
LTX、オープンウェイト世界モデル「LTX-2.5」公開――動画生成の先にあるPhysical AI
「動画を作るAI」から「世界を予測するAI」へ。LTXはなぜ世界モデルへ向かうのか
LTX-2.5のニュースを「4K HDRに対応した新しい動画生成AI」とだけ見ると、本質を見落とす。
Metaは世界を理解し未来を予測する側から、NVIDIAは世界を生成・シミュレーションする側から、中国勢の一部は動画をロボット学習用の世界へ変える側から、世界モデルという同じ頂上を目指している。
LTXの出発点はロボットではなく動画生成だ。しかし、人物、物体、空間、音、時間の一貫性を本気で追求すると、動画生成AIは「世界がどう存在し、次の瞬間にどう変化するか」を学ばざるを得ない。
LTX-2.5の面白さは、「動画を極めた先に世界モデルが現れた」ことにある。
本稿では、LTX-2.5の公開資料で示された技術、オープンウェイトの意味、ローカル実行、ライセンス、Physical AIへの接続、そしてアメリカ・中国の世界モデルとの違いまでを整理する。
なお、2026年8月18日時点で公開検索から確認できるLTXのAPI Pricing、API Changelog、主要な開発者向けドキュメントではLTX-2.3が現行APIモデルとして掲載されている。一方、今回のLTX-2.5に関する公開資料とAPI側の更新時期には差がある可能性があるため、API価格やモデルIDは導入時にDeveloper Consoleと最新公式ドキュメントで再確認する必要がある。
目次
第一部 LTX-2.5は何を変えたのか
第1章 LTX-2.5公開――動画生成モデルから世界モデルへの転換点
第2章 Native Multishot――複数ショットでも世界を壊さない
第3章 Diffusion Video Decoder――高圧縮と高精細を両立する
第二部 LTX-2.5を支える生成技術
第4章 Gemma系テキスト理解、Prompt Enhancer、RL事後学習
第5章 Diffusion Fidelity Renderingと自動デュレーション
第6章 4K HDR、EXR、RAW、精密編集――制作工程まで取り込む
第三部 オープンウェイトとして何が配られたのか
第7章 フル・蒸留・量子化・Pre-Trained――公開物の全体像
第8章 ローカル実行の現実――VRAM、ストレージ、量子化
第9章 LoRA、Full Fine-tuning、IC-LoRA――自社専用モデルを作れる意味
第四部 性能、API、ライセンスをどう読むか
第10章 速度と品質――6.8秒という数字をどう読むか
第11章 APIはモデル公開と同時に切り替わるとは限らない
第12章 「公開=無条件で無料」ではない――Community Licenseを読む
第五部 なぜ動画生成AIがPhysical AIへつながるのか
第13章 Synthetic Data、Digital Twin、ロボティクスへの入口
第14章 LTXは完成したロボット世界モデルなのか
第六部 アメリカ、中国、LTX――世界モデルはどこから登るのか
第15章 アメリカ勢――Metaの理解・予測型とNVIDIAの生成・シミュレーション型
第16章 中国勢――動画をロボットの学習世界へ変える
第17章 LTXはどこにいるのか――中国勢に近いが、まだ映像生成側
第18章 最終的には理解型と生成型が融合する
第七部 LTX-2.5をどう評価すべきか
第19章 現時点の強みと限界――何を評価し、何を保留するか
第20章 結論――「動画を極めた先に世界モデルが現れた」
第一部 LTX-2.5は何を変えたのか
第1章 LTX-2.5公開――動画生成モデルから世界モデルへの転換点
公開日は2026年8月11日。入手経路は三つある。
【LTX-2.5の入手経路】 ・Hugging Face:オープンウェイトとして配布。ただしゲート付き ・ComfyUI:公開初日から対応。両社の戦略的ローンチ提携による ・LTX API:インフラを自社で持たないチームがマネージドで使う経路
入手経路はHugging FaceとComfyUIだけではない。LTX APIを含めた三経路があり、加えてDiffusers対応版も用意されている。
ComfyUI側には公式のワークフローテンプレートが3種類、初日から用意された。text-to-video、image-to-video、そしてfirst/last-frame-to-video(最初と最後のフレームを指定して間を生成する)である。「対応した」ではなく「すぐ動く状態で置かれた」というのが実態に近い。
Hugging Faceのリポジトリが「ゲート付き」である点は、実務上そこそこ効いてくる。ページを開いただけではファイル一覧すら見えない。ログインし、連絡先情報の共有に同意し、ライセンスを受諾して初めてダウンロードできる。受諾自体は誰にでも開かれているので実質的な障壁は低いが、「URLを踏めば落ちてくる」種類の公開ではない。CI上で自動取得する場合はトークン認証が要る。
LTXは、イスラエルのLightricksからスピンオフした企業である。CEOはZeev Farbman氏。Lightricks側のGMはAsaf Porat氏が務める。
Lightricksはエルサレムに本社を置き、写真加工アプリ「Facetune」や動画編集アプリ「Videoleap」で知られる。2013年に5人の博士課程学生が創業した。創業初期はブートストラップで黒字化したが、その後は外部資本を導入している。2015年に初の外部調達として1000万ドルのSeries A、2018年に6000万ドルのSeries B、2019年7月に1億3500万ドルのSeries C(評価額10億ドル)、2021年9月に1億3000万ドルのSeries D(うち1億ドルが新規、3000万ドルがセカンダリー)を実施した。この時点の累計調達額は3億3500万ドル、評価額は18億ドルである。したがって「外部資本に頼らない企業」とするのは正確ではない。こうしたクリエイティブソフト事業を基盤に、2022年以降は基盤モデル開発へ比重を移し、2024年初頭に映像制作プラットフォーム「LTX Studio」を立ち上げ、同年11月に最初のオープンウェイトモデル「LTX Video(LTXV)」を公開した。
【LTXのモデル系譜】 ・LTXV 2B:2024年11月公開 ・LTXV-13B:2025年5月公開 ・LTX-2:2025年10月発表。重みの公開は2026年1月6日。技術報告書はarXiv:2601.03233「LTX-2: Efficient Joint Audio-Visual Foundation Model」 ・LTX-2.3:2026年3月 ・LTX-2.5:2026年8月11日
つまりLTX-2.5は、突然現れた新モデルではない。約1年9カ月かけて5世代を重ねた系列の最新版である。LTX-2については「発表」と「重みの公開」に3カ月の間があった点も、系譜を追う上では押さえておきたい。
重要なのは、LTXが「世界モデル企業」を名乗り始めたのがLTX-2.5からではないという点だ。LTXは2026年7月8日にLightricksからスピンオフし、同日の公式ブログ「Introducing LTX as an Open World Models Company」でオープン世界モデル企業への転換を宣言している。LTX-2.5は、その路線に立った最初のメジャーリリースにあたる。
LTX自身は、LTX系列を「最も使われているオープン世界モデル」と位置づけ、累計3300万ダウンロードを超えたとしている。これは発表ベースの数字である。
第2章 Native Multishot――複数ショットでも世界を壊さない
LTX-2.5では、生成パイプラインの大部分を再構築したという。新たな「Diffusion Video Decoder」を導入し、動きの大きな場面で発生する映像の破綻を抑えながら、顔や質感などのディテールを改善した。
大きな変更点の一つが、ネイティブの「マルチショット生成」である。従来モデルでは基本的に1つの連続したショットを生成していたが、LTX-2.5では複数のカットからなるシーンを一度に生成できる。カットが切り替わっても、人物、背景、照明、声、映像スタイルなどの一貫性を保つことを狙う。
ここで言う「一度に」は、正確には「単一のパスで」という意味である。従来のように1ショットずつ生成して後から繋ぐのではなく、シーン全体を一つの出力として描き切る。キャラクターの見た目がカットをまたいでも崩れないというのは、広告キャンペーンのような用途では決定的な差になる。従来のオープンモデルが業務で使いづらかった最大の理由が、まさにこのカット間の破綻だった。
第3章 Diffusion Video Decoder――高圧縮と高精細を両立する
「新たなデコーダーを導入した」という説明は、もう少し踏み込める。ただし、ここは一次情報同士で説明が完全には一致していない。
LTX自身のHugging Face Model Cardと公式LLM Infoは、Diffusion Video Decoderについて「VAE reconstruction stageを置き換える」「previous VAE decoding stageをreplacingする」と説明している。これだけを読めば、従来のVAE復号段をDiffusionベースの再構成へ差し替えた、と理解するのが自然である。
ところが、同じリリースを紹介するNVIDIA公式ブログは、「VAE video decoderをcomplementsし、より高品質な最終レンダーのためのsecond decode pathを与える」と説明している。つまりNVIDIA側の文章では、VAEを完全に排除するのではなく、VAE系の経路に高品質なDiffusion復号経路を加えた構造に読める。
さらに実際の配布パックには、品質重視の「DiffVAE」と高速な「Conv VAE」が共存している。したがって本稿では、「VAEが完全に消えた」と断定せず、通常の高速復号と高品質なDiffusion系再構成を用途に応じて使い分ける構成、と理解するのが最も安全だと整理する。
効果としてLTXが挙げるのは次の点である。
【Diffusion Video Decoderの改善点】 ・顔のシャープさ ・質感(テクスチャ)の再現 ・画面内に映り込む文字の可読性 ・動きの表現 ・負荷の高いシーンでのアーティファクト減少
LTXの高い圧縮率を維持したまま、これらを改善したとしている。文字が読めるかどうかは地味に見えて、看板・製品パッケージ・UI画面を含む実務映像では効いてくる。
第二部 LTX-2.5を支える生成技術
第4章 Gemma系テキスト理解、Prompt Enhancer、RL事後学習
テキストエンコーダーには、LTX向けに調整した「Gemma 4 12B」を採用。複数人物やカメラワーク、照明、動作などを含む複雑なプロンプトへの追従性能を高めたほか、短い指示をより詳細な映像生成用プロンプトに展開する機能も備える。
この「Gemma 4 12B」は一次情報で確認できる。Hugging Faceの配布ファイルに `text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors` として実在し、モデルカードにも「Custom Gemma 4 12B text encoder」と明記されている。ComfyUI向けのint8版も別途用意されている。
LTXの説明によれば、狙いは「長いシーケンスの途中で細部を取りこぼさない」ことにある。複数の登場人物、カメラの動き、照明、アクションが混在するプロンプトでは、後半に行くほど指示が抜け落ちるのが従来モデルの弱点だった。ここを言語側の器で押さえにいった格好である。
プロンプト増補機能(Prompt Enhancer)は、短いプロンプトを映画的な詳細指示へ展開する。LTXは追加の計算コストは最小限だとしている。
ここで一つ、あまり報じられていない構成がある。NVIDIA公式ブログは、この新しいプロンプト増補機能について「Gemma4 E2Bと、カスタムのGemma4 12Bテキストエンコーダーを備える」と説明している。**つまりGemma 4系のモデルが2つ使われている。**プロンプトを膨らませる側に小型のE2B、それを映像生成用の表現へ変換する側に12Bのテキストエンコーダー、という分担である。「Gemma 4 12Bを採用した」という一行では落ちてしまう構成なので、記録しておきたい。
もう一つ、今回の更新で見落としやすいのが学習側の変更である。LTXは公開時の説明で、より大きな学習データセットと強化学習(RL)を用いたとしている。つまり改善はデコーダーやテキストエンコーダーの差し替えだけではなく、モデルが「どの出力を好ましいと判断するか」という事後学習段階にも及んでいる。
この点は資料によって書きぶりが違うので、整理しておく。LTX-2.5のモデルページでは、「larger dataset + RL」は8項目のうち「より少ない計算量でより良い結果」という項目の変更内容として挙げられている。一方、公式のRelease Notesでは「Larger Dataset + RL Post-Training」が独立した変更項目として立てられ、フィルタリングを広げた学習と、人間の選好に沿わせた強化学習によって、テイクの採用率が上がり、繰り返し起きる失敗パターンが減ったと説明されている。
「テイクの採用率(take rate)」という指標の置き方は、映像制作の現場感覚に寄っている。1回の生成で使える画がどれだけ出るか、という話だ。何度も撮り直す必要が減れば、体感速度も実効コストも変わる。ベンチマークのスコアより、こちらのほうが現場では効く。
ただし、LTX-2.5専用の詳細な技術報告書は現時点で公開されていないため、RLの具体的な報酬設計、データ構成、学習計算量、評価手順まで第三者が再現できる状態ではない。この点は「重みが公開されていること」と「学習過程が完全に公開されていること」の違いを象徴している。
第5章 Diffusion Fidelity Renderingと自動デュレーション
シーンの複雑さに応じて計算資源を配分する「Diffusion Fidelity Rendering」も新機能である。
従来は全シーンを一律の圧縮率に固定していた。LTX-2.5は、シーンの複雑さと計算予算に応じて動的に配分する。群衆、速い動き、細部の密なカットに計算を厚く割き、そうでない場所は効率よく処理する。
LTXはこれを「業界最高水準のピクセル品質」と表現している。当然ながら発表ベースの主張である。
プロンプトから適切な動画の長さを予測する自動デュレーション機能も搭載された。
ただしこれは常時ONではない。モデルカードは「Duration predictor (optional)」と明記している。実装上は、推論時に `--num-frames` を指定しなければデュレーションヘッドが働き、プロンプトから長さを決める。指定すればその値が使われる。ComfyUIでも、これはオプトインのノードとして提供される。
「自動で長さが決まってしまう」のではなく、「長さの指定を省略できるようになった」と理解するのが正確である。
なお、フレーム数には制約がある。`num_frames % 8 == 1` を満たす必要があり、1、9、17、……121といった値になる。幅と高さは32で割り切れる値でなければならない。
第6章 4K HDR、EXR、RAW、精密編集――制作工程まで取り込む
ネイティブ4K HDRとRAWワークフローにも対応した。プロの色調整・仕上げのパイプラインに、マスターを劣化させずに入れられるという主張である。
ただし一点、系譜は分けて考えたほうがよい。ネイティブ4Kと24/25/48/50fpsという高解像度・高フレームレート側の能力はLTX-2世代から存在していた一方、HDRの実装は段階的に成熟している。 LTX-2.3ではHDR IC-LoRAによるProduction-grade HDRがベータとして提供され、LTX-2.5ではNative EXR Workflowが本格的に前面へ出た。
現在のLTX公式Release Notesは、LTX-2.5のNative EXR Workflowについて、映画品質のEXRをACESおよびDaVinci Wide Gamut内で読み書きし、ダイナミックレンジ、メタデータ、カラー情報を維持すると明記している。さらに技術ドキュメントでは、scene-linear ACEScg、scene-linear Rec.709/sRGB、ACEScctを入力として扱い、EXRフレーム列とBT.2020/HLGの10-bit HEVCマスターを出力できる。
ここで重要なのは、「HDR対応」が一種類ではないことだ。LTX-2.5のNative EXR Workflowは、すでにHDR/EXRで存在する素材を高ダイナミックレンジのまま生成・編集パイプラインへ通す仕組みである。一方、SDR映像から存在しなかったハイライトやレンジを合成するHDR IC-LoRAは別機能であり、公式ドキュメントは2026年8月17日時点で「LTX-2.3では検証済み、LTX-2.5互換性は開発中」としている。
したがって「LTX-2.5ならSDR動画をそのままネイティブHDRへ変換できる」と一括りにするのは正確ではない。LTX-2.5で確立しているのはNative EXR/HDRパイプラインであり、SDR→HDR生成用IC-LoRAはまだ移行途中、と分けるべきである。
さらに見落とせないのが、**精密な動画編集機能(ベータ)**である。
LTXの公式FAQは、LTX-2.5の新要素として「beta precise video editing」を挙げている。NVIDIA側の発表でも「generative editing」の追加として言及されている。
その中身は、LTX公式の技術情報ページに「Video Editing IC-LoRA(ベータ)」として具体的に書かれている。元のショットを条件として与え、指示された箇所だけを変える仕組みである。構造、動き、被写体の同一性は保たれる。
【Video Editing IC-LoRAで想定される作業】 ・物体やリグ(撮影機材)の除去 ・カットのつながりの修正 ・背景・環境の差し替え
いずれも「撮り直しなしで」できると謳っている。映像制作の現場で言えば、これはVFXの下工程をモデル側へ吸い上げる動きだ。生成専用モデルから編集も担うモデルへ踏み出す、という以上に、既存のポストプロダクション工程の一部を置き換えにいく設計に見える。ベータ扱いなので実務投入の判断は慎重にすべきだが、リリースの性格を読む上では外せない。
なお、HDR関連の機能には裏付けとなる論文がある。LTXのRelease Notesは、HDR機能について「LumiVid: HDR Video Generation via Latent Alignment with Logarithmic Encoding」という研究論文に基づくと明記している。ACES準拠、出力はfloat16のEXR、scene-linear、API側ではvideo2videoエンドポイントとして提供される。
LTX-2.5の公式モデルページでは、従来より少ない計算量でフルモデルに近い品質を目指した蒸留モデルも提供するとしている。
第三部 オープンウェイトとして何が配られたのか
第7章 フル・蒸留・量子化・Pre-Trained――公開物の全体像
LTX-2.5の公開形態を理解するうえで、ここは特に重要である。
モデルはHugging Faceで公開されており、22Bのフルモデルと蒸留モデルを用意する——という説明は誤りではないが、実態を捉えきれていない。
LTX-2.5は、単一の巨大ファイルではなく、**ComfyUI整合の「分割パック」**として配布される。コンポーネントごとに1つの `.safetensors` ファイルが用意され、それぞれを個別に指定して読み込む形式だ。
【LTX-2.5の主要チェックポイント(DiT)】 ・`ltx-2.5-22b-dev-transformer-bf16`:フル/学習可能なDiT ・`ltx-2.5-22b-distilled-transformer-bf16`:蒸留DiT。8ステップ固定、CFG=1 ・`ltx-2.5-22b-dev-transformer-comfy-int8-convrot`:フル版のComfy int8。ComfyUI専用 ・`ltx-2.5-22b-distilled-transformer-comfy-int8-convrot`:蒸留版のComfy int8。ComfyUI専用 ・`ltx-2.5-22b-distilled-transformer-nvfp4`:蒸留版のNVFP4。Blackwell世代向け
【同梱される他のコンポーネント】 ・Gemma4-12Bテキストエンコーダー(bf16/Comfy int8の2種) ・動画VAE 2種(DiffVAE=高品質・重い/Conv VAE=高速・軽い) ・音声VAE+ボコーダー ・蒸留LoRA(devトランスフォーマー用ワークフロー向け) ・デュレーションヘッド ・空間アップスケーラー×2、時間アップスケーラー×2
さらに別リポジトリとして、Diffusers対応版の `Lightricks/LTX-2.5-Diffusers` がある。同じモデルを、Diffusersで扱いやすい形に梱包し直したものだ。
実務上の落とし穴も一つある。蒸留パイプラインが必要とする空間アップスケーラーの一部は、いまだLTX-2.3のリポジトリにホストされている。LTX-2.5だけを落としても揃わない。公式のダウンロード手順も、LTX-2.5とLTX-2.3の両方から取得する二段構えになっている。
LoRAの互換性については、LTX自身が「LTX-2.3で学習したLoRAとIC-LoRAの大多数は、変更なしでLTX-2.5上で動く」とテスト結果を示している。ただし少数の例外があるとも明記しており、本番投入前の検証を求めている。コミュニティが積み上げた資産が世代交代でリセットされない設計は、オープンウェイト陣営としては大きい。
もう一つ重要なのが、別リポジトリとして公開されたPre-Trained版である。
LTXは同時に `Lightricks/LTX-2.5-Pre-Trained` という別のリポジトリを公開している。
これは、事後学習をかける前の、事前学習だけを終えた素の基盤チェックポイントである。LTX-2.5本体は、この上に教師ありファインチューニングとその後の事後学習を積んだものだ。Pre-Trained版は、その手前の状態で止めてある。
【LTX-2.5-Pre-Trainedの構成】 ・`ltx-2.5-22b-pt-bf16.safetensors`:43GiBの単一バンドル ・上記1ファイルに、22B DiT、動画VAE、音声VAE、ボコーダー、デュレーションヘッド、テキスト埋め込み射影がすべて同梱 ・別途Gemma4 12Bテキストエンコーダー(HF Transformers形式)が必須
用途はモデルカードに明記されている。「特化モデルを作る研究者・開発者向け」であり、「汎用の映像生成には本体のLTX-2.5を使え」と書かれている。
そして決定的なのは、LTXのロボティクス/Physical AI向けページの「Download on Hugging Face」ボタンが、本体ではなくこのPre-Trained版を指していることだ。
つまり、報道が「LTX-2.5にはPhysical AI向けの事前学習済みチェックポイントが含まれる」と伝えたものの実体が、これである。ただし正確を期すなら、Pre-Trained版のモデルカード自体に「ロボティクス向け」という記述はない。汎用の事前学習チェックポイントを、LTXがロボティクス向けの入口として提示している、という構造だ。この区別は押さえておいたほうがいい。
第8章 ローカル実行の現実――VRAM、ストレージ、量子化
「ローカルで動く」と「気軽に動く」は別である。
VRAM要件について、LTXの記載は資料によって幅がある。LTX-2.5のモデル比較表には「最小VRAM 16GB」とあり、ロボティクス向けページには「12GB以上のVRAMで動作」「単一GPUでほぼリアルタイム」とある。後者はLTX系列全体を指した表現とも読める。
一方でモデルカード自体は、正確なVRAM要件を明示していない。第三者の検証記事も、VRAM所要量は解像度、フレーム数、量子化、オフロード、VAEの選択、ワークフロー設計に大きく依存すると指摘している。RTX 4090、RTX 5090、A100で動作報告があるが、Torch/CUDAの構成次第で性能が大きく振れるという。
低VRAM環境向けには、公式に手当てがある。bf16のトランスフォーマーを実行時にfp8へ落とし、CPUオフロードを併用するオプション(`--quantization fp8-cast --offload cpu`)が用意されている。
見落としがちなのがディスク側である。Pythonパイプライン向けの公式ダウンロード手順が示す一式は、およそ66GiBに達する。Pre-Trained版だけでも43GiBある。ワンクリックで落ちてくるサイズではない。ストレージ、回線、ダウンロード時間を織り込む必要がある。
動作環境の目安は、Python 3.12以上、CUDA 12.7以上、PyTorch 2.7系が推奨されている。
ユーザーは自社環境などでモデルを実行できるほか、自社データを使ったファインチューニングも可能だ。
公式GitHubのLTX-2リポジトリでは、Pythonによる推論環境(`ltx-pipelines`)やLoRAの学習環境(`ltx-trainer`)を公開している。LTX-2.5のdevトランスフォーマーは完全に学習可能で、公開済みのLoRAやIC-LoRAをこのTrainerで再現できる。
アーキテクチャは、220億パラメータの非対称デュアルストリーム拡散トランスフォーマーである。映像と音声を単一のパスで同期生成する点が、この系列の設計上の特徴にあたる。
第9章 LoRA、Full Fine-tuning、IC-LoRA――自社専用モデルを作れる意味
オープンウェイトモデルは、学習済みモデルの重みを入手できるため、外部のAPIだけに依存せず自社環境で動かしたり、特定の用途やデータに合わせて追加学習したりできる点が強みとなる。研究者や企業がモデルを検証・改変しやすくなることも、オープンウェイト化の利点の一つだ。
一方で、「オープンウェイト」は必ずしも「オープンソース」と同じ意味ではない。モデルの重みが公開されても、学習に使ったデータや学習過程のすべてが公開されるとは限らず、モデルそのものを一から再現できるとは限らない。また、一度重みが広く配布されれば、開発元がその後の利用方法を技術的に制御することは難しくなる。
LTX-2.5について言えば、この点は明確である。LTX-2.5のライセンスはOSI(Open Source Initiative)承認のオープンソースライセンスではない。LTX自身のページも「Open Source」という見出しを使うが、実体は独自ライセンスによる重み公開である。
そして、LTX-2.5に固有の事情がもう一つある。LTX-2.5には専用の技術報告書がない。モデルカードが引用として掲げているのは、2026年1月公開のarXiv:2601.03233「LTX-2: Efficient Joint Audio-Visual Foundation Model」——つまり前々世代の論文である。Diffusion Fidelity Rendering、Diffusion Video Decoder、マルチショット生成といった今回の新要素について、査読可能な形の技術記述は現時点で存在しない。
ただし、機能単位では論文が存在する。第8章で触れたHDR機能には「LumiVid」の論文が紐づいている。モデル全体を説明する報告書がない、というのが正確な言い方だ。
重みは配られている。中身の説明は、部分的にしか配られていない。
第四部 性能、API、ライセンスをどう読むか
第10章 速度と品質――6.8秒という数字をどう読むか
今回のリリースで最も話題になった数字が「10秒の動画を6.8秒で生成」である。
この数字は、条件を書かないと意味を持たない。
【6.8秒の測定条件(LTX発表ベース)】 ・自社ハードウェアでのオンプレミス実行 ・NVIDIA GB200を2基 ・解像度720p ・画像から動画(image-to-video) ・目標尺10秒、24fps ・定常状態での計測
LTX APIを経由した場合は23.7秒。ただしこちらは同一条件ではない。LTXのベンチマーク注記では1080pでの内部計測値で、「LTXには720p tierがないため」と説明されている。
この注記は公開時ベンチマークの測定条件として読むべきであり、現在のAPI一般仕様を示すものではない。2026年8月17日時点の開発者向け公式ドキュメントではLTX-2.3が現行APIモデルとして掲載されているため、LTX-2.5のベンチマークと現行API仕様は分けて考える必要がある。
つまり6.8秒/23.7秒の比較は、公開時ベンチマークの条件としては引用できるが、その注記をそのまま現在のAPI仕様へ転用してはいけない。
LTXが並べた他モデルの数字は次の通り。fal.runという第三者プロバイダー経由でエンドツーエンド計測し、待ち行列時間を含む。
【10秒クリップ生成時間の比較(LTX発表ベース)】 ・LTX 2.5(オンプレ):6.8秒 ・LTX 2.5(API):23.7秒 ・Omni Flash:52秒 ・Grok 1.5:63秒 ・Veo 3.1:70秒 ・MiniMax H3:180秒 ・Seedance 2.0:196秒 ・FLUX 3:259秒 ・Seedance 2.5:317秒 ・Kling 3.0 Pro:398秒
解像度は揃っていない。Omni Flash、Grok 1.5、Veo 3.1、Seedance 2.0、FLUX 3は720p。Seedance 2.5は720pが上限。MiniMax H3は768pで、真の720p階層を持たない。Kling 3.0 Proは約1080p。Veo 3.1は10秒ではなく8秒クリップでの計測である。LTX自身がこれらの条件差を注記している点は、比較表としては誠実な部類に入る。
ただし、これはあくまでベンダー計測である。第三者による検証では数字は大きく変わる。RTX 5090の単一ユーザー環境で計測した例では、LTX-2.5が約1.5分、MiniMax H3が8〜10分だったという報告がある。独立した計測結果を集めると、RTX Pro 6000で約22秒、A100では約7分と、二桁近い幅がある。しかもこれらの計測には、共通の解像度も、フレーム数も、使用チェックポイントの取り決めもない。横に並べて比較できる状態ではない、というのが正直なところだ。
GB200を2基積んだ環境と、デスクトップGPU 1枚の環境では、そもそも土俵が違う。
「LTX-2.5は速い」は複数の環境で一貫して観測されているが、「6.8秒で生成できる」を自分の環境の期待値にしてはいけない。
LTXは速度だけでなく、画質面の指標も公開している。
【視覚的アーティファクトのスコア(低いほど良い/LTX発表ベース)】 ・LTX 2.5 Pro:0.28 ・LTX 2.5 Fast:0.39 ・FLUX 3:0.45 ・MiniMax:0.46 ・Seedance 2.0:0.60 ・Wan 2.6:0.65 ・Seedance 2.5:0.69 ・LTX 2.3 Pro:0.74 ・Kling 3 Pro:0.76 ・Veo 3.1:1.20
測定方法は、同一の98プロンプトをテキストから動画で10モデルに通し、斑点、崩れたテクスチャ、溶けたり滲んだりした領域を自動採点したもの。人間の評価者ではない。LTX自身が「予備的な結果であり、評価の拡大に伴って変化が見込まれる」と注記している。
自社評価で自社が1位という構図なので、そのまま受け取るべきではない。ただし前世代のLTX 2.3 Proが0.74で下位に置かれている点は、少なくとも恣意的な作りではないことを示唆する。世代間の改善幅(0.74→0.28)が本当なら、これは大きい。
LTX-2.5は、NVIDIAのローカルAI施策と足並みを揃えて公開された。
NVIDIAは同日、オープンなエージェントモデル「Nemotron 3.5 Lightning」も公開している。LTX-2.5はその一連の発表の柱の一つに位置づけられた。同時に加速対象として挙げられたオープンモデルの顔ぶれも、この文脈を物語る。Cosmos 3 Edge(40億・ロボティクスと自動運転と視覚AI向けの世界モデル)、MiniMax-H3(330億)、PoolsideのLaguna S 2.1(1180億)、DeepSeek-V4-Flash(2840億)、Thinking Machines LabのInkling-Small(2760億)、Wan-Animate-2、MetaのMuse Glimmerなどである。米国勢と中国勢のオープンモデルが同じ最適化リストに並んでいる。NVIDIAにとっては、どの陣営が勝つかより、どこで動くかのほうが重要だということだ。
NVIDIAとLTXはLTX-2系列を通じて、RTX、量子化、ComfyUI、ローカル推論の最適化を進めてきた。ただし世代、GPU、量子化形式、ワークフローが異なる性能数字は単純比較できない。特定の高速化倍率よりも、22B級の動画モデルをAPI専用に閉じず、ローカルGPUへ持ち込もうとしている点が重要である。
この種の数字は、世代や精度形式を取り違えると簡単に膨らんで伝わる。一次資料まで遡って確認する必要がある。
そして、押さえるべき本質は特定の倍率ではない。LTXが一貫して、高性能モデルをAPI専用に閉じず、NVIDIA GPU上でローカル実行できる方向へ最適化してきたことである。22B級モデルを公開するだけでは、一般企業やクリエイターが使えるとは限らない。実際に価値を生むのは、量子化、オフロード、VAEの選択、アップスケーラー、UI統合まで含めた実行系だからだ。
第11章 APIはモデル公開と同時に切り替わるとは限らない
自社GPUを持たない利用者には、LTXのマネージドAPIという選択肢がある。ただし、LTX-2.5の記事でAPI価格を扱う際には注意が必要だ。
2026年8月18日時点で、公開検索から確認できるLTX公式 `docs.ltx.io/pricing` は、Text-to-VideoとImage-to-Videoについて `ltx-2-3-fast` と `ltx-2-3-pro` を掲載している。1080pはFastが1秒0.06ドル、Proが0.08ドル、1440pは0.12ドルと0.16ドル、4Kは0.24ドルと0.32ドルである。
API Changelogでは旧LTX-2の廃止とLTX-2.3への移行が案内されている。したがって、LTX-2.5の重み公開と、APIで正式に提供されるモデル世代・料金体系は分けて読むべきである。
これはLTXだけの問題ではない。生成AIでは「研究・オープンウェイトの最新版」「製品サイトの最新版」「APIの正式サポート版」が同じ日に切り替わらないことがある。
企業導入で見るべきなのは、発表時の数字ではなく、利用開始時点のDeveloper Console、Supported Models、Pricing、契約条件である。
ローカル版の場合、コストはAPI秒単価ではなく、GPU、電力、ストレージ、クラウドGPU時間、運用人件費で決まる。大量生成ならオンプレミスが有利になる場合があり、少量・変動需要ならAPIが合理的な場合がある。
したがってLTX-2.5の価値を「APIが何ドルか」だけで判断するのは適切ではない。オープンウェイトで自社環境へ持ち込めること自体が、LTXの重要な差別化要素だからである。
第12章 「公開=無条件で無料」ではない――Community Licenseを読む
利用条件もモデルによって異なる。LTX-2.5には独自の「LTX-2.x Community License」が適用され、年間売上1000万ドル未満の組織は一定の条件下で商用・本番利用も無償となる一方、それを超える企業には別途ライセンスが必要となる。
ここは、記事として最も踏み込む価値のある箇所なので、条文に即して整理しておく。
【LTX-2.x Community Licenseの要点】 ・年間売上1000万ドル(約16億円)未満の個人・組織は、商用・本番利用が無償 ・年間売上1000万ドル「以上」の事業体は、商用利用の前に有償ライセンスの取得が必須 ・売上は、子会社および共通支配下の関連会社を含む事業体全体で測定される ・1000万ドル未満でも、ファインチューンの「移転」には有償ライセンスが必要になる場合がある ・LoRAやファインチューンを含む派生物は、同じライセンスの下で再配布しなければならない。ライセンスの写しの同梱も求められる ・Attachment Aに利用制限がある。競合モデルの学習に使わないこと、性的搾取的コンテンツの生成禁止などを含む
実務上、注意すべき点が三つある。
第一に、閾値は「1000万ドル未満は無償」だが、超過側は「1000万ドル以上」で有償である。ちょうど1000万ドルは有償側に入る。
第二に、「事業体全体」の測定範囲だ。小規模な子会社が単体で使う、という抜け道はない。グループ全体の売上で判定される。日本の中堅以上のメーカーやSIerが「まずは部門で試す」と考えたとき、この条項は最初に確認すべきものになる。
第三に、ファインチューンの移転である。Model Card自体は「Transfer of fine-tunes may require a paid license」と注意書きを置いているため、受託開発や顧客納品では確認が必要になる。
一方、Hugging Face上でLTX公式スタッフは公開直後の質問に対し、年間売上1000万ドル未満の事業体によるコミュニティ向けFine-tuneの作成・共有は認められており、共有時に完全なライセンスまたはその直接リンクを引き継げばよい、と説明している。ただし受領者が年間売上1000万ドル以上のCommercial Entityに該当する場合、その受領者自身が利用前に有償ライセンスを取得する必要がある。
したがって「Fine-tuneを第三者へ渡した瞬間に必ず有償」という単純な規則ではない。誰が作り、誰へ渡し、受領者の企業規模がいくらかで扱いが変わる。顧客納品モデルではこの点を契約前に確認すべきである。
LTX自身は、LTX-2.5のライセンス面の改善として「より整理され、より許容的なライセンス」を掲げている。制約の強い第三者依存を減らし、ファインチューニング、展開、商用化、再配布を簡素化する意図があると説明する。オープンウェイトのモデルは、内部で使う部品(テキストエンコーダーなど)のライセンスが足を引っ張ることがある。そこを整理したという主張である。裏を返せば、従来はそこが実務の障害になっていたということだ。
なお、LTXの公式FAQは「$10M ARR(年間経常収益)未満は無償」と書き、Hugging Faceのモデルカードとライセンス条文は「annual revenue(年間売上)」と書く。ARRと年間売上は本来別の概念である。判断が微妙な領域にいる企業は、マーケティングページの表現ではなく、拘束力を持つライセンス条文の側を読む必要がある。
「オープンウェイト」という言葉だけでは、企業が何を自由にできるのかは分からない。そこで、現在一次資料で確認できる別の例としてMiniMax M3と比較してみる。
LTX Community Licenseは、年間売上1000万ドル未満の企業について、自社環境での実行、ファインチューニング、商用利用を無償で認めるとLTX公式ライセンスページが説明している。1000万ドル以上では商用ライセンスが必要になる。
一方、MiniMax M3のCommunity Licenseは別の設計である。非商用利用は無償で、商用利用する場合には「Built with MiniMax M3」という表示を求める。さらに、その製品・サービスの年間売上が2000万ドルを超える場合はMiniMaxから事前の書面承認を取得する必要がある。2000万ドル以下でも、商用利用時には所定の通知が必要とされている。
この二つだけでも、同じ「公開モデル」で条件設計が大きく違うことが分かる。
【LTX型】 ・企業全体の年間売上1000万ドルが大きな境界 ・閾値未満では商用利用と自社ホスティングが可能 ・閾値以上では別途Commercial Licenseが必要
【MiniMax M3型】 ・商用利用ではブランド表示が必要 ・一定規模以下でも通知義務がある ・対象製品・サービスの年間売上が2000万ドルを超える場合は事前承認が必要
ここから得られる教訓は明快だ。
企業がオープンウェイトモデルを採用するときに確認すべきなのは、重みをダウンロードできるかどうかだけではない。
誰が無償で使えるのか。商用利用で表示義務があるか。派生モデルを配布できるか。顧客へ納品できるか。会社全体の売上を見るのか、製品売上を見るのか。競合モデルの学習に使えるのか。
この確認を飛ばすと、PoCでは問題なくても、本番導入や顧客納品の段階でライセンスが障害になる。
なお、MiniMax H3やQwen3.8-Maxについては、2026年8月時点の具体的なライセンス条件を一次資料で十分に再確認できなかったため、本稿の比較対象には含めていない。
第五部 なぜ動画生成AIがPhysical AIへつながるのか
第13章 Synthetic Data、Digital Twin、ロボティクスへの入口
公開直後からComfyUIやStable Diffusion系コミュニティでは、LTX-2.5のローカル検証が始まっている。これらは統一条件のベンチマークではなく個人環境の報告なので、公式性能値と同列には扱えない。それでも「何が実用上の強みで、何がまだ弱いのか」を見る参考にはなる。
16GB級GPUで長尺作品を組んだユーザーからは、LTX-2.5の高速性とカット間の連続性を評価する報告が出ている。一方、別の初期利用者からは、動きの物理整合性が不自然になるケースや、Prompt Enhancerを有効にした際に意図と異なる出力が生じるケースも報告されている。
重要なのは、これらを「LTX-2.5は物理を理解していない」と即断する材料にも、「世界モデルとして完成した」と持ち上げる材料にも使わないことだ。動画生成で要求される知覚的な自然さと、ロボット制御で要求される因果的・物理的な正確さには大きな隔たりがある。
むしろ公開直後の状況が示しているのは、LTX-2.5の強みがまず「高速なローカル動画生成」「マルチショット一貫性」「改変可能な基盤」にあり、Physical AIについてはPre-Trained checkpointと開発者プログラムを通じて、これから検証が進む段階だということである。
LTXはLTX-2.5を、映像生成だけでなく、ロボットなど現実世界で動くAI「Physical AI」にも活用できる世界モデルと位置付けている。企業や開発者がそれぞれの用途に合わせて追加学習し、ロボティクスなどに応用することを想定する。
LTXがロボティクス向けに掲げる用途は、次の4段階である。
【LTXが示すPhysical AIの4段階】 ・合成データの生成:多様な環境、視点、照明条件、物体の相互作用を作り、ロボット学習データセットを拡張する ・環境への適応:自社固有の環境、センサーデータ、ロボティクスタスクにIC-LoRAでファインチューニングする ・効率的な展開:単一GPUでほぼリアルタイムの推論を、オンプレミス、自社クラウド、あるいはロボットが実際に動くエッジで走らせる ・世界行動モデルへの発展:合成データとシミュレーションから始め、同じ基盤をリアルタイムの方策生成へ拡張する
生成の制御信号として、モーション、深度、姿勢、カメラなどの条件付けが使える点も挙げられている。ロボット学習用のデータとしては、この制御性が生命線になる。狙った軌道のデータが作れなければ意味がない。
さらにLTXの公式情報は、Pre-Trained checkpointを単に「ロボット向け」と曖昧に呼ぶのではなく、より具体的な適応先として、**egocentric robotics(一人称視点のロボティクス)、action-conditioned world prediction(行動条件付きの未来予測)、synthetic AV/drone data(自動運転車とドローン向けの合成データ)、industrial digital twins(産業用デジタルツイン)**を挙げている。ここでのAVはaudio-visualではなくautonomous vehicle、つまり自動運転の意味である。並記されているdroneと、この一覧全体がフィジカルAI向けである文脈から、そう読むのが妥当だ。
これは重要な追加情報である。Physical AIへの入口は「映像を生成してロボットに見せる」だけではない。現在状態と行動を条件に未来状態を予測する方向、現実では収集しにくい視点や事故・失敗条件を合成する方向、そして工場や設備のDigital Twinへモデルを適応する方向まで、LTXは射程に入れている。
ただし、これらはLTXがPre-Trained版の適応先として掲げる用途であって、すべてがLTX-2.5本体で実証済みの完成機能という意味ではない。本体Model CardがPhysical AIを「developing」とする評価は依然として重要である。
顧客事例として、LTXはMarkov Roboticsを挙げている。同社の共同創業者兼CEOであるAtharva Gundawar氏は、ロボットの学習とは物理世界の見た目ではなく振る舞いを教えることであり、その目的に最も近づいたオープンモデルがLTX-2.5だ、と述べている。自社ハードウェア上で実行・ファインチューニングできることが実用性の条件であり、同じことができる他のオープンモデルは見つかっていないという。
LTXは「Physical AI Developer Program」という専用プログラムも用意している。ただしこれは招待制(invite-only)である。誰でも申し込めば入れる窓口ではない。重みは誰にでも開き、伴走支援は選別する——という二段構えになっている。
第14章 LTXは完成したロボット世界モデルなのか
ここで線引きが必要である。
高品質な動画を生成できることと、ロボットが安全に行動できるほど正確に物理世界を予測できることは同じではない。映像制作では「もっともらしさ」が重要だが、ロボティクスでは物体永続性、接触、力、摩擦、3D幾何、Actionと結果の因果関係まで正しく扱う必要がある。
したがって、LTX-2.5を現時点で「完成したロボットの頭脳」と表現するのは早い。
LTXの強みはむしろ、動画・音声生成で培った時間的一貫性、マルチショット、ローカル実行、Fine-tuning可能な基盤を、Physical AI向けに再利用できる可能性を開いたことにある。
Pre-Trained版が重要なのもこのためだ。完成した映像生成向けの出力特性をそのまま使うのではなく、研究者や企業が自社データ、ロボット視点、特定環境へ適応させるための出発点を持てる。
Physical AIにおけるLTXの現在地は、「ロボット制御モデル」ではなく、生成型世界モデルの候補となるオープンな基盤と見るのが最も正確である。
第六部 アメリカ、中国、LTX――世界モデルはどこから登るのか
第15章 アメリカ勢――Metaの理解・予測型とNVIDIAの生成・シミュレーション型
世界モデルという言葉には、まだ統一された一つの方式があるわけではない。
MetaのV-JEPA 2は、未来のPixelをすべて描くことより、動画から得たLatent表現の中で未来状態を予測し、理解・予測・計画へつなげる方向を代表する。Meta自身もV-JEPA 2の柱を「Understand, predict, plan」と説明している。
この方式では、ロボットがコップを掴むために、壁紙や机の木目を4Kで再生成する必要はない。重要なのは物体の位置、動き、接触可能性、行動後の状態である。
一方、NVIDIA Cosmosは生成型のWorld Foundation ModelをPhysical AIのデータ生成・予測・シミュレーション基盤として位置づけている。Cosmos PredictはText2World、Image2World、Video2Worldを扱い、Cosmos Predict 2.5にはaction-conditionedなロボット向けモデルも用意されている。
つまりアメリカ勢の中だけでも、MetaのようなLatent Prediction型と、NVIDIAのようなGenerative Simulation型が並存している。
重要なのは、どちらも最終的には「現実で試す前に、内部モデルで未来を予測する」ことを目指している点である。
第16章 中国勢――動画をロボットの学習世界へ変える
中国では、動画生成モデルをEmbodied AIのデータエンジンへ転用する流れが非常に鮮明になっている。
Xiaomi-Robotics-U0は38Bのマルチモーダル自己回帰モデルで、Foundation Image/Video GenerationをEmbodied Generationへ拡張する設計を採る。画像生成・編集だけでなく、Embodied Scene Generation、Embodied Transfer、Embodied Video Generationを一つの枠組みに統合している。
Qwen-RobotWorldはさらに分かりやすい。現在観測と自然言語Actionを条件として、物理的に接地した未来のVisual Trajectoryを生成するLanguage-conditioned Video World Modelである。Synthetic Data、Policy評価、Robot ControlのPlanning Signalを用途として掲げている。
この流れを簡単に書けば、
Video Generation → Embodied World Model → Synthetic Data / Simulation → Policy → Robot Action
となる。
中国勢の特徴は、動画生成を完成作品として終わらせず、ロボットを育てる中間基盤として扱うことにある。
北京智源人工智能研究院は2026年の世界モデル議論で、現在の技術路線を「言語中心」「Pixel中心」「3D構造中心」「視覚表現中心」の四つに整理している。これは世界モデルという言葉が、VLAからSora型動画生成、3D再構築、JEPA型Latent Predictionまで非常に広い方式を含んでいることを示している。
つまり「中国方式」が一つあるわけではない。中国の中でも、動画生成から登る企業、3D・物理状態を重視する研究、VLAからActionへ進む陣営が競争している。
第17章 LTXはどこにいるのか――中国勢に近いが、まだ映像生成側
この比較の中で見ると、LTXはMetaよりも、Xiaomi-Robotics-U0やQwen-RobotWorldのような「生成側から世界モデルへ登る」考え方に近い。
ただし出発点は違う。
中国のEmbodied AI勢は、最終ゴールをRobot Policyやロボット学習に置いて動画生成を利用することが多い。一方LTXは、映画・広告・クリエイティブ制作のために動画生成品質を高めてきた結果、時間的一貫性、物体の持続、音との同期、カメラ制御といった世界モデルに必要な要素へ接近した。
整理すると、
Meta:理解 → 予測 → Planning
NVIDIA:世界生成 → Simulation → Physical AI学習
中国の生成型Embodied AI:Video → World → Physics / Action → Robot
LTX:Video → 一貫した生成世界 → Fine-tuning / Synthetic Data → Physical AI
という違いになる。
LTXは現在、同じ方向を向きながらも、まだ「映像生成側」に軸足を残している。この距離感を理解しておくと、LTX-2.5を過大評価も過小評価もしなくて済む。
第18章 最終的には理解型と生成型が融合する
なぜ動画生成AIが世界モデルへ収束するのか。
理由の一つは、動画というデータが、意味、空間、時間、運動、因果関係の手掛かりを同時に含むからである。さらに音声を統合すれば、衝突、会話、機械音、環境音とVisual Eventの時間関係まで学習できる。
もう一つはデータ量である。インターネット動画は巨大だが、ロボットの実機Actionデータははるかに少ない。そこで豊富な動画で世界の表現を学び、希少なロボットデータでActionへ適応するという戦略が自然に生まれる。
ただし、動画生成モデルが自動的に世界モデルになるわけではない。2026年の研究でも、見た目の物理的一貫性と、状態・ダイナミクス・因果を持つ実用的なWorld Simulatorとの間にはギャップがあることが指摘されている。
最終的には「理解型」と「生成型」が融合していく可能性が高い。
Camera / Sensor → World Representation → Future Prediction → Simulation → Policy → Action
という閉ループの中で、Latent Prediction、Generative Video、3D、Physics、Action Modelが結合していく。
世界モデル競争の本当の争点は、誰が最も美しい動画を作れるかではない。
誰が、知覚 → 理解 → 予測 → シミュレーション → 行動までを一つの閉ループにできるか。
LTX-2.5を見る面白さは、まさにその競争へ「動画生成側」から入っていく企業の姿が見えることにある。
第七部 LTX-2.5をどう評価すべきか
第19章 現時点の強みと限界――何を評価し、何を保留するか
LTX-2.5のPhysical AI用途は、リリース資料上でもまだ発展途上として扱われている。この点は過大評価しないほうがよい。
Hugging Faceのダウンロード数、Like数、Adapter数、Fine-tune数、Quantization数は、公開直後ほど急速に変化するローリング値であり、検索インデックスの更新遅延もある。そのため本稿では、これらの瞬間値を記事の中核的な根拠には使わない。
一方、LTX-2系列全体については、公開後にLoRA、IC-LoRA、量子化版、ComfyUIワークフローなどが活発に作られてきたことは確認できる。公式GitHubには推論、LoRA、Full Fine-tuning、IC-LoRAの学習環境があり、LTX-2.3向けには水シミュレーションなど用途特化型IC-LoRAも公開されている。
この生態系がLTX-2.5へどこまで連続するかは重要な観察点だ。
世界モデルの価値は、単独のベンチマークだけでは決まらない。実際には、
・どれだけ多くの開発者がローカルで動かせるか ・既存LoRAやツール資産が次世代へ移行できるか ・企業固有データで再学習できるか ・ComfyUIなど既存ワークフローへ組み込めるか ・Physical AI向けに映像以外のセンサーやAction情報へ広げられるか
によって決まる。
その意味で、LTX-2.5のPhysical AI戦略は「すでに普及したロボット基盤モデル」と見るより、動画生成で形成したオープンな開発者基盤を、世界モデルとロボティクスへ延長できるかを試している段階と評価するのが妥当である。
LTX-2.5について評価しやすいのは、映像制作側の価値である。マルチショット、一貫性、音声統合、ローカル実行、Fine-tuning可能性は、クリエイティブ用途と企業内利用の双方で明確な意味を持つ。
一方、Physical AIについては評価を保留すべき部分が大きい。ロボット実機での閉ループ制御、Action-conditioned prediction、力・接触・3D幾何の正確性、長期的な世界状態の保持について、独立した共通評価が十分に揃っているわけではない。
したがって現時点のLTX-2.5は、動画生成で実用性を持つオープンウェイト基盤であり、Physical AIへ伸びる可能性を持った生成型世界モデル候補と評価するのが妥当である。
第20章 結論――「動画を極めた先に世界モデルが現れた」
LTX-2.5の価値を一言で言えば、単なる動画生成性能ではない。
マルチショット一貫性 × 映像・音声統合 × ローカル実行 × Fine-tuning × Physical AIへの拡張性。
この組み合わせがLTXの個性である。
Metaは世界を理解する側から、NVIDIAは世界をシミュレーションする側から、中国のEmbodied AI勢は動画をロボット学習へ接続する側から登っている。LTXは映像制作から出発し、動画世界を壊さず長く維持する能力を磨いた結果、世界モデルという山へ入り始めた。
だからLTX-2.5は、「世界モデルが完成した」というニュースではない。
動画生成モデルとPhysical AIの境界が、消え始めたことを示すニュースである。
今後見るべきなのは、4Kの画質競争だけではない。Pre-Trained版が実際のロボットデータへどこまで適応できるか。Synthetic Dataが実機性能をどこまで上げるか。Actionを条件に未来を予測できるか。そして、その予測を閉ループのRobot Policyへつなげられるか。
その段階に進んだとき、LTXは「動画生成AI企業」から本当の意味で「世界モデル企業」へ変わる。
現時点では、その入口に立ったところである。
情報の確度について
ここまでの情報を、確度に応じて四つの層に分けて整理する。
【A:現在の公開一次資料で直接確認できる事実】 ・LTX-2系列が同期した映像と音声を一つのモデルで生成する設計であること ・LTX-2.3が22B級へ拡大し、4K、最大50fps、約20秒の生成を掲げていること ・LTX-2 TrainerがLoRA、Full Fine-tuning、IC-LoRAを扱うこと ・LTXのCommunity Licenseが年間売上1000万ドルを商用ライセンスの境界としていること ・現在の公式API Pricing、Quick Start、Open Source DocumentationがLTX-2.3を掲載していること ・LTXが自社ホスティング、オンプレミス、エッジ、air-gapped運用を企業向けに訴求していること ・NVIDIA公式ブログが「RTX 6000 PRO GPUでLTX-2.5は最大20%高速化・40%メモリ削減」と記載していること ・LTX-2.5専用のPre-Trainedチェックポイントが別リポジトリとして存在すること ・MiniMax M3のCommunity Licenseが、商用利用に表示義務と通知義務、年間売上2000万ドル超で事前書面承認を課していること
【B:LTX-2.5のリリース資料・ユーザー提供資料で示されている内容】 ・ネイティブのマルチショット生成 ・Diffusion Video Decoder ・Gemma 4 12Bベースのテキストエンコーダー ・Diffusion Fidelity Rendering ・自動デュレーション ・Pre-Trained checkpointをPhysical AIの入口として提示する構想 ・ロボティクス、合成データ、Digital Twinへ広げる方向性
これらは今回の記事の中心情報である一方、公開検索インデックスや現行ドキュメントの更新が追いついていない項目があるため、API価格やダウンロード数のような周辺数値とは分けて扱う。
【C:ベンダー測定・宣伝値】 ・特定GPUでの生成速度 ・他モデルとの速度比較 ・アーティファクト評価 ・「業界最高水準」などの品質表現
これらは条件を揃えた独立ベンチマークが出るまでは、ベンダー自身の測定値として読むべきである。
【D:断定を避けた情報】
この整理は、記事を弱くするためではない。むしろ逆である。
新モデルの発表直後は、モデルページ、API、GitHub、Hugging Face、ドキュメント、料金表が同時に完全更新されるとは限らない。だからこそ、「発表されたこと」と「現在再確認できること」を分けて書く必要がある。
そしてもう一つ。本稿の調査で繰り返し出くわしたのは、一次資料同士でも表現や更新時期が揃わないという事態だった。最小VRAMは資料によって16GBと12GB以上、Diffusion Video DecoderはLTX側が「VAEの置き換え」、NVIDIA側が「VAEを補う第二経路」、ライセンス閾値はマーケティングページが「ARR」、条文が「annual revenue」と表現されている。
一次情報が正しいのではない。一次情報は「誰が書いたか」がはっきりしているだけであって、無謬ではない。二次情報を疑うのと同じ手つきで、一次情報も読む必要がある。
企業導入で最も重要なのは、発表当日の数字を覚えることではない。
導入するその日に、利用予定のモデルID、ライセンス、価格、GPU要件、API仕様をもう一度確認すること。
これが最終調査で得られた最も実務的な結論である。
主要資料・参考リンク
LTX公式
・LTX公式
https://ltx.io/
・LTX-2モデルページ
https://ltx.io/model/ltx-2
・LTX-2.3モデルページ
https://ltx.io/model/ltx-2-3
・LTX API Pricing
https://docs.ltx.io/pricing
・LTX API Changelog
https://docs.ltx.io/api-changelog
・LTX API製品ページ
https://ltx.io/model/api
・LTX API価格ページ
https://ltx.io/model/api/pricing
・LTX Hugging Face
https://huggingface.co/Lightricks
・LTX-2 GitHub
https://github.com/Lightricks/LTX-2
・LTX-2論文
https://arxiv.org/abs/2601.03233
世界モデル比較
・Meta V-JEPA 2
https://ai.meta.com/research/vjepa/
・NVIDIA Cosmos World Foundation Models
https://catalog.ngc.nvidia.com/orgs/nvidia/cosmos/collections/cosmos/
・NVIDIA Cosmos Documentation
https://docs.nvidia.com/cosmos/
・Xiaomi-Robotics-U0
https://arxiv.org/abs/2607.11643
・Qwen-RobotWorld
https://arxiv.org/abs/2606.17030
・北京智源人工智能研究院「世界模型」整理
https://hub.baai.ac.cn/view/55509
・Video Generation Models as World Models
https://arxiv.org/abs/2603.28489
・A Definition and Roadmap for World Models
https://arxiv.org/abs/2607.06401
ライセンス比較
・MiniMax M3 Community License
https://huggingface.co/MiniMaxAI/MiniMax-M3/blob/main/LICENSE
ハッシュタグ
#LTX #LTX2 #LTX25 #世界モデル #WorldModel #PhysicalAI #フィジカルAI #動画生成AI #オープンウェイト #OpenWeights #ロボティクス #EmbodiedAI #SyntheticData #デジタルツイン #NVIDIA #Cosmos #Meta #VJEPA #XiaomiRobotics #QwenRobotWorld #ComfyUI #HuggingFace #FineTuning #LoRA #生成AI #AI動画