LTX-2.5：tendre.AI内蔵のオーディオ・ビデオモデル

LTX-2.5は、tendre.AIの動画生成を支えるオーディオ・ビデオ統合生成モデルです。LTXファミリーのビデオ拡散モデルに属し、その最大の特長は映像と音声を1つのモデルで同時に生成する点にあります。無音のクリップを作ってから別ツールで音声を追加するのではなく、最初から音と映像が揃った状態で出力されます。本記事では、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。

映像と音声の統合生成がなぜ重要なのか

従来の方法では、音付き動画を作るにはパイプラインが必要でした。ビデオモデルでフレームを生成し、オーディオモデルで音声トラックを生成し、それを手作業で合わせる、という流れです。問題は同期にあります。映像を「見ていない」状態で生成された音声は、どうしてもズレが生じます。足音が半拍遅れたり、口の動きと声が合わなかったり、シーンと無関係な環境音が入ったりします。

LTX-2.5はそのパイプラインを一本化します。同じモデルがフレームと音声の両方を生成するため、両者は構造的に整合しています。サウンドトラックは映像と同じ内容をもとに条件付けされるため、動きと音は最初の生成から同期されており、後から修正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-2.5は**ディフュージョントランスフォーマー（DiT）**です。2つの重要な概念を理解しておくと役立ちます。

• ディフュージョン（拡散）：モデルはノイズから始まり、プロンプトに合致するクリップへと段階的にノイズを除去していきます。SDXLのような最新の画像モデルと同じ原理を、時間軸に拡張したものです。
• トランスフォーマー：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（フレーム全体および音声ストリーム全体）にわたってアテンションを行います。このグローバルな視点が、クリップ全体にわたって動きの安定性を保ち、音声を映像に同期させる鍵となっています。

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的な理由です。オブジェクトの形が保たれ、カメラワークがスムーズに続き、音が映像に追従します。

テキストから動画、画像から動画

LTX-2.5は2つの入力方式に対応しており、tendre.AIではその両方を利用しています。

• **テキストから動画：**ショットを説明するだけで、音声付きのクリップが生成されます。
• 画像から動画：tendre.AIでローカル生成した静止画を起点にアニメーション化します。最初のフレームがその画像になるため、LoRAや固定シードで確定させたキャラクターとスタイルがそのまま動画に引き継がれます。

「画像と動画を1つのツールで」というワークフローを実現するのが、まさに画像から動画への変換です。気に入った写真が、同じ顔・同じ見た目でクリップの冒頭フレームになります。

解像度：下書きはまず小さく、最終はフルHDで

同じモデルが複数の解像度に対応しており、実用的なワークフローが生まれます。

• 小さいフォーマットは試行錯誤用：プロンプトを素早く試し、結果を確認し、調整してまた生成、というサイクルが速く回ります。
• 1080p（フルHD）は最終レンダリング用：tendre.AIが提供する最高解像度フォーマットです。

下書きは小さなサイズで行い、ショット（動き、構図、音声）が決まったら、エンジンを切り替えることなくそのまま1080pで最終仕上げができます。

効率性こそが核心

LTXシリーズは品質に対して高速であることで知られています。この効率性は単なるスペック上の数値ではありません。素早い下書きとオンデマンドの1080p最終レンダリングを、一晩かかる作業ではなく現実的な作業にするための要素です。十分に効率的なモデルは、作業スタイルを変えます。各テイクにかかる時間が短いからこそ、より多くのバリエーションを試せるようになります。

バージョン2.5で追加された機能

LighttricksはLTX-2.5をオープンウェイトで2026年8月11日にリリースしました。実際に動画を生成する人にとって重要な変更点が4つあります。

**ネイティブなマルチショットシーン。**ワイドからミディアム、クローズアップへと連続するショットを、1回の生成でレンダリングできるようになりました。キャラクター、背景、ライティング、声がカット間を通じて安定して保たれます。以前は、シーケンスを作るには各ショットを別々にレンダリングし、顔や照明が一致することを祈るしかありませんでした。この変更によって、クリップが本当のシーンになります。

**新しいディフュージョンビデオデコーダー。**通常の映像で最も目に見える改善点は、動きの激しいシーンでのアーティファクト削減です。以前のバージョンでブレが生じていた場面（素早く向く頭、速いパン、揺れる髪など）がより安定して描写され、LTXファミリーが採用する高圧縮率も維持されています。

より優れたテキストエンコーダー。プロンプト処理が、専用プロンプトエンハンサーと組み合わせたファインチューン済みのGemma 4 12Bエンコーダーに移行しました。実際の使用感としては、複雑で複数の被写体を含む指示を短いプロンプトで読み取れるようになり、過剰な詳細指定に費やす時間が減ります。

**自動デュレーション。**クリップの長さが、フレーム数を手動で設定するのではなく、説明した動作から推測されるようになりました。

規模感として：データセンターのハードウェアでは、LTX-2.5は720pの10秒動画を7秒未満でレンダリングします。この数値があるからこそ、クリップ単位で課金されるクラウドレンダリングが現実的なサービスとして成立します。

これらはエンジンの機能です。tendre.AIへの反映はリリースごとに段階的に行われます。実行中のバージョンで何が利用可能かは、changelogをご確認ください。

tendre.AIによるLTX-2.5の統合方法

tendre.AIは通常のルールを適用しています。ローカルファーストで、負荷の高い処理だけを選択的にクラウドで行うという方針です。

• **画像は100%ローカル生成。**すべての静止画はあなた自身のGPUで生成され、アップロードは一切行われません。
• LTX-2.5のビデオはクラウドGPUで実行（オンデマンド）。音声と映像の同期生成は計算負荷が高いため、リモートGPUで実行され、クレジットでクリップ単位の課金が行われます。これはオプトイン制です。画像生成のみを行う場合、プライベートなローカルワークフローに変更はありません。
• **両方で同じキャラクターを使用可能。**動画はローカルの静止画から始まるため、作り込んだキャラクターのアイデンティティがクリップにそのまま引き継がれます。

移行に関する注記：tendre.AIはLTX-2.5のアプリへの統合を積極的に進めています。最大1080pの音声付き動画は、移行完了に合わせて段階的に利用可能になります。ローカルの画像生成ワークフローには影響しません。

コンテンツの境界は引き続き適用されます

LTX-2.5はtendre.AIの確固たるルールを変えるものではありません。生成されるすべてのコンテンツは100%合成であり、実在の人物は描写されず、すべての被写体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できません。