LTX-2.5 – Lightricks 开源的 AI 视频生成基础模型

1. LTX-2.5是什么

LTX-2.5是由以色列公司Lightricks开源的专业级AI视频生成基础模型，拥有22B参数，发布即开放模型权重。该模型支持原生多镜头生成、4K HDR与RAW/EXR无损专业工作流，可同步生成音频，并具备精确视频编辑能力。在闭源模型日益高价化的当下，LTX-2.5以开放生态策略为AI视频领域提供了专业级的开源替代方案，覆盖从影视后期到物理AI的多层次应用场景。

技术定位与领域： LTX-2.5属于扩散模型架构的视频生成基础模型，定位专业影视内容创作与工业级视频生产。不同于此前多数开源模型仅支持短片段、低分辨率输出，LTX-2.5直接面向4K HDR、RAW/EXR无损格式，并原生集成多镜头叙事能力，填补了开源模型在专业视频工作流中的空白。

研发背景： 由Lightricks团队开发，该公司在图像和视频编辑领域拥有多年积累，曾推出Facetune、Videoleap等知名应用。LTX-2.5延续了其在视觉生成领域的技术路线，将图像编辑中的精细控制理念迁移至视频生成，并选择完全开源以推动社区生态发展。

核心价值： 解决了AI视频生成中三个核心痛点：镜头连续性（多镜头生成保持角色与场景一致）、专业输出格式（直接接入调色与特效管线）以及可控性（精确视频编辑与IC-LoRA控制）。为创作者提供了从“盲目抽卡”到“实拍骨架+AI风格化覆膜”的确定性生产路径。

技术特点： 基于22B参数的扩散Transformer架构，采用Diffusion Fidelity Rendering两阶段渲染策略（先结构后细节），内置Gemma 4 12B文本编码器与Prompt Enhancer辅助模型，支持自适应算力分配。输出分辨率可达4K（3840×2160），时长最长20秒，帧率支持24/25/48/50fps。

2. 主要功能

• 原生多镜头生成： 单次生成即可输出多个不同机位和景别的连续镜头，并在切换间保持角色形象、环境氛围、光线条件和声音的高度一致。这一能力直接解决了AI剧情创作中镜头连续性的核心痛点，无需后期拼接或人工调整。

• 扩散保真渲染（Diffusion Fidelity Rendering）： 采用“先结构后细节”的两阶段策略。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。该机制根据场景复杂度动态分配算力，复杂动态镜头获得更多资源，静态场景自动节省。

• 精确视频编辑： 在保留原始实拍素材运动轨迹与空间结构的基础上，进行高精度的风格改写、场景重绘与角色替换。实现“实拍骨架+AI风格化覆膜”的可控创作，创作者可以先用实拍确定动作和构图，再通过AI替换视觉风格。

• 自动时长预测（Duration Head）： 内置Duration Head模块，部署在扩散过程之前。该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，无需创作者反复试验长度。

• 专业级输出格式： 支持原生4K HDR、RAW与EXR无损格式输出。这些格式可直接接入专业影视调色、特效合成与后期剪辑管线，无需压缩转码，满足院线及流媒体级别对无损素材的刚性需求。

• 同步音频生成： 通过独立的Audio VAE模块，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。音频轨道与视频在多镜头切换中保持一致，进一步提升叙事连贯性。

• IC-LoRA精确控制： 提供Canny边缘、Depth深度、Pose姿态三种参考视频控制模式。加载对应IC-LoRA后，生成结果可严格遵循参考素材的构图、空间结构或人物动作，实现从构图到动作的精确锁定。

3. 如何使用

1. 环境要求与路径选择： 使用LTX-2.5有两种主要方式：API云服务或本地ComfyUI部署。API方式无需本地硬件，但受限于网络和调用配额；本地部署需配备高性能GPU（推荐NVIDIA A100或H100，显存不低于48GB），操作系统建议Linux或Windows，并安装最新版ComfyUI。

2. API接入： 在LTX官网（ltx.io）申请API Key，选择Fast或Pro档位调用接口。Fast档适合快速迭代预览，Pro档提供更高分辨率和更长时长。API支持文本到视频、图像到视频、首尾帧模式。

3. 本地部署准备： 更新ComfyUI至最新版本，通过ComfyUI Manager搜索并安装“ComfyUI-LTXVideo”节点包。该节点包封装了模型加载、参数配置和推理流程。

4. 下载模型与工作流： 在ComfyUI模板浏览器中搜索“LTX-2.5”，选择对应工作流模板，一键下载所有模型文件（包括基础模型、文本编码器、Audio VAE等）。模型权重约45GB，需确保磁盘空间充足。

5. 配置参数： 设置宽高为32的倍数（如1024×576），帧数为1+8的倍数（如25帧），帧率选择24/25/48/50fps。基础分辨率设为目标输出分辨率的一半，以启用2×放大（例如目标4K则基础设1920×1080）。

6. 撰写提示词： 使用一段连贯散文描述镜头景别、场景光照、角色动作、相机运动和音频需求，避免标签堆叠或权重语法。Prompt Enhancer会自动将简短提示扩展为详细电影级指令。

7. 执行生成： 点击运行。文生视频直接出片；图生视频需上传首帧图像；首尾帧模式需同时上传首帧与尾帧图像，模型自动填充中间帧。

8. 精确控制（进阶）： 加载Canny、Depth或Pose模式的IC-LoRA，并接入参考视频，实现构图或动作锁定。此模式适合需要严格对齐参考素材的场景。

9. 模型选择： 快速迭代使用distilled模型（推理速度更快），最终出片使用完整dev模型（细节更细腻）。两个模型均可从HuggingFace下载。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于追求专业影视质量和完全控制权的团队，LTX-2.5是当前开源方案中的最优选择，其多镜头、无损输出和精确编辑能力在闭源模型中亦属领先。如果项目对硬件预算敏感且仅需快速生成短视频预览，可选择Minimax H3的API服务（需注意区域限制）。对于需要更高时长或更成熟生态的闭源方案，Runway Gen-3 Alpha在API稳定性和社区资源方面仍有优势，但缺乏多镜头和音频同步能力。总体而言，LTX-2.5在开放程度、输出质量和可控性三个维度上具有明显差异化优势，适合作为专业工作流的核心引擎。

6. 编辑总结

LTX-2.5的发布标志着开源AI视频生成进入专业级阶段。从技术创新角度看，其22B参数规模在开源视频模型中处于前列，但更具价值的是架构层面的系统设计：Diffusion Fidelity Rendering的两阶段策略有效平衡了效率与画质，Duration Head将叙事节奏感知引入模型，Audio VAE实现了生成阶段的声音同步——这些并非单一指标的提升，而是对视频生成“完整性”的重新定义。在实用价值方面，原生4K HDR、RAW/EXR输出直接对接影视后期管线，精确视频编辑与IC-LoRA控制让创作者从“抽卡”转向“可控生产”，大幅降低了专业视频创作的门槛和不确定性。适用人群清晰指向专业影视制作者、AI短剧团队、广告创意机构以及物理AI研究者，而非普通短视频用户。未来发展潜力上，开源生态有望催生大量社区微调模型和应用插件，进一步扩展其能力边界；同时，Lightricks的持续投入和学术界的关注也将推动模型在时长、多模态融合等方面的进化。LTX-2.5不仅是一个工具，更可能成为AI视频领域开源生态的基石。

7. 应用场景

• 专业影视后期： 原生4K HDR、RAW与EXR无损输出可直接接入DaVinci Resolve、Nuke等调色与特效合成软件，无需压缩转码。适用于院线电影、流媒体剧集的视觉预演、场景替换和风格化处理，满足对素材质量的最高要求。

• AI短剧与漫剧： Multishot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痛点。创作者可先实拍演员表演，再用AI替换角色和场景，大幅降低制作成本。

• 广告与品牌内容： 利用Prompt Enhancer快速生成高质量商业视频，Distilled模型用于快速迭代创意方向，完整dev模型输出最终成片。IC-LoRA控制可确保产品构图和品牌元素的一致性，适合电商广告、品牌宣传片等场景。

• 物理AI与机器人： Physical AI Checkpoint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。LTX-2.5生成的视频可作为仿真环境中的训练数据，用于运动规划、物体交互等任务，超越纯内容创作范畴。

8. 常见问题FAQ

Q：LTX-2.5需要什么硬件配置才能本地运行？
A：最低要求为48GB显存的GPU（如NVIDIA A100 40GB/80GB、H100），推荐使用双卡或更高配置以加速推理。消费级显卡如RTX 4090（24GB）无法直接加载完整模型，但可通过量化或模型并行尝试，官方尚未提供量化版本。操作系统建议Linux或Windows 10/11，需安装最新版ComfyUI。

Q：是否支持中文提示词？效果如何？
A：文本编码器基于Gemma 4 12B，主要针对英文优化。中文提示词可以输入，但复杂长提示中的多主体关系、动作细节等可能无法完整保留。建议使用英文撰写提示词，或先用Prompt Enhancer将中文翻译为英文后再生成。社区正在开发中文适配版本。

Q：如何对LTX-2.5进行微调？
A：权重完全开放，支持使用LoRA、DreamBooth等常见微调方法。需要准备视频数据集（建议至少100个片段），并基于HuggingFace提供的模型卡中的训练脚本进行。目前官方文档中微调部分尚不详细，建议参考社区教程或等待官方更新。

Q：输出视频的最大时长和分辨率是多少？
A：单次生成最长20秒，分辨率最高4K（3840×2160）。帧率支持24/25/48/50fps。输出格式可选常规MP4（H.264/H.265）、PNG序列、RAW（.dng）或EXR（.exr）。RAW和EXR为无损格式，文件体积较大，需注意存储空间。

Q：与Sora相比，LTX-2.5的优势和不足是什么？
A：LTX-2.5的主要优势在于完全开源、专业输出格式、多镜头和音频同步，且可本地部署和微调。Sora在物理世界模拟、超长视频生成（可达60秒）和场景一致性方面可能更优，但闭源且未开放API，创作者无法自主控制。LTX-2.5更适合需要精细控制和专业输出的工作流，Sora更适合快速生成高质感概念视频。

9. 项目地址

1. 产品官网： https://ltx.io/model/ltx-2-5
2. HuggingFace模型库： https://huggingface.co/Lightricks/LTX-2.5