LTX-2.3：tendre.AIに搭載された音声・動画モデル

LTX-2.3は、tendre.AIの動画生成を支える音声・動画統合モデルです。LTXシリーズのビデオ・ディフュージョンモデルに属し、最大の特徴は映像と音声を同時に、しかも1つのモデルだけで生成できる点です。無音の動画を作ってから別のツールで音声を追加するという手間が一切ありません。この記事では、その仕組みとtendre.AIへの統合方法をわかりやすく解説します。

音声・動画を同時生成できる理由が重要な理由

従来の方法では、音声付き動画を作るにはパイプラインが必要でした。動画モデルでフレームを生成し、別の音声モデルでトラックを作り、手動で同期させるという流れです。問題は「ずれ」にあります。動きを「見ずに」生成した音声は、どうしてもぴったり合いません。半拍遅れる足音、口の動きと合わない声、シーンの雰囲気を無視した環境音などが起きがちです。

LTX-2.3はそのパイプラインをなくします。同じモデルがフレームと音声を生成するため、両者は構造的に一貫しています。サウンドトラックは映像と同じコンテンツを条件に生成されるため、動きと音声は最初から同期しており、後から調整する必要がありません。

アーキテクチャをわかりやすく説明

LTX-2.3は**ディフュージョン・トランスフォーマー（DiT）**です。理解しておきたい2つのポイントがあります。

• ディフュージョンとは、ノイズから始めてプロンプトに合った動画に向かって少しずつノイズを除去していく方式です。現代の画像モデル（SDXLなど）と同じ原理を、時間軸方向に拡張したものです。
• トランスフォーマーとは、各フレームを独立して処理するのではなく、シーケンス全体（全フレームおよび音声ストリーム）にまたがって注意を向ける仕組みです。このグローバルな視野が、動きの安定性とクリップ全体を通じた音声と映像の同期を実現します。

フレーム単位ではなくクリップ全体を一度に処理することが、出力の一貫性を保つ核心です。オブジェクトの形が崩れず、カメラの動きが滑らかで、音声が映像にしっかり追従します。

テキストから動画、画像から動画

LTX-2.3は2つの入力方法に対応しており、tendre.AIはどちらも活用しています。

• **テキストから動画：**ショットを説明するだけで、音声付きの動画が生成されます。
• 画像から動画：tendre.AIでローカルに生成した静止画を起点にアニメーション化します。最初のフレームに指定した画像が使われるため、LoRAや固定シードで作り込んだキャラクターやスタイルをそのまま動画に引き継げます。

「画像も動画も1つのツールで」というワークフローを実現するのが、この画像から動画への変換です。気に入った静止画が、同じ顔・同じ雰囲気のままクリップの最初のフレームになります。

解像度：試作には1080p、最終出力には4K

同じモデルが複数の解像度に対応しています。実際の作業では明確なワークフローが生まれます。

• 1080p（Full HD）は試作用：プロンプトを試し、結果を確認し、調整してまた実行するサイクルに十分なスピードがあります。
• 4K（Ultra HD）は最終レンダリング用：ピクセル数は4倍で、大画面表示やポスト作業でのトリミング・スタビライズに余裕が生まれます。

1080pでショット（動き・構図・音声）を確定させ、気に入ったテイクを4Kで仕上げる。エンジンを切り替えることなく、下書きから納品まで一貫して作業できます。

効率の高さが本質

LTXシリーズは品質に対する生成速度の速さで知られています。この効率は単なるスペック上の数字ではありません。1080pの素早い試作と4Kのオンデマンド最終出力を、一晩待ちではなく実用的な時間で行えるかどうかを左右するものです。繰り返し試せるほど効率が高いモデルは、ワークフローそのものを変えます。1回あたりの時間コストが低いので、より多くのテイクを試せるようになります。

tendre.AIとLTX-2.3の統合方法

tendre.AIは従来どおりのルールを適用しています。基本はローカル処理、負荷の大きい処理だけを必要に応じてクラウドで行うという方針です。

• **静止画は100%ローカルで処理。**すべての静止画はあなたのGPU上で生成され、アップロードは一切発生しません。
• LTX-2.3の動画生成はクラウドGPUで実行（オンデマンド）。音声付き動画、特に4Kは計算負荷が高いため、リモートGPUで処理され、クリップごとにクレジットとして課金されます。これはオプトイン方式です。静止画だけを生成する場合は、プライベートなローカルワークフローに一切影響しません。
• **静止画と動画でキャラクターを共通化。**動画はローカルで生成した静止画を起点とするため、作り込んだキャラクターをそのまま動画に引き継げます。

移行に関する注記：tendre.AIはLTX-2.3をアプリに順次組み込んでいる最中です。音声付き動画、1080p試作、4K仕上げは移行の進捗に合わせて段階的に利用可能になります。ローカルの静止画生成ワークフローには影響しません。

コンテンツのルールは変わりません

LTX-2.3が加わっても、tendre.AIの明確なルールは変わりません。生成されるものはすべて100%合成です。実在の人物は一切描写されず、登場するすべての対象は明らかに成人です。このモデルは、フィクションの成人向けAI生成コンテンツのためのツールであり、それ以外の用途には使用しないでください。