LTX-2.5 – LTX发布的新一代开源视频生成与世界模型

LTX-2.5开放世界模型公司LTX发布的新一代开源视频生成与世界模型。该模型以22B参数的扩散Transformer（DiT）作为主生成器，以LTX-2.3为基础进行近乎全面的管道重构，在生成速度、画质保真度、多镜头连贯性和指令遵循能力上实现了代际跃升。在2张英伟达GB200芯片的自托管配置下，LTX-2.5生成10秒720P视频仅需6.8秒，速度快于实时播放速度，约为快手可灵Kling 3.0 Pro（398秒）的1/58。模型通过Hugging Face、ComfyUI原生集成和LTX API三种渠道开放获取，年度经常性收入（ARR）低于1000万美元的组织可免费使用并允许微调，累计下载量已突破3300万次。

LTX-2.5核心特点

• 超实时生成速度：在2张GB200上6.8秒生成10秒720P视频，经托管API以1080P渲染同一任务耗时23.7秒，官方端到端实测速度远超Google Gemini Omni Flash（52秒）、xAI Grok 1.5（63秒）、Google Veo 3.1（70秒/8秒片段）、字节Seedance 2.5（317秒）和快手可灵3.0 Pro（398秒）。
• 扩散保真渲染（Diffusion Fidelity Rendering）：首创”先结构后细节”的两阶段渲染策略，根据场景复杂度动态分配计算资源——高运动、细纹理和难还原区域获得更多算力预算，静态简单场景自动节省资源，在保障像素级画质的同时提升整体生成效率。
• 原生多镜头生成：单次推理即可产出多个连续剪辑镜头，在镜头切换间保持角色形象、环境氛围、光照条件、声音和整体风格的高度一致性，从根本上解决AI视频创作中”主角换脸”的痛点。
• 全新扩散视频解码器（DiffVAE）：与传统VAE视频解码器相辅相成，通过提供第二条解码路径提升最终渲染视频的质量，重点改善人脸、纹理、画面内文字和高运动场景的伪影问题。
• 开放权重可微调：22B参数权重完全开源，支持本地部署与领域微调，敏感IP数据无需经过第三方云服务。LTX-2.3训练的LoRA大部分可直接复用。
• 原生集成ComfyUI：与ComfyUI达成战略合作实现零日集成，提供文生视频、图生视频、首尾帧插值三种开箱即用的原生工作流。
• 广泛硬件适配：针对NVIDIA RTX GPU、DGX Spark进行联合优化，性能提升2倍、内存占用降低40%；蒸馏版可在消费级显卡甚至Mac上本地运行。

LTX-2.5技术原理

• 22B参数DiT主生成器：采用大规模扩散Transformer架构作为核心生成引擎，提供Dev完整版（可训练/微调、最高质量）和Distilled蒸馏版（固定8步推理、CFG=1、极致速度）两个版本，满足不同场景的质量-速度权衡需求。
• 定制Gemma 4 12B文本编码器：基于Gemma 4 E2B和定制Gemma 4 12B构建提示词处理模块，能在复杂提示词中准确保留多个主体、动作、光影和相机方向等细粒度语义信息。
• 提示词增强器（Prompt Enhancer）：内置轻量级模型，可将用户输入的简短提示词自动扩展为包含镜头景别、场景光照、角色动作、相机运动和音频描述的详细电影级指令，大幅降低提示词工程门槛。
• 扩散保真渲染（DFR）两阶段策略：第一阶段在8×时间压缩的潜空间中构建运动、构图和镜头框架，并自适应生成高保真关键帧；第二阶段从结构和关键帧共同扩散渲染出最终视频，以像素级精度解析纹理、材质和面部细节。
• 扩散视频解码器（DiffVAE）：与传统VAE视频解码器相辅相成，通过提供第二条解码路径提升最终渲染视频的质量。在人脸、纹理、画面内文字和高运动场景下显著减少伪影，改善传统高压缩率方案容易丢失细节的问题。
• 原生多镜头生成：将完整多镜头序列作为单一输出进行渲染，在模型层面保证跨剪辑镜头的角色、场景和声音一致性，无需后期拼接。
• Audio VAE独立音频编码：独立的音频潜空间编码器，负责将视频内容映射为匹配的音频表征，实现画面与声音的同步生成，支持48kHz采样率。
• 时长预测头（Duration Head）：部署在扩散过程之前的预测模块，通过理解提示词中的动作语义，自动推断并输出最合适的视频时长，使模型具备对叙事节奏的初步感知能力。
• NVFP4量化与蒸馏优化：提供Blackwell架构专属的NVFP4量化版本，在同等质量下实现更快推理；与英伟达联合优化的蒸馏模型可在RTX显卡上以更低显存运行。
• IC-LoRA可控生成：支持Canny边缘、Depth深度图、Pose姿态骨架三种控制模式的条件LoRA，实现从”盲目抽卡”到”实拍骨架+AI风格化覆膜”的可控生产转变。

LTX-2.5主要功能

• 文生视频（T2V）：根据文本提示词直接生成视频，支持空间放大获得更高分辨率，可选使用提示词增强器自动扩展指令。
• 图生视频（I2V）：根据输入图像生成视频，保持首帧视觉内容的基础上进行动态演绎。
• 首尾帧视频（FLF2V）：在首帧图像与末帧图像之间进行插值生成，实现精确的起止状态控制。
• 原生多镜头生成：一次生成即可产出多个连接式镜头，在镜头切换中保持角色、环境、光照、声音和风格一致。
• 同步音频生成：视频与48kHz音频同步生成，自带声码器，无需额外配音。
• 生成式视频编辑：对现有素材进行优化修正，无需从头制作，保留原始运动轨迹与空间结构。
• 原生4K HDR输出：支持最高4K（3840×2160）分辨率、最高50 FPS帧率，提供RAW/HDR/EXR无损格式，可直接接入专业调色、特效合成与后期剪辑管线。
• 自动时长预测：根据提示词中的动作描述自动判断视频最佳时长。
• 精确视频编辑：配合IC-LoRA（Canny/Depth/Pose）实现构图锁定、动作锁定和风格化覆膜。

LTX-2.5项目地址

• 项目官网：https://ltx.io/model/ltx-2-5

LTX-2.5应用场景

• 影视预演与虚拟制作：导演可在拍摄现场即时获得接近后期效果的预览，大幅缩短反馈周期。原生4K HDR与RAW/EXR无损输出可直接接入ACES工作流和专业调色管线，满足院线及流媒体级别的后期制作需求。
• AI短剧与漫剧制作：原生多镜头生成一次性输出连贯叙事分镜，精确视频编辑支持”真人实拍动作骨架+AI角色替换与风格化覆膜”，从根本上解决镜头连续性与动作可控性两大核心难题。
• 广告与品牌内容：快速迭代高质量商业视频，利用提示词增强器降低提示词工程门槛，蒸馏版支持快速预览、完整版输出最终成片，兼顾效率与品质。10秒720P带音频视频成本约0.9美元（约6元人民币）。
• 短视频与自媒体：极低的生成成本和极快的出片速度使”批量抽卡”变得可行，适合带货视频、产品展示、创意素材的快速产出。
• 物理AI与机器人仿真：提供针对非电影领域数据微调的Physical AI Checkpoint预训练检查点，为具身智能团队提供世界模型基础，帮助机器人系统感知物理世界和运动规律。
• 实时交互与边缘计算：与Asteria、Reactor等平台合作推动低延迟推理在交互式头像、实时机器人等领域的应用；蒸馏版可在RTX显卡和Mac上本地运行，支持数据不出域的隐私场景。
• 计算摄影与特效：支持计算摄影降噪、水模拟特效、动画关键帧插值等非电影类应用。
• 企业私有化部署：开放权重+本地部署能力使企业可在自有硬件上完成从验证到生产的全流程，敏感IP无需经过第三方云服务。

LTX-2.5部署与接入方式

表格