Análisis de LTX 2.5: tomas largas con sonido, rostros inconsistentes

No publicamos nuestras ejecuciones de la escala de contenido; la galería de abajo es el registro cotidiano, tomado de los ejemplos publicados y aptos para el trabajo de la página del modelo LTX 2.5.

De atardecer a luz de fogata, en una sola solicitud. Dos personas en una playa al atardecer aterrizan, gracias al fotograma final, envueltas en una manta junto a una fogata de noche: el prompt solo tiene que describir el paso entre las dos imágenes fijas, no el destino.

Luz de velas y vapor subiendo. Desde un fotograma inicial en un baño a la luz de las velas, ella se hunde en agua humeante, las manos deslizándose por el pelo empapado: la imagen fija aporta la sala, el prompt aporta solo lo que cambia.

Una caída hacia atrás en una piscina. Ella se inclina hacia atrás desde el borde de azulejos, burbujas subiendo mientras la cámara se hunde con ella y las cáusticas siguen ondeando en las columnas: el tipo de momento físico que suele romper una imagen fija animada.

Un cruce de multitud continuo de veinte segundos. Un solo movimiento estilo Steadicam continuo desde la puerta de una arena a través de una multitud compacta, escrito enteramente desde texto sin cortes, en la duración máxima de 20 segundos del endpoint.

Una escalera de mármol, descendida en una sola toma. Una mujer con un vestido de seda esmeralda desciende la escalera de un teatro de ópera vacío mientras la luz de una araña captura la tela: un arco completo de descenso, movimiento de tela y un movimiento de grúa desde un solo párrafo.

Un puesto de ramen con sombreado cel bajo la lluvia. Estilo anime, fondos pintados a mano: una mujer se agacha bajo una cortina noren, sacude un paraguas y se sienta: el estilo llevado enteramente por las palabras, ya que no hay un campo de estilo separado.

Ordena la oración como sujeto, acción, cámara, luz, luego cualquier restricción, y cambia una sola variable a la vez cuando soluciones una toma mala. En imagen a video, deja que el fotograma inicial (y el final) lleve la identidad y el vestuario, y usa el prompt solo para el movimiento.

1. Un final fijado, descrito como paso (imagen a video, fotograma final incluido).

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.

Ejecutar este prompt en LTX 2.5 →

2. Una toma larga, escrita como un solo movimiento continuo (texto a 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.

Ejecutar este prompt en LTX 2.5 →

Débil: describir una acción física rápida y compleja (un sobrevuelo de cañón, un lanzamiento de wok sobre la llama) con movimiento de cámara pesado y detalle fino en la misma oración: esa combinación es donde los artefactos fueron más severos. Fuerte: ralentízalo, o divide una acción complicada en menos cambios simultáneos de cámara y sujeto.

Entre el 16 y el 24 de septiembre de 2026 ejecutamos nuestra escala de contenido de cinco niveles en ambas tareas de LTX 2.5. Imagen a video generó L1 Sugerente, L2 Temas maduros, L3 Fuerte y L4 Intenso limpios en cada ejecución, y el sondeo de L5 Extremo (restricción e impacto) también se generó limpio; no probamos el sondeo de L5 Extremo (gore) en esta familia. Texto a video igualó ese patrón salvo por una de sus ejecuciones de L4 Intenso, que volvió suavizada. Ninguna de las dos tareas lleva un filtro de contenido propio; la etiqueta de la página es Sin censura.

Una nota sobre sonido y diálogo. Nuestras pruebas de audio en texto a video encontraron los resultados desiguales en vez de uniformemente buenos o malos: una escena de diálogo en un café entregó una risa natural y líneas en su mayoría a tiempo con un momento de sincronía labial inexacto; un monólogo emocional aterrizó el momento emocional pero con un rostro de aspecto ligeramente artificial; una línea en primer plano de «te extrañé» tuvo buena sincronía labial junto con artefactos extraños en la forma de la boca a mitad de camino; una escena de músico callejero produjo rasgueo audible con un movimiento algo repetitivo; un prompt de efecto de sonido de cristal rompiéndose renderizó el objeto equivocado (un vaso en vez de una copa de vino) con una rotura poco clara. Revisa la pista de audio en cada clip antes de publicarlo: no hay campo para desactivar la generación de sonido si una escena no lo requiere.

Aún sin probar: el sondeo de L5 Extremo (gore) en cualquiera de las dos tareas; si un fotograma final incluido reduce el problema de desviación de rostro reportado por probadores independientes; escenas con dos hombres en la escala; si ralentizar un prompt de movimiento complejo evita los fallos de artefactos de color que vimos en las escenas de cañón y wok.

Solo adultos, en cada prompt, imagen fija y resultado. No representes nunca a una persona real e identificable sin su consentimiento, y ten los derechos de cada foto que subas como fotograma.

La reacción a LTX 2.5 está dividida casi exactamente por la misma línea que encontró nuestra propia prueba. Del lado positivo, un usuario de Hugging Face probando en hardware de consumo escribió que «la velocidad de generación y la calidad visual han sido muy impresionantes en mi RTX 5070 Ti», particularmente para paisajes y fotos de producto.

Las quejas se agrupan en torno a la consistencia. Una discusión titulada «La consistencia del personaje en i2v es un desastre» reportó que la misma foto de referencia se renderizaba como una persona visiblemente distinta entre LTX 2.3 y LTX 2.5. Un segundo hilo, titulado «No uses LTX 2.5 para videos musicales, quédate con LTX 2.3», señaló al codificador de texto de la versión más nueva como la fuente de una sincronía labial más débil para canto y diálogo.

Nuestras propias ejecuciones caen en ambos lados de esa división: las escenas cotidianas del club de jazz y la escalera que probamos se sostuvieron bien, mientras que las quejas de desviación de rostro y sincronía labial de la comunidad coinciden con lo que vimos en nuestras propias pruebas de audio y comparaciones directas.

• ¿Necesitas un rostro que se sostenga y no te importa renunciar al audio nativo? LTX 2.3 Spicy corre la generación LTX más antigua, con más consistencia probada, con presets LoRA incorporados, desde $0.019 por segundo.
• ¿Quieres una base de pesos abiertos con un ecosistema local profundo de LoRA en su lugar? Wan 2.2 cambia el formato de toma única larga por un clip fijo de cinco segundos a un precio fijo de $0.24.
• ¿Tomas más largas con dirección multi-plano? Wan 3.0 corre hasta 30 segundos, tarificado por segundo desde $0.045 en 480p.
• ¿Un rival distinto de pesos abiertos con su propia comunidad? MiniMax H3 es la otra familia con la que los probadores independientes comparan LTX más a menudo.