LTX-2.5: Model audio i wideo w tendre.AI

LTX-2.5 to model generowania audio i wideo, który napędza funkcję wideo w tendre.AI. Należy do rodziny modeli LTX do dyfuzji wideo, a jego wyróżniającą cechą jest to, że generuje obraz i dźwięk razem, w jednym modelu, zamiast produkować cichy klip i pozostawiać audio oddzielnemu narzędziu. Ten artykuł to przystępne, techniczne spojrzenie na to, jak działa i jak tendre.AI go integruje.

Dlaczego wspólny model audio-wideo ma znaczenie

Stary sposób na uzyskanie klipu z dźwiękiem to pipeline: model wideo tworzy klatki, model audio tworzy ścieżkę, a ty ręcznie je synchronizujesz. Problem tkwi właśnie w synchronizacji. Dźwięk wygenerowany bez "widzenia" ruchu nigdy nie trafia idealnie: krok o pół taktu za późno, głos niedopasowany do ust, tło ignorujące scenę.

LTX-2.5 eliminuje ten pipeline. Ponieważ ten sam model produkuje klatki i audio, oba są spójne z założenia: ścieżka dźwiękowa jest warunkowana na tej samej treści co obraz, więc ruch i dźwięk są zsynchronizowane od pierwszej generacji, a nie łatane później.

Architektura, w prostych słowach

LTX-2.5 to diffusion transformer (DiT). Dwie idee warte zrozumienia:

• Dyfuzja oznacza, że model zaczyna od szumu i krok po kroku usuwa go, dążąc do klipu odpowiadającego twojemu promptowi. To ta sama zasada co w nowoczesnych modelach obrazów, jak SDXL, rozszerzona o wymiar czasu.
• Transformer oznacza, że model uwzględnia całą sekwencję (klatka po klatce i przez cały strumień audio) zamiast traktować każdą klatkę osobno. Ten globalny widok sprawia, że ruch pozostaje stabilny, a audio jest zsynchronizowane z akcją przez cały czas trwania klipu.

Praca na całym klipie jednocześnie, a nie klatka po klatce, to kluczowy powód, dla którego wynik pozostaje spójny: obiekty zachowują kształt, ruch kamery jest płynny, a dźwięk podąża za obrazem.

Tekst na wideo i obraz na wideo

LTX-2.5 obsługuje dwa punkty wejścia, a tendre.AI korzysta z obu:

• Tekst na wideo: opisz ujęcie, otrzymaj klip z dźwiękiem.
• Obraz na wideo: zacznij od nieruchomego obrazu, który już wygenerowałeś lokalnie w tendre.AI, i ożyw go. Pierwsza klatka to twój obraz, więc postać i styl, który zdefiniowałeś (za pomocą LoRA lub ustalonego ziarna), przechodzą bezpośrednio do wideo.

Obraz na wideo to właśnie to, co sprawia, że przepływ pracy "jedno narzędzie do obrazu i wideo" jest realny: zdjęcie, które lubisz, staje się pierwszą klatką klipu, ta sama twarz, ten sam wygląd.

Rozdzielczość: 1080p do iteracji, 4K do finałów

Ten sam model obsługuje wiele rozdzielczości. W praktyce daje to przejrzysty przepływ pracy:

• 1080p (Full HD) do iteracji: wystarczająco szybkie, by wypróbować prompt, usłyszeć wynik, dostosować i uruchomić ponownie.
• 4K (Ultra HD) do finalnych renderów: cztery razy więcej pikseli, do dużych ekranów lub do kadrowania i stabilizacji w postprodukcji.

Szkicujesz w 1080p, zatwierdzasz ujęcie (ruch, kadrowanie, audio), a następnie kończysz wybrany klip w 4K, bez zmiany silnika między szkicem a dostawą.

Wydajność jest kluczowa

Rodzina LTX jest znana z szybkości przy zachowaniu wysokiej jakości. Ta wydajność to nie tylko statystyka na pokaz: właśnie dzięki niej szybkie szkice w 1080p i rendery 4K na żądanie są praktyczne, a nie pracą na całą noc. Model wystarczająco wydajny, by iterować, zmienia sposób pracy, eksperymentujesz z większą liczbą podejść, bo każde jest tanie czasowo.

Co wniosła wersja 2.5

Lightricks wydał LTX-2.5 z otwartymi wagami 11 sierpnia 2026. Cztery zmiany mają znaczenie dla każdego, kto faktycznie generuje klipy.

Natywne sceny wieloujęciowe. Model może renderować połączone ujęcia, od szerokiego przez średnie po zbliżenie, w jednej generacji, zachowując postać, otoczenie, oświetlenie i głos przez cięcia. Wcześniej sekwencja oznaczała renderowanie każdego ujęcia osobno i mierzenie się z pytaniem, czy twarz i światło pasują. Ta zmiana sprawia, że klip staje się sceną.

Nowy dyfuzyjny dekoder wideo. Najbardziej widoczna poprawa w zwykłym materiale: mniej artefaktów w scenach z dużym ruchem, dokładnie tam, gdzie wcześniejsze wersje dawały rozmycia. Szybko odwracająca się głowa, szybki panoramiczny ruch, poruszające się włosy, wszystko trzyma się razem lepiej, przy zachowaniu wysokiego współczynnika kompresji, na którym polega rodzina LTX.

Lepszy enkoder tekstu. Obsługa promptów przeniosła się na dostrojony enkoder Gemma 4 12B sparowany z dedykowanym wzmacniaczem promptów. W praktyce odczytuje złożone, wieloobiektowe instrukcje z krótszych promptów, więc spędzasz mniej czasu na nadmiernym doprecyzowywaniu.

Automatyczny czas trwania. Długość klipu jest wnioskowana z opisywanej akcji, a nie ustawiana ręcznie w klatkach, a natywny 4K HDR jest teraz częścią pipeline'u, a nie postprocesem.

Dla skali: na sprzęcie centrów danych LTX-2.5 renderuje 10 sekund wideo 720p w czasie poniżej 7 sekund. Ta liczba sprawia, że renderowanie w chmurze rozliczane za klip jest w ogóle opłacalne.

To są możliwości silnika. Trafiają do tendre.AI stopniowo, wraz z kolejnymi wydaniami. Changelog jest punktem odniesienia dla tego, co jest dostępne w wersji, którą uruchamiasz.

Jak tendre.AI integruje LTX-2.5

tendre.AI stosuje swoją zwykłą zasadę: lokalnie przede wszystkim, chmura tylko do ciężkiej pracy, którą sam wybierasz.

• Obrazy pozostają w 100% lokalne. Każdy nieruchomy obraz jest generowany na twoim własnym GPU, nic nie jest przesyłane.
• Wideo LTX-2.5 działa na GPU w chmurze, na żądanie. Zsynchronizowane audio, a zwłaszcza 4K, są obliczeniowo wymagające, więc są uruchamiane na zdalnym GPU i rozliczane za klip w kredytach. Jest to opcjonalne: jeśli generujesz tylko obrazy, nic w twoim prywatnym, lokalnym przepływie pracy się nie zmienia.
• Te same postacie w obu trybach. Ponieważ wideo zaczyna się od twoich lokalnych obrazów, tożsamość, którą stworzyłeś, przechodzi do klipu.

Uwaga migracyjna: tendre.AI aktywnie integruje LTX-2.5 w aplikacji. Wideo z dźwiękiem, iteracja w 1080p i finalizacja w 4K trafiają stopniowo w miarę ukończenia migracji. Lokalny przepływ pracy dla obrazów pozostaje niezmieniony.

Granica treści nadal obowiązuje

LTX-2.5 nie zmienia twardej zasady tendre.AI. Wszystko, co jest generowane, jest w 100% syntetyczne: żadna prawdziwa osoba nie jest przedstawiana, a każda postać jest jednoznacznie dorosła. Model jest narzędziem do fikcyjnych, dla dorosłych, generowanych przez AI treści i niczym więcej.