LTX-2.5: El Modelo de Audio y Vídeo de tendre.AI

LTX-2.5 es el modelo de generación de audio y vídeo que impulsa el vídeo dentro de tendre.AI. Pertenece a la familia de modelos de difusión de vídeo LTX y su característica principal es que genera imagen y sonido juntos, en un único modelo, en lugar de producir un clip silencioso y dejar el audio para una herramienta aparte. Este artículo es un análisis técnico en lenguaje claro sobre cómo funciona y cómo tendre.AI lo integra.

Por qué importa un modelo conjunto de audio y vídeo

La forma antigua de obtener un clip con sonido era una cadena de herramientas: un modelo de vídeo genera los fotogramas, un modelo de audio genera una pista, y tú los alineas a mano. El problema es la sincronización. El sonido generado sin "ver" el movimiento nunca encaja perfectamente: un paso medio tiempo tarde, una voz que no coincide con la boca, una ambientación que ignora la escena.

LTX-2.5 elimina esa cadena. Como el mismo modelo produce los fotogramas y el audio, los dos son coherentes por construcción: la banda sonora está condicionada por el mismo contenido que la imagen, de modo que el movimiento y el sonido están sincronizados desde la primera generación, sin parches posteriores.

La arquitectura, en términos sencillos

LTX-2.5 es un transformador de difusión (DiT). Dos ideas que vale la pena entender:

• Difusión significa que el modelo parte del ruido y lo elimina paso a paso hasta obtener un clip que coincide con tu prompt. Es el mismo principio que hay detrás de los modelos de imagen modernos como SDXL, extendido al tiempo.
• Transformador significa que atiende a la secuencia completa (a través de fotogramas y del flujo de audio) en lugar de tratar cada fotograma de forma independiente. Esa visión global es lo que mantiene el movimiento estable y el audio ligado a la acción a lo largo del clip.

Trabajar sobre el clip completo a la vez, en lugar de fotograma a fotograma, es la razón principal por la que el resultado se mantiene coherente: los objetos conservan su forma, el movimiento de cámara fluye con suavidad y el sonido sigue a la imagen.

Texto a vídeo e imagen a vídeo

LTX-2.5 admite dos puntos de entrada, y tendre.AI usa ambos:

• Texto a vídeo: describe el plano, obtén un clip con sonido.
• Imagen a vídeo: parte de una foto fija que ya generaste localmente en tendre.AI y anímala. El primer fotograma es tu imagen, así que el personaje y el estilo que fijaste (con un LoRA o una semilla fija) pasan directamente al vídeo.

La imagen a vídeo es lo que hace real el flujo de trabajo de "una sola herramienta para imagen y vídeo": la imagen que más te gusta se convierte en el fotograma inicial del clip, con la misma cara y el mismo aspecto.

Resolución: borradores primero, 1080p para el resultado final

El mismo modelo apunta a varias resoluciones. En la práctica eso da un flujo de trabajo limpio:

• Formatos más pequeños para iterar: lo suficientemente rápido como para probar un prompt, escuchar el resultado, ajustarlo y volver a ejecutarlo.
• 1080p (Full HD) para renders finales: el formato máximo que entrega tendre.AI.

Haces el borrador en pequeño, fijas el plano (movimiento, encuadre, audio) y luego terminas el resultado definitivo en 1080p, sin cambiar de motor entre el borrador y la entrega.

La eficiencia es clave

La línea LTX es conocida por ser rápida para su calidad. Esa eficiencia no es una métrica de vanidad: es lo que hace que los borradores rápidos y los finales en 1080p bajo demanda sean prácticos en lugar de trabajos de una noche entera. Un modelo lo suficientemente eficiente como para iterar cambia tu forma de trabajar; exploras más tomas porque cada una es barata en tiempo.

Qué trajo la versión 2.5

Lightricks lanzó LTX-2.5 con pesos abiertos el 11 de agosto de 2026. Cuatro de sus cambios importan para cualquiera que genere clips de verdad.

Escenas multinivel nativas. El modelo puede renderizar planos conectados, plano general, plano medio y primer plano, en una única generación, manteniendo el personaje, el escenario, la iluminación y la voz estables a lo largo de los cortes. Antes, una secuencia significaba renderizar cada plano por separado y esperar que la cara y la luz coincidieran. Este es el cambio que convierte un clip en una escena.

Un nuevo decodificador de vídeo por difusión. La ganancia más visible en material ordinario: menos artefactos en escenas de alto movimiento, precisamente donde las versiones anteriores se desvanecían. Una cabeza girándose rápido, un paneo veloz, el pelo en movimiento, todo se mantiene mejor, mientras se conserva la alta tasa de compresión en la que se apoya la familia LTX.

Un mejor codificador de texto. El procesamiento de prompts pasó a un codificador Gemma 4 12B ajustado, emparejado con un potenciador de prompts dedicado. En la práctica, lee instrucciones complejas con varios sujetos a partir de prompts más cortos, así que pasas menos tiempo especificando en exceso.

Duración automática. La longitud del clip se infiere a partir de la acción que describes, en lugar de fijarse a mano en fotogramas.

Para hacerse una idea de la escala: en hardware de centro de datos, LTX-2.5 renderiza 10 segundos de 720p en menos de 7 segundos. Ese número es lo que hace que el renderizado en la nube cobrado por clip sea viable en absoluto.

Estas son capacidades del motor. Llegan a tendre.AI de forma progresiva, versión tras versión. El changelog es la referencia de lo que está activo en la versión que estás usando.

Cómo tendre.AI integra LTX-2.5

tendre.AI aplica su regla habitual: local primero, la nube solo para el trabajo pesado que tú eliges.

• Las imágenes se mantienen 100% en local. Cada foto fija se genera en tu propia GPU, nada se sube.
• El vídeo LTX-2.5 se ejecuta en una GPU en la nube, bajo demanda. El audio y el vídeo sincronizados requieren mucho cómputo, así que se ejecutan en una GPU remota y se cobran por clip en créditos. Es opcional: si solo generas imágenes, nada de tu flujo de trabajo local privado cambia.
• Los mismos personajes en ambos. Como el vídeo parte de tus imágenes locales, la identidad que construiste pasa al clip.

Nota de migración: tendre.AI está integrando activamente LTX-2.5 en la app. El vídeo con sonido de hasta 1080p llega de forma progresiva a medida que se completa la migración. El flujo de trabajo de imagen local no se ve afectado.

El límite de contenido sigue aplicándose

LTX-2.5 no cambia la regla firme de tendre.AI. Todo lo generado es 100% sintético: no se representa a ninguna persona real y todos los sujetos son inconfundiblemente adultos. El modelo es una herramienta para contenido ficticio, adulto y generado por IA, nada más.