Test de LTX 2.5 : de longues prises avec du son, des visages inégaux

Nous ne publions pas nos essais d’échelle de contenu ; la galerie ci-dessous montre le registre du quotidien, tiré des exemples publiés, visibles au bureau, de la page du modèle LTX 2.5.

Du coucher de soleil au feu de camp, en une requête. Deux personnes sur une plage au coucher du soleil atterrissent, par l’image finale, enveloppées dans une couverture près d’un feu de camp la nuit — le prompt n’a qu’à décrire le passage entre les deux images fixes, pas la destination.

Bougie et vapeur montante. Depuis une image de départ dans une salle de bain à la bougie, elle s’enfonce dans une eau fumante, les mains glissant dans ses cheveux trempés — l’image fixe fournit la pièce, le prompt ne fournit que ce qui change.

Une chute à la renverse dans une piscine. Elle bascule en arrière depuis un rebord carrelé, des bulles montant tandis que la caméra plonge avec elle et que la caustique continue d’onduler sur les colonnes — le genre de temps physique qui casse habituellement une image fixe animée.

Une traversée de foule ininterrompue de vingt secondes. Un seul mouvement continu façon Steadicam d’une porte d’arène à travers une foule dense, entièrement écrit à partir du texte sans coupe, à la pleine durée de 20 secondes du point d’accès.

Un escalier de marbre, descendu en une prise. Une femme en robe de soie émeraude descend l’escalier vide d’un opéra tandis que la lumière du lustre accroche le tissu — un arc complet de descente, un mouvement de tissu et un mouvement de grue depuis un seul paragraphe.

Un stand de ramen en cellulo sous la pluie. Style anime, décors peints à la main : une femme se baisse sous un rideau noren, secoue un parapluie et s’assoit — le style entièrement porté par les mots, puisqu’il n’y a pas de champ de style séparé.

Ordonnez la phrase en sujet, action, caméra, lumière, puis toute contrainte, et changez une seule variable à la fois quand vous corrigez une mauvaise prise. En image vers vidéo, laissez l’image de départ (et de fin) porter l’identité et la tenue, et n’utilisez le prompt que pour le mouvement.

1. Une fin fixée, décrite comme un passage (image vers vidéo, image finale fournie).

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.

Lancer ce prompt sur LTX 2.5 →

2. Une longue prise, écrite comme un seul mouvement ininterrompu (texte vers vidéo).

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.

Lancer ce prompt sur LTX 2.5 →

Faible : décrire une action physique rapide et complexe (un survol de canyon, un wok qu’on secoue au-dessus d’une flamme) avec un mouvement de caméra lourd et du détail fin dans la même phrase — c’est cette combinaison qui a produit les artefacts les plus sévères. Fort : ralentissez, ou découpez une action compliquée en moins de changements de caméra et de sujet simultanés.

Entre le 16 et le 24 septembre 2026, nous avons fait passer notre échelle de contenu à cinq paliers aux deux tâches de LTX 2.5. L’image vers vidéo a rendu L1 Suggestif, L2 Thèmes matures, L3 Fort et L4 Intense proprement à chaque essai, et la sonde L5 Extrême de contrainte et jeux d’impact est également passée proprement ; nous n’avons pas testé la sonde L5 Extrême de gore sur cette famille. Le texte vers vidéo a fait de même, à l’exception d’un de ses essais L4 Intense, revenu atténué. Aucune des deux tâches ne porte de filtre de contenu de notre côté ; le label de la page est Sans censure.

Une note sur le son et le dialogue. Nos tests audio en texte vers vidéo ont trouvé des résultats inégaux plutôt que uniformément bons ou mauvais : une scène de dialogue au café a livré un rire naturel et des répliques bien synchronisées dans l’ensemble, avec un moment de synchro labiale inexact ; un monologue émotionnel a réussi le temps émotionnel mais avec un visage légèrement artificiel ; une réplique en gros plan « tu m’as manqué » avait une bonne synchro labiale à côté d’artefacts de forme de bouche étranges à mi-chemin ; une scène de musicien de rue a produit un grattage audible avec un mouvement quelque peu répétitif ; un prompt d’effet sonore de verre brisé a rendu le mauvais objet (un gobelet plutôt qu’un verre à vin) avec un bris peu clair. Vérifiez la piste audio de chaque clip avant de le publier — il n’y a pas de champ pour désactiver la génération sonore si une scène n’en a pas besoin.

Pas encore testé : la sonde L5 Extrême de gore sur l’une ou l’autre tâche ; si fournir une image finale réduit le problème de dérive du visage signalé par des testeurs indépendants ; les scènes à deux hommes sur l’échelle ; si ralentir un prompt à mouvement complexe évite les échecs en artefacts de couleur vus sur le canyon et le wok.

Uniquement des adultes, dans chaque prompt, image fixe et résultat. Ne représentez jamais une personne réelle et identifiable sans son consentement, et détenez les droits de chaque photo envoyée comme image.

La réaction à LTX 2.5 se partage presque exactement selon la ligne que nos propres tests ont trouvée. Côté positif, un utilisateur Hugging Face testant sur du matériel grand public a écrit que « la vitesse de génération et la qualité visuelle ont été très impressionnantes sur ma RTX 5070 Ti », notamment pour les paysages et les photos produit.

Les critiques se concentrent sur la cohérence. Une discussion intitulée « La cohérence des personnages en i2v est un désastre. » a signalé la même photo de référence rendue comme une personne visiblement différente entre LTX 2.3 et LTX 2.5. Un second fil, intitulé « N’utilisez pas LTX 2.5 pour des clips musicaux ! Restez sur LTX 2.3 », pointe l’encodeur de texte de la nouvelle version comme source d’une synchro labiale plus faible pour le chant et le dialogue.

Nos propres essais se situent des deux côtés de ce partage : les scènes du quotidien de la boîte de jazz et de l’escalier que nous avons lancées tiennent bien, tandis que les plaintes sur la dérive des visages et la synchro labiale correspondent à ce que nous avons vu dans nos propres tests audio et comparaisons directes.

• Besoin d’un visage qui tient et prêt à renoncer à l’audio natif ? LTX 2.3 Spicy tourne sur l’ancienne génération LTX, plus testée pour la cohérence, avec des préréglages LoRA intégrés, dès $0.019 la seconde.
• Vous voulez une base à poids ouverts avec un écosystème LoRA local profond à la place ? Wan 2.2 échange le format longue prise unique contre un clip fixe de cinq secondes à $0.24 fixe.
• Des prises plus longues avec direction multi-plans ? Wan 3.0 tourne jusqu’à 30 secondes, tarifé à la seconde dès $0.045 en 480p.
• Un autre rival à poids ouverts avec sa propre communauté ? MiniMax H3 est l’autre famille que les testeurs indépendants comparent le plus souvent à LTX.