LTX 2.5 レビュー：音声付きの長回し、顔だけがムラ

当社のコンテンツ段階テストは公開していません。以下のギャラリーは日常のレジスタで、LTX 2.5 モデルページで公開されている職場でも見られる作例から取っています。

夕暮れから焚き火の光へ、1 回のリクエストで。 ビーチにいる 2 人が夕暮れから始まり、終了フレームによって夜の焚き火のそばで毛布に包まれる姿に着地します——プロンプントが描写するのは 2 つの静止画の間の推移だけで、行き先自体は書く必要がありません。

ろうそくの明かりと立ち上る蒸気。 ろうそくの灯るバスルームの開始フレームから、彼女は湯気を立てる水に沈み、手が濡れた髪をかき分けます——静止画が部屋を、プロンプトが変化する部分だけを供給します。

プールへの後ろ向きの転落。 タイル張りの縁から仰向けに倒れ込み、気泡がカメラとともに沈む彼女の周りに立ち上り、光の屈折が柱の上で波打ち続けます——アニメートされた静止画を壊しがちな種類の物理表現です。

20 秒の途切れない群衆の横断。 競技場のゲートから人混みの中まで、1 回の連続したステディカム風の動き、テキストだけから書き起こされ、カットなしでこのエンドポイントの最大 20 秒の長さいっぱいまで使っています。

1 テイクで下りる大理石の階段。 エメラルドのシルクガウンをまとった女性が無人のオペラハウスの階段を下り、シャンデリアの光が生地を捉えます——一段落分の文章から、下降の一連の動き、生地の揺れ、クレーン移動まで。

雨の中、セルシェーディングのラーメン屋台。 アニメ調、手描きの背景：女性がのれんをくぐり、傘の水を払って腰かけます——別のスタイルフィールドがないため、スタイルはすべて言葉だけで運ばれています。

文を被写体、アクション、カメラ、光、制約の順に組み立て、失敗したテイクの原因を探るときは一度に 1 つの変数だけを変えてください。画像から動画では、アイデンティティと衣装は開始（と終了）フレームに任せ、プロンプトは動きだけに使ってください。

1. 推移として描写された固定の終着点（画像から動画、終了フレーム指定）。

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.

このプロンプトを LTX 2.5 で試す →

2. 一続きの動きとして書いた長回し（テキストから動画）。

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.

このプロンプトを LTX 2.5 で試す →

弱い例： 速く複雑な物理的アクション（渓谷の飛行、炎の上での中華鍋振り）を、激しいカメラの動きと細かいディテールを同じ文に詰め込んで描写すること——このパターンでアーティファクトが最も深刻になりました。強い例： 速度を落とすか、複雑なアクションを、同時に変化するカメラと被写体の要素を減らして分割してください。

2026年9月16日から24日にかけて、LTX 2.5 の両タスクに当社の五段階ラダーを実行しました。画像から動画は L1 ほのめかし、L2 成熟したテーマ、L3 強め、L4 高強度をどの実行でもきれいに通過し、L5 極限の拘束・衝撃プローブもきれいに通過しました。このファミリーでは L5 極限のゴアプローブはテストしていません。テキストから動画はその L4 高強度の 1 回が弱められた以外、同じパターンでした。どちらのタスクにも当社側のコンテンツフィルターはなく、ページの表示は 規制なし です。

音声とセリフについて。 当社の音声テストでは、テキストから動画の結果は一様に良い、悪いというより、ムラのある結果でした。カフェの対話シーンは自然な笑いとほぼタイミングの合ったセリフを届けたものの、1 か所リップシンクが不正確でした。感情のこもったモノローグは感情の拍を捉えつつ、顔がわずかに人工的に見えました。クローズアップの「会いたかった」というセリフは良好なリップシンクに加え、途中で不自然な口の形のアーティファクトを伴いました。ストリートミュージシャンの場面は聞き取れる弾き語りをやや反復的な動きとともに生成し、グラスが割れる効果音のプロンプトは違う物体（狙ったワイングラスではなくタンブラー）を不明瞭な砕け方でレンダリングしました。公開前にすべてのクリップの音声トラックを確認してください——場面が求めていなくても音声生成をオフにするフィールドはありません。

まだ試していないこと： どちらのタスクでも L5 極限のゴアプローブ、終了フレームを与えることが独立したテスターが報告する顔のずれの問題を減らすかどうか、段階での男性二人の場面、複雑な動きのプロンプトを遅くすることで渓谷や中華鍋の場面で見た色のアーティファクトの失敗を避けられるかどうか。

すべてのプロンプト、静止画、出力で成人のみ。実在し特定できる人物を、本人の同意なく描かないでください。またフレームとしてアップロードするすべての写真の権利をお持ちください。

LTX 2.5 への反応は、当社自身のテストが見出した線とほぼ正確に重なる形で分かれています。好意的な側では、コンシューマー向けハードウェアでテストしたある Hugging Face ユーザーが、特に風景や商品ショットについて「RTX 5070 Ti での生成速度と画質はとても印象的だった」と書いています。

不満は一貫性の周りに集中しています。「i2v でのキャラクターの一貫性は大惨事だ」というタイトルの議論は、同じ参照写真が LTX 2.3 と LTX 2.5 の間で目に見えて違う人物としてレンダリングされたと報告しています。2 つ目のスレッド「ミュージックビデオには LTX 2.5 を使うな！LTX 2.3 を使い続けよう」は、歌唱や対話でのリップシンクの弱さの原因として、新しいバージョンのテキストエンコーダーを指摘しています。

当社自身の実行はこの分裂の両側に位置します。実行した日常的なジャズクラブや階段の場面はよくまとまっていた一方、顔のずれとリップシンクの不満はコミュニティが報告するものと、当社自身の音声テストや横並び比較で見たものが一致しています。

• 顔を保ちたく、ネイティブ音声を諦めても構わない？ LTX 2.3 Spicy は、より古く一貫性のテストが進んだ LTX 世代を組み込みの LoRA プリセット付きで実行、1 秒 $0.019 からです。
• オープンウェイトのベースと深いローカル LoRA エコシステムが欲しい？ Wan 2.2 は長い単一テイクの形式を固定 5 秒クリップに引き換え、一律 $0.24 です。
• マルチショット演出付きの長いテイクは？ Wan 3.0 は最長 30 秒まで対応、480p は 1 秒 $0.045 からです。
• 独自のコミュニティを持つ別のオープンウェイトのライバルは？ MiniMax H3 は、独立したテスターが LTX と最も頻繁に比較する相手です。