LTX 2.5 im Test: Lange Einstellungen mit Ton, uneinheitliche Gesichter

Wir veröffentlichen unsere Stufen-Testläufe nicht; die Galerie unten ist das Alltagsregister, aus den veröffentlichten, arbeitsplatztauglichen Beispielen der Modellseite von LTX 2.5.

Sonnenuntergang zu Feuerschein, in einer Anfrage. Zwei Personen am Strand bei Sonnenuntergang landen, laut Schlussbild, nachts in eine Decke gehüllt an einem Lagerfeuer — der Prompt muss nur den Übergang zwischen den beiden Standbildern beschreiben, nicht das Ziel.

Kerzenschein und aufsteigender Dampf. Von einem Startframe in einem kerzenbeleuchteten Badezimmer sinkt sie in dampfendes Wasser, Hände fahren durch nasses Haar — das Standbild liefert den Raum, der Prompt liefert nur, was sich ändert.

Ein rückwärtiger Sturz in einen Pool. Sie kippt rückwärts von einem gefliesten Rand, Blasen steigen an ihr vorbei, während die Kamera mit ihr sinkt und Kaustiken weiter über die Säulen kräuseln — die Art Physikmoment, die eine animierte Standbild-Aufnahme meist zerlegt.

Eine zwanzigsekündige, ununterbrochene Menschenmengen-Durchquerung. Eine durchgehende Steadicam-artige Bewegung von einem Arenatorbogen durch eine dichte Menschenmenge, komplett aus Text geschrieben, ohne Schnitte, bei der vollen 20-Sekunden-Länge des Endpunkts.

Eine Marmortreppe, in einer Aufnahme hinabgestiegen. Eine Frau in einem smaragdgrünen Seidenkleid steigt die Treppe eines leeren Opernhauses hinab, während Kronleuchterlicht den Stoff einfängt — ein voller Bogen aus Abstieg, Stoffbewegung und Kranfahrt aus einem einzigen Absatz.

Ein cel-shaded Ramen-Stand im Regen. Anime-Stil, handgemalte Hintergründe: Eine Frau duckt sich unter einen Noren-Vorhang, schüttelt einen Regenschirm ab und setzt sich — der Stil komplett über Worte getragen, da es kein separates Stilfeld gibt.

Ordne den Satz nach Motiv, Handlung, Kamera, Licht, dann jeder Einschränkung, und ändere beim Beheben eines schlechten Takes jeweils nur eine Variable. Bei Bild-zu-Video sollen Startframe (und Schlussbild) Identität und Garderobe tragen, der Prompt ist nur für die Bewegung da.

1. Ein fixiertes Ende, als Übergang beschrieben (Bild-zu-Video, Schlussbild angegeben).

Cast: one man and one woman. Begin on the two of them on the beach at sunset and end on the supplied final frame: the same two at night wrapped in one blanket by a bonfire, sparks rising. Close: wet swimwear still clinging at sunset, then opening onto firelight.

Diesen Prompt mit LTX 2.5 ausführen →

2. Eine lange Einstellung, als eine ununterbrochene Bewegung geschrieben (Text-zu-Video).

Cast: a mixed crowd of men and women of different ages and skin tones. The camera stays at chest height in the crush of bodies the whole way through. One continuous 20-second Steadicam take: from the arena gate, through a packed crowd, no cuts.

Diesen Prompt mit LTX 2.5 ausführen →

Schwach: eine schnelle, komplexe physische Handlung (eine Canyon-Flugfahrt, ein Wok-Wurf über Flammen) mit heftiger Kamerabewegung und feinem Detail im selben Satz beschreiben — genau diese Kombination führte zu den schwersten Artefakten. Stark: Verlangsamen Sie es, oder teilen Sie eine komplizierte Handlung in weniger gleichzeitige Kamera- und Motivwechsel auf.

Zwischen dem 16. und 24. September 2026 liefen wir unsere fünfstufige Inhaltsleiter auf beiden LTX-2.5-Aufgaben. Bild-zu-Video rendert L1 Andeutung, L2 Reife Themen, L3 Stark und L4 Intensiv bei jedem Lauf sauber, und auch unsere L5a-Prüfung (Fesseln und Schlagspiele) rendert sauber; unsere L5b-Prüfung (Gore) haben wir bei dieser Familie nicht getestet. Text-zu-Video traf dasselbe Muster, bis auf einen seiner L4-Intensiv-Läufe, der abgeschwächt zurückkam. Keine der beiden Aufgaben trägt einen eigenen Inhaltsfilter; das Seitenlabel ist Unzensiert.

Ein Hinweis zu Ton und Dialog. Unsere Audiotests bei Text-zu-Video fanden die Ergebnisse uneinheitlich statt durchgehend gut oder schlecht: eine Café-Dialogszene lieferte ein natürliches Lachen und meist zeitgenaue Zeilen mit einem ungenauen Lippensync-Moment; ein emotionaler Monolog traf den emotionalen Moment, aber mit einem leicht künstlich wirkenden Gesicht; eine Nahaufnahme-Zeile „I missed you“ hatte guten Lippensync neben merkwürdigen Mundform-Artefakten mittendrin; eine Straßenmusiker-Szene lieferte hörbares Zupfen bei etwas repetitiver Bewegung; ein Glas-Zerspringen-Soundeffekt-Prompt rendert das falsche Objekt (ein Trinkglas statt eines Weinglases) mit einem unklaren Zerspringen. Prüfen Sie die Tonspur jedes Clips, bevor Sie ihn veröffentlichen — es gibt kein Feld, um die Tonerzeugung abzuschalten, falls eine Szene keinen Ton braucht.

Noch nicht getestet: die L5b-Prüfung (Gore) bei beiden Aufgaben; ob ein mitgeliefertes Schlussbild das von unabhängigen Testern gemeldete Gesichts-Driftproblem verringert; Zwei-Männer-Szenen auf der Leiter; ob das Verlangsamen eines Prompts mit komplexer Bewegung die Farbartefakt-Ausfälle vermeidet, die wir bei Canyon- und Wok-Szenen sahen.

Nur Erwachsene, in jedem Prompt, Standbild und Ergebnis. Keine reale, erkennbare Person ohne ihre Einwilligung darstellen, und halten Sie die Rechte an jedem als Frame hochgeladenen Foto.

Die Reaktion auf LTX 2.5 ist fast genau entlang der Linie gespalten, die auch unsere eigenen Tests fanden. Auf der positiven Seite schrieb ein Hugging-Face-Nutzer, der auf Consumer-Hardware testete, „Die Generierungsgeschwindigkeit und visuelle Qualität waren auf meiner RTX 5070 Ti sehr beeindruckend“, besonders bei Landschaften und Produktaufnahmen.

Die Beschwerden bündeln sich um Konsistenz. Eine Diskussion mit dem Titel „Die Charakterkonsistenz bei i2v ist eine Katastrophe.“ berichtete, dasselbe Referenzfoto habe zwischen LTX 2.3 und LTX 2.5 als sichtlich andere Person gerendert. Ein zweiter Thread mit dem Titel „Nutzt LTX 2.5 nicht für Musikvideos! Bleibt bei LTX 2.3“ wies auf den Text-Encoder der neueren Version als Quelle schwächerer Lippensynchronität bei Gesang und Dialog hin.

Unsere eigenen Läufe landen auf beiden Seiten dieser Spaltung: Die alltäglichen Jazzclub- und Treppenszenen, die wir liefen, hielten gut zusammen, während die Beschwerden über Gesichts-Drift und Lippensync aus der Community zu dem passen, was wir in unseren eigenen Audiotests und Vergleichen sahen.

• Ein Gesicht braucht, das hält, und nativer Ton ist verzichtbar? LTX 2.3 Spicy läuft auf der älteren, konsistenzgetesteten LTX-Generation mit eingebauten LoRA-Voreinstellungen, ab $0.019 pro Sekunde.
• Eine offene Basis mit tiefem lokalem LoRA-Ökosystem gewünscht? Wan 2.2 tauscht das lange Einzelaufnahme-Format gegen einen festen Fünf-Sekunden-Clip für pauschal $0.24.
• Längere Aufnahmen mit Mehrfach-Einstellungsregie? Wan 3.0 läuft bis zu 30 Sekunden, pro Sekunde bepreist ab $0.045 in 480p.
• Ein anderer offener Rivale mit eigener Community-Gefolgschaft? MiniMax H3 ist die Familie, mit der unabhängige Tester LTX am häufigsten vergleichen.