LTX-2 と Wan 2.2 の比較: 同じプロンプトで動き、音、速度、価格を検証

オープンウェイトの動画モデルを選ぶなら、LTX-2 と Wan 2.2 はよく並べて検討される 2 つの候補です。Lightricks の LTX-2 は映像と一緒に音を生成し、長い尺にも対応します。Alibaba の Wan 2.2 は動きの表現と、大きな LoRA ライブラリが強みです。「LTX-2 vs Wan 2.2」を扱うページの多くは、スペック表を比べるか、こっそり LTX 2.3 にすり替えています。私たちは同じプロンプトを同じ設定で両方に通し、すべてのクリップを確認しました。

結論: 私たちのテストでは、Wan 2.2 のほうがプロンプトにより忠実に従い、LTX-2 は速く、価格は約 3 分の 1 で、音声付きなのは LTX-2 だけでした。 単発実行の 5 件の同条件テストでは、Wan 2.2 が 3 件（走る犬、商品のプッシュイン、ダンサー）で指示をより良く再現しました。街歩きは僅差でした。静止画から動画にするテストでは、Wan 2.2 が 4 つの動作をすべて完了したのに対し、LTX-2 は 2 つでした。同時実行のジョブを 1 回まとめて流した結果では、LTX-2 の 480p クリップは 11〜28 秒で返り、Wan 2.2 は 54〜116 秒でした。料金は 5 秒のクリップあたり $0.072 対 $0.24 で、LTX-2 にはステレオ音声が付き、1 クリップ最長 20 秒です。成人向けコンテンツについては、標準の Wan 2.2 が両者のうちで最も厳しく、LTX-2 と Wan 2.2 Spicy 版はそうではありません。

• 形を指示どおりに合わせたいときは Wan 2.2 から始めてください。 特定の動物や商品、名前を付けたカメラワーク、静止画からの正確な一連の動作などです。
• 安く下書きしたいとき、音声付きのクリップが必要なとき、標準 Wan 2.2 の 5 秒を超える長さが必要なとき、NSFW のテキストからの動画を作るときは LTX-2 から始めてください。
• Wan の品質で NSFW の画像から動画を作るときは Wan 2.2 Spicy から始めてください。 5 秒のクリップで $0.095 です。

どの LTX-2 と、どの Wan 2.2 か？

どちらの名前も複数のモデルを指すため、比較ページでは混同されがちです。

LTX-2 は、Lightricks が 2026 年 1 月にオープンウェイトで公開した 190 億パラメータの音声・映像モデルで、私たちの API では LTX-2 19B として掲載しています。後継の LTX 2.3 と LTX 2.5 は、重みが別の独立したモデルです。片方向けに学習した LoRA はもう片方では読み込めません。新しいほうを探している場合は、LTX 2.3 のプロンプトガイドか、LTX 2.5 対 MiniMax H3をご覧ください。

Wan 2.2 は 2025 年 7 月に Alibaba が複数のサイズで公開しました。比較では通常 A14B モデルを指します。テキストから動画と画像から動画があり、それぞれ 140 億パラメータの 2 つのエキスパートを組み合わせたもので（1 つがレイアウトと動きを決め、もう 1 つが細部を加えます）、480p または 720p で生成します。720p・24 fps を出す小型の TI2V-5B モデルや、音声駆動やキャラクターアニメーションの派生版もあります。私たちの API では、標準の Wan 2.2 が A14B の組です。Wan 2.2 Spicy、Wan 2.2 LoRA、Wan 2.2 5B LoRA は同じリリースの版で、コンテンツの扱いと LoRA 対応が異なります。

この記事では LTX-2 19B と標準の Wan 2.2 を比べ、結論が変わる場合に Spicy 版と LoRA 版を加えます。

判断に使う早見表

ホストされた 2 つのエンドポイントの詳細なスペック表は、LTX-2 19B 対 Wan 2.2 の比較ページにあります。

テスト方法

2026 年 10 月 17 日に、同じ 4 つのテキストプロンプトを LTX-2 19B のテキストから動画と Wan 2.2 のテキストから動画に送りました。条件は 480p、16:9、5 秒、同じシードで、Wan のプロンプト拡張はオフにしています。街歩きのプロンプトだけは 720p でも繰り返しました。画像から動画では、カフェのテーブルに座る女性の静止画を 1 枚生成し、LTX-2 19B、Wan 2.2、Wan 2.2 Spicy で動かしました。映像のプロンプトは両モデルで同一です。LTX-2 には、音声を制御する書き方に従って、Audio: で始まる 1 行を余分に加えています。

つまり、プロンプトごとに 1 回ずつ、合計 13 本のクリップで、テスト用の静止画 2 枚を含めた費用は $2.25 でした。1 回の実行はそのシードでの結果を示すもので、成功率ではありません。私たちはすべてのクリップをコマ単位で確認しました。

公平性について一言。Lightricks は、LTX-2 のプロンプト追従はプロンプトの書き方に大きく左右され、長くてショットごとに分けたプロンプトを推奨していると述べています。私たちのプロンプトは短く、両モデルで同一だったため、Wan 2.2 に有利に働いた可能性があります。LTX-2 向けにプロンプトを書き直せば、犬とボトルの結果は変わるかもしれません。

動きとプロンプト追従: Wan 2.2 のほうが指示に近かった

走る犬

動画: 同じ浜辺のプロンプトを 480p、5 秒、同じシードで生成。LTX-2 19B（左）は独自の波音を持ち、Wan 2.2（右）は無音。

プロンプト

A golden retriever sprints along the edge of the surf on a sandy beach at sunrise, water spraying up from its paws. The camera pans from left to right to follow it, the sun low behind the waves.

ここが最も明確な差でした。Wan 2.2 は見間違えようのないゴールデンレトリバーを描き、5 秒間ずっと同じ犬のままで、書かれたとおりカメラがその動きに合わせてパンしました。LTX-2 は逆光で暗い犬を描き、シェパードのように見えました。カメラは犬を追わず、犬は水のほうへ走り去ってフレーム内で小さくなりました。映像もざらつきが目立ちました。一方、LTX-2 の音声は大きな波音と湿った砂の音で、場面に合っていました。

商品のプッシュイン

0.3、1.5、2.7、3.9、4.9 秒のコマ。同じプロンプト、480p、同じシード。

プロンプト

Slow camera push-in on a clear glass perfume bottle standing on a black marble pedestal. A single soft key light from the left; a thin gold reflection slides across the glass as the camera moves closer; dust particles drift through the light. Dark background.

Wan 2.2 はプッシュインし、最初のコマから最後のコマまで瓶は同一のままでした。LTX-2 は逆方向に動きました。最初のコマでは瓶の上部が切れ、カメラが引くにつれてキャップが見え、その形が変わり、台座は消えました。商品は商品のままでなければならない商品カットでは、これは致命的です。

ダンサー

プロンプトは、白いゆったりしたシャツの男性ダンサーが、日の差すスタジオで 2 回転し、腕を広げてカメラ正面で止まることを求めていました。Wan 2.2 は彼をその場で回転させ、指定したポーズで終えました。ただし、はっきり数えられたのは 1 回転だけで、太陽のレンズフレアが強く出ました。LTX-2 は頼まれていない床での動きから始まり、しゃがんで蹴り、そのあと立ち上がって正しいポーズで終わりました。両方とも正しく終わりましたが、Wan 2.2 のほうが書かれた動作に近く、とはいえ 2 回転ではなく、はっきり見えたのは 1 回転でした。

街歩き、480p と 720p

同じ歩行のプロンプトを 480p と 720p で。4 本のクリップすべてで、同じ女性とコートが最後まで保たれました。

プロンプト

A woman in her thirties wearing a camel trench coat walks toward the camera along a wet city sidewalk at dusk. Neon shop signs reflect in the puddles and people pass behind her. The camera tracks backward at her walking pace, keeping her framed from the knees up.

こちらは僅差でした。4 本のクリップすべてで同じ顔とコートが保たれ、濡れた路面の反射はどれも説得力がありました。480p では LTX-2 が女性をより近くに寄せ、ひざ上のフレーミングは Wan 2.2 の遠めの全身ショットより、プロンプトに近いものでした。ただし最後に通行人が前を横切りました。Wan 2.2 は大きなネオンの看板を意味のない文字にしてしまいました。720p では、Wan 2.2 が「ひざ上」のフレーミングを最もよく保ち、最も完成度が高く見えました。LTX-2 の 720p の歩きは安定していましたが、頼んだより引いた画角のままでした。人が歩くだけの映像が必要なら、どちらでも足ります。

画像から動画: カフェの静止画

動画: 1 枚のカフェの静止画を、LTX-2 19B（左、独自の音声付き）、Wan 2.2（中央）、Wan 2.2 Spicy（右）で動かした、それぞれ最初の 5 秒。480p。

プロンプト

She lifts the coffee cup with her right hand, takes a slow sip, sets it back on the saucer, then turns her head toward the window and smiles. The camera holds still.

5 秒に 4 つの動作は多く、そこで差が出ました。両方の Wan 版はすべて完了しました。カップを持ち上げ、一口飲み、ソーサーに戻し、顔を窓のほうへ向けて微笑む。LTX-2 はカップを持ち上げて一口飲むところまで行き、カップを手に持ったまま止まりました。3 つのモデルとも、顔とセーターは静止画と一貫していました。1 枚の画像から一連の動作を出したいなら、LTX-2 には動作を減らすか、より長いクリップにすることをお勧めします。LTX-2 は最大 20 秒まで対応しており、その余裕で残りの動作が収まることが多いです。

私たちの結果は、コミュニティの書き込み（大半は LTX 2.3 についてのもの）とも一致します。Wan 2.2 は動きとプロンプト追従が評価され、LTX は速度と音声が評価されています。1 組のテストで一般化はできませんが、私たちのテストでは同じパターンが見られました。

音声、長さ、フレームレート、解像度

音声 は LTX-2 の実用上の最大の利点です。全クリップに音声トラックが付き、音量は場面に合っていました。浜辺では大きな波音、空のスタジオではほぼ無音、カフェの静止画では静かな店内のざわめきです。私たちが測ったのは音量で、音質を判定したわけではありません。Lightricks は、話し声のない音声は品質が下がることがあると注意しています。Wan 2.2 のクリップは無音なので、音は編集で足すことになります。Alibaba の別の Wan 2.2 音声動画モデルは、口の動きを合わせる話す動画向けの別のツールです。

長さ が 2 つ目の利点です。標準の Wan 2.2 は約 5 秒の固定長クリップを生成します。LTX-2 は 1 テイクで 20 秒まで生成でき、既存のクリップを続けて作る動画の延長エンドポイントもあります。Wan 2.2 Spicy と LoRA 版は 5 秒か 8 秒です。

フレームレート: Wan 2.2 の A14B モデルは 1 秒あたり 16 フレームで生成します。受け取ったファイルは 30 fps（Wan 2.2 Spicy は 64 fps）だったため、生成後にフレーム補間されたことを示唆しています。補間は再生を滑らかにしますが、モデルが描いていない動きは加えません。私たちの LTX-2 のファイルは 24 fps でした。

速度

時間は送信から完成ファイルまでです。13 件のジョブをすべて同時に送ったため、キューの待ち時間も含まれます。LTX-2 は比較できたすべての組で速く、480p では 3〜5 倍速かったです。

ローカルで動かす場合の速度は、お使いの GPU によって決まります。ある公開ガイドでは、RTX 4090 で Wan 2.2 の 14B モデルが 5 秒の 720p クリップに約 4 分 20 秒かかるとされています。Alibaba は、5B モデルは単一のコンシューマー GPU で「9 分未満」に 1 本を生成すると述べています。LTX が数倍速く終わるという比較の多くは LTX-2 ではなく LTX 2.3 についてのものです。倍率は方向性として捉え、数値とはみなさないでください。

1 クリップあたりの価格

以下は API 上の現在の 1 クリップあたりの価格で、ライブの見積もりで確認したものです。

LTX-2 は秒単位で課金されるため、20 秒の 720p の 1 本は $0.384 です。標準の Wan 2.2 はクリップ単位で課金されます。価格差は反復作業で最も効きます。LTX-2 の 480p の下書きを 10 本作ると $0.72 で、これは Wan 2.2 のクリップ 3 本分の値段です。LTX-2 が 4 回必要な場面を Wan 2.2 が 1 回で決めるなら、コストは並びます。

現実的な使い分けは、LTX-2 で構図、タイミング、音を下書きし、LTX-2 では被写体やカメラワークを保てない場合に、Wan 2.2 で仕上げのカットを生成することです。

自分で動かす場合: VRAM、ライセンス、LoRA

API ではなく自分の GPU でオープンウェイトを使うなら、次の 3 点が異なります。

VRAM。 Alibaba は、Wan 2.2 の A14B モデルを 1 枚の GPU で動かすには少なくとも 80 GB の VRAM が必要とし、5B モデルは少なくとも 24 GB（RTX 4090）としています。コミュニティでは、ComfyUI で fp8 や GGUF の量子化とオフロードを使い、A14B をコンシューマー向けカードで動かしています。これらはコミュニティの構成であり、Alibaba の数値ではありません。Lightricks は LTX-2 の最低 VRAM を公表していません。19B チェックポイントの fp8 版と fp4 版、より高速な蒸留版、小型カード向けの CPU オフロードを提供しています。量子化版は、計画を立てる前にお手元のカードでテストしてください。

ライセンス。 Wan 2.2 は Apache 2.0 です。LTX-2 は LTX-2 Community License を使い、無料で利用できますが、年間売上が 1,000 万ドル（$10 million）以上の企業は Lightricks から有償の商用ライセンスが必要です。

LoRA。 Wan 2.2 のほうが LoRA エコシステムが大きいです。A14B の LoRA は 2 つのエキスパートがあるため、ハイノイズとローノイズの 2 ファイルで提供されます。私たちの Wan 2.2 LoRA エンドポイントは両方を受け付けます。LTX-2 には専用のトレーナーと、公式のカメラワーク LoRA があります。私たちの API では、LTX-2 19B LoRA 版は、各 2 GiB までの LoRA ファイルを最大 3 つ読み込めます。LTX-2 19B と LoRA のカメラワークでは、Dolly のカメラ LoRA をテストしました。どちらのモデルも相手の LoRA は受け付けず、LTX-2 の LoRA は LTX 2.3 や 2.5 には引き継がれません。

NSFW: どちらが成人向けコンテンツを許可するか？

両方のモデルの重みには組み込みのコンテンツフィルターはありませんが、ホストされた版の挙動は異なります。私たちのコンテンツテストでは、リクエストの種類ごとに 3 回ずつ実行しました。結果は次のとおりです。

テスト日は 9 月 25 日（Wan）と 2026 年 10 月 5 日（LTX-2）でした。「和らげられた」とは、クリップは完成したものの、依頼した内容より手前で止まったことを意味します。拒否された Wan 2.2 のリクエストは課金されません。LTX-2 の行は LoRA なしの結果です。

成人向けの用途では、テキストからなら 2 つのうち LTX-2 が選択肢になります。高度な NSFW の画像まで、すべての段階で 3/3 を返しました。静止画からなら、Wan 2.2 Spicy が最も遠くまで対応し、価格は LTX-2 とあまり変わりません。Wan 2.2 のすべての版については、Wan 2.2 NSFW: 7 つの版をテストをご覧ください。それでも足りなければ、Wan 3.0 などの新しいモデルは、Wan の規制なし版のテストで、私たちのテストの中でさらに先まで対応しました。

どれを使うべきか？

• 商品、料理、動物のカットで被写体が正しく残る必要があるとき: Wan 2.2 から始めてください。私たちの実行では、Wan 2.2 はゴールデンレトリバーと瓶を保ちましたが、LTX-2 は保てませんでした。
• テキストで特定のカメラワークを指定するとき: Wan 2.2 から始めてください。私たちの実行では、指示どおりにパンとプッシュインをしましたが、LTX-2 は両方のカメラワークを外しました。
• 音が重要な会話シーンや環境音のあるシーン: LTX-2 です。同じファイルにサウンドトラックが入り、別のツールは要りません。
• より長いテイク: LTX-2 で、1 テイク最大 20 秒です。標準の Wan 2.2 は約 5 秒で止まり、Spicy 版と LoRA 版は 8 秒です。
• 速く安く反復したい、または大量に作る: LTX-2 です。Wan 2.2 の約 3 分の 1 の価格で、数倍速く動きます。
• 1 枚の静止画を複数の動作で動かす: Wan 2.2、または 5 秒のクリップ $0.095 の Wan 2.2 Spicy です。
• NSFW: テキストからの動画は LTX-2、画像から動画は Wan 2.2 Spicy です。標準 Wan 2.2 のテキストから動画は避けてください。
• ローカル、コンシューマー GPU、商用製品: ハードウェアに合わせて Wan 2.2 5B か、量子化した LTX-2 を選んでください。会社の年間売上が 1,000 万ドルを超える場合は LTX-2 のライセンスを確認してください。

お好みのプロンプトを両方で試すには、まず LTX-2 19B のテキストから動画を開き、同じテキストを 480p の Wan 2.2 でも実行して比べてから、720p に料金を払ってください。

FAQ

LTX-2 は Wan 2.2 より優れていますか？

総合的にはそうとは言えません。単発実行の同一プロンプトのテストでは、Wan 2.2 のほうがプロンプトにより近く、LTX-2 は速く、安く、長く、音声付きで唯一でした。映像に必要なものを基準に選んでください。

Wan 2.2 は音声を生成しますか？

標準のテキストから動画、画像から動画モデルは生成しません。そのクリップは無音です。Alibaba の別の Wan 2.2 音声から動画モデルは、用意した音声トラックから静止画を動かします。LTX-2 は、すべてのクリップに独自のサウンドトラックを生成します。

LTX 2.3 は LTX-2 と同じですか？

いいえ。LTX 2.3 と 2.5 は、重みの異なる後継の Lightricks のモデルです。多くの「LTX-2 vs Wan 2.2」の比較は実際には LTX 2.3 をテストしているので、結果がどのバージョンについてのものかを確認してください。