LTX-2.5 от Lightricks: видео с синхронным звуком на своём GPU

01Что такое LTX-2.5 и почему это не «ещё один Wan»

LTX-2.5 — развитие линейки LTX от Lightricks. В отличие от большинства открытых видеомоделей, она с самого начала строилась как аудиовизуальная: в препринте LTX-2 описана асимметричная двухпоточная архитектура — видеопоток на 14 млрд параметров и аудиопоток на 5 млрд, связанные двунаправленным кросс-вниманием. В LTX-2.5 чекпоинты выросли: файлы трансформера в репозитории названы ltx-2.5-22b-*, то есть 22 млрд параметров только в DiT.

Практический смысл «одной модели на два модальности» простой: если видео и звук генерируются совместно, то шаги, удары, речь и музыка попадают в кадр синхронно, без отдельного этапа foley-озвучки. Именно это вендор и продаёт как главное отличие — не разрешение, а совпадение звука с движением.

Цифры популярности выглядят серьёзно: 2 054 990 загрузок и 8 934 лайка на 23.10.2026 — это самый лайкаемый открытый видеомодельный репозиторий из тех, что мы смотрели (для сравнения, у Lightricks/LTX-2.3 — 1 986 лайков, у LTX-Video — 2 372). Загрузки и лайки мы берём из API Hugging Face, а не из пресс-релизов.

02Что нового в версии 2.5

• Мультишот в одной генерации — модель держит персонажа, сцену, свет, стиль и голос между склейками; раньше получался один непрерывный кадр.
• Новый диффузионный видеодекодер — вместо простой VAE-реконструкции; вендор обещает более чёткие лица, текстуры и текст в кадре.
• Текстовый энкодер Gemma 4 12B — отдельный файл на 26,3 ГБ в bf16; должен удерживать сложные промпты с несколькими персонажами и движениями камеры.
• Опциональный prompt enhancer — расширяет короткий промпт до кинематографического описания; можно отключить, чтобы сохранить точные формулировки.
• Предиктор длительности — отдельный файл-патч на 3,8 МБ, который подбирает число кадров по смыслу промпта.
• Улучшенная distilled-версия — фиксированный график из 8 шагов при CFG=1, то есть быстрый режим без полного семплирования.

03Разрешения, длительность и частота кадров

У API два варианта модели: ltx-2-5-fast (скорость и цена) и ltx-2-5-pro (качество). Оба умеют text-to-video, image-to-video и audio-to-video и оба доходят до 4K. Пропорции: 16:9, 9:16, 1:1, 3:2, 2:3. Частота — 24/25 кадров в секунду, плюс режимы 48/50 на коротких клипах.

У локального запуска есть жёсткие технические ограничения, о которых легко забыть: число кадров должно удовлетворять условию num_frames % 8 == 1 (1, 9, 17, …, 121), а ширина и высота должны делиться на 32. Если задать «круглые» 1920×1080 и 120 кадров, пайплайн просто упадёт.

04Состав открытого пакета: сколько это в гигабайтах

LTX-2.5 выложена не монолитом, а набором отдельных файлов под ComfyUI: трансформер, текстовый энкодер, два VAE (видео и аудио), LoRA, патч длительности и два латентных апскейлера. Это удобно для сборки под свою память, но общий объём получается солидным: только трансформер в bf16 — 42 ГБ.

05Три способа запустить локально

git clone https://github.com/Lightricks/LTX-2.git
cd LTX-2
uv sync
source .venv/bin/activate

hf auth login
hf download Lightricks/LTX-2.5 \
  diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors \
  text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors \
  vae/ltx-2.5-video-vae-bf16.safetensors \
  vae/ltx-2.5-audio-vae-bf16.safetensors \
  model_patches/ltx-2.5-duration-head-bf16.safetensors \
  --local-dir models/ltx-2.5

uv run python -m ltx_pipelines.distilled \
  --transformer-path models/ltx-2.5/diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors \
  --text-encoder-path models/ltx-2.5/text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors \
  --video-vae-path models/ltx-2.5/vae/ltx-2.5-video-vae-bf16.safetensors \
  --audio-vae-path models/ltx-2.5/vae/ltx-2.5-audio-vae-bf16.safetensors \
  --prompt "A golden retriever running through a sunny meadow, cinematic lighting" \
  --seed 42 --output-path output.mp4

Второй путь — ComfyUI: в меню Templates есть готовые шаблоны LTX-2.5, кнопка «Download all» подтягивает нужные файлы, ноды появляются в категории LTXVideo. Это рекомендуемый вендором маршрут для большинства пользователей. Третий путь — Diffusers: для него есть отдельный пакет Lightricks/LTX-2.5-Diffusers, но поддержки в релизной версии diffusers пока нет, ставить нужно из main.

06Сколько стоит API: цена за секунду

Если не хочется держать GPU, вендор продаёт тот же LTX-2.5 через API. Биллинг — по секундам сгенерированного видео, и цена зависит от модели и разрешения. Цифры ниже — из официальной таблицы тарифов на 23.10.2026, в долларах США за секунду.

Простая арифметика: 10-секундный клип 1080p на fast — около $1,30, на pro — $1,70; тот же клип в 4K — $3,00 и $3,90. Прошлое поколение 2.3 в 720p стоит втрое дешевле, поэтому для черновых итераций сначала прогоняют 2.3, а финальный кадр доводят на 2.5. Это наш вывод из таблицы, а не рекомендация вендора.

07Место на рынке открытых видеомоделей

По загрузкам LTX-2.5 уступает Wan-2.2 примерно вчетверо, но по лайкам опережает его более чем втрое (8 934 против 2 372 у Wan-2.2 в том же срезе). Это разные метрики: загрузки часто означают автоматические пайплайны и зеркала, лайки — интерес людей. Мы не делаем из этого вывод о качестве генерации: публичных независимых сравнений «слепым» голосованием на 23.10.2026 мы не нашли.

Технически сильная сторона LTX — звук. Большинство открытых видеомоделей генерируют только картинку, а аудио добавляют отдельной моделью. Здесь аудиопоток встроен в архитектуру, и это меняет рабочий процесс: меньше склейки, но и меньше контроля — заменить только звук, не перегенерировав видео, в базовом пайплайне нельзя.

08Плюсы и ограничения

• Звук вместе с видео — синхронная речь, музыка и шумы в одной генерации, а не отдельным этапом.
• Открытые веса и локальный запуск — от 32 ГБ VRAM, с официальными шаблонами ComfyUI.
• До 4K и 20 секунд — на fast-варианте; pro ограничен 10 секундами, но даёт выше качество.
• Прозрачные тарифы — цена за секунду опубликована по разрешениям, без «свяжитесь с нами».
• Активная экосистема — 9 851 звезда у репозитория LTX-2 и 4 210 у ComfyUI-нод, обновление нод 20.10.2026.

• Тяжёлый пакет — 42 ГБ трансформер плюс 26 ГБ энкодер; полный набор легко переваливает за 70 ГБ.
• Порог лицензии $10 млн — выше него нужен платный коммерческий договор, причём выручка считается по всей группе компаний.
• Жёсткие ограничения на кадры — num_frames % 8 == 1 и размеры, кратные 32; «круглые» параметры не пройдут.
• int8-файлы только для ComfyUI — в Python-пайплайне они не загрузятся.
• Нет независимых замеров качества — сравнения в релизе сделаны вендором; публичных слепых тестов мы не нашли.

Кому подойдёт: продакшенам, которым нужен локальный видеоконвейер со звуком и предсказуемая стоимость, и командам с GPU от 32 ГБ, уже работающим в ComfyUI. Кому нет: тем, кто хочет один клип «на пробу» без железа — дешевле и быстрее начать с API по центам за секунду; и тем, кому нужен только визуал без аудио — переплата за аудиоветку будет лишней.