migrationshinweis: tendre.AI integriert LTX-2.5 aktiv in die App. Video mit Ton bis zu 1080p landet progressiv, während die Migration abgeschlossen wird. Der lokale Bild-Workflow ist davon nicht betroffen.

Die Inhaltsgrenze gilt weiterhin

LTX-2.5 ändert nichts an der klaren Regel von tendre.AI. Alles Generierte ist 100% synthetisch: Es wird keine reale Person dargestellt, und jedes Motiv ist eindeutig als Erwachsener erkennbar. Das Modell ist ein Werkzeug für fiktionale, erwachsene, KI-generierte Inhalte, nichts anderes.