ltx2

LTX-2.3 動画生成

LTX-2.3 22B DiT モデルを使用して、テキストプロンプトまたは画像から約5秒の動画クリップを生成します。 Modal（A100-80GB）で実行します。.env に MODAL_LTX2_ENDPOINT_URL が必要です。

クイックリファレンス

# Text-to-video
python3 tools/ltx2.py --prompt "A sunset over the ocean, golden light on waves, cinematic" --output sunset.mp4

# Image-to-video (animate a still image)
python3 tools/ltx2.py --prompt "Gentle camera drift, soft ambient motion" --input photo.jpg --output animated.mp4

# Custom resolution and duration
python3 tools/ltx2.py --prompt "..." --width 1024 --height 576 --num-frames 161 --output wide.mp4

# Fast mode (fewer steps, quicker)
python3 tools/ltx2.py --prompt "..." --quality fast --output quick.mp4

# Reproducible output
python3 tools/ltx2.py --prompt "..." --seed 42 --output reproducible.mp4

パラメーター

パラメーター	デフォルト	説明
--prompt	(必須)	動画のテキストによる説明
--input	-	画像から動画を生成する場合の入力画像
--width	768	動画の幅（64で割り切れる値）
--height	512	動画の高さ（64で割り切れる値）
--num-frames	121	フレーム数。(n-1) % 8 == 0 を満たす必要があります
--fps	24	1秒あたりのフレーム数
--quality	standard	standard（30ステップ）または fast（15ステップ）
--steps	30	推論ステップ数を直接指定して上書き
--seed	random	再現性のためのシード
--output	auto	出力ファイルのパス
--negative-prompt	適切なデフォルト値	避ける内容

有効なフレーム数

(n - 1) % 8 == 0：25（約1秒）、49（約2秒）、73（約3秒）、97（約4秒）、121（約5秒、デフォルト）、161（約6.7秒）、193（実用上の最大値、約8秒）。

よく使う解像度

解像度	比率	備考
768x512	3:2	デフォルト。バランスに優れています
512x512	1:1	正方形。最速です
1024x576	16:9	ワイドスクリーン
576x1024	9:16	ポートレート／縦向き

プロンプトガイド

LTX-2 は映画的な描写によく反応します。次の要素を組み合わせてください。

• カメラ：「ゆっくり前進するドリー撮影」「空撮ドローンショット」「トラッキングショット」「固定の広角ショット」
• 照明：「ゴールデンアワー」「映画のような照明」「ネオン照明」「柔らかな拡散光」
• 動き：「……のタイムラプス」「スローモーション」「カメラがゆっくり漂う」「徐々に移り変わる」
• スタイル：「35mmフィルムで撮影」「ドキュメンタリー風」「すっきりとしたミニマルな美しさ」
• ネガティブ：「最低品質、ぼやけ、揺れ、透かし、テキスト、ロゴ」は常に暗黙的に回避されます。

プロンプトは200語未満にしてください。シーンを具体的に描写してください。

良いプロンプト

# Atmospheric b-roll
"Aerial drone shot slowly flying over turquoise ocean waves breaking on white sand, golden hour sunlight, cinematic"

# Product/tech scene
"Close-up of hands typing on a mechanical keyboard, shallow depth of field, soft desk lamp lighting, cozy atmosphere"

# Abstract background
"Dark moody abstract background with flowing blue light streaks, subtle geometric grid, bokeh particles floating, cinematic tech atmosphere"

# Animate a portrait
"Professional headshot, subtle natural head movement, confident warm expression, studio lighting, shallow depth of field"

# Animate a slide/screenshot
"Gentle subtle particle effects floating across a presentation slide, soft ambient light shifts, very slight camera drift"

悪いプロンプト

# Too vague
"A cool video"

# Too many competing ideas
"A cat riding a skateboard while juggling fire on the moon during a thunderstorm"

# Describing text/UI (model can't render text reliably)
"A website showing the text 'Welcome to our platform'"

動画制作のユースケース

Bロールクリップ

ナレーション付きのシーン間に挿入する、雰囲気のある5秒のショットを生成します。

python3 tools/ltx2.py --prompt "Futuristic holographic interface, glowing data visualizations, clean workspace, cinematic" --output broll_tech.mp4
python3 tools/ltx2.py --prompt "Aerial view of European city at golden hour, modern architecture" --output broll_europe.mp4

アニメーション付きスライド背景

スライドのスクリーンショットを入力し、控えめな動きを加えます。

python3 tools/ltx2.py --prompt "Gentle particle effects, soft ambient light shifts, very slight camera drift" --input slide.png --output animated_slide.mp4

アニメーション付きポートレート

静止した顔写真に命を吹き込みます。

python3 tools/ltx2.py --prompt "Subtle natural head movement, warm expression, professional lighting" --input headshot.png --output animated_portrait.mp4

ブランド付きイントロ／アウトロ

タイトルカード用に抽象的なモーション背景を生成します。

python3 tools/ltx2.py --prompt "Dark moody background with flowing blue and coral light streaks, bokeh particles, cinematic tech atmosphere, no text" --output intro_bg.mp4

他のツールとの組み合わせ

LTX-2 は加工前のクリップを生成します。ツールキットのほかのツールと組み合わせてください。

ワークフロー	ツール
クリップを生成 → アップスケール	ltx2.py → upscale.py
クリップを生成 → Remotion に追加	ltx2.py → コンポジション内で <OffthreadVideo> として使用
画像を生成 → アニメーション化	flux2.py → ltx2.py --input
クリップを生成 → 音声を抽出	ltx2.py → ffmpeg -i clip.mp4 -vn audio.wav
クリップを生成 → ナレーションを追加	ltx2.py → qwen3_tts.py の出力とミックス

技術詳細

• モデル： LTX-2.3 22B DiT（Lightricks）、bf16
• GPU： Modal 上の A100-80GB（約$4.68/時間）
• 推論： クリップあたり約2.5分（768x512、121フレーム、30ステップ）
• コスト： 5秒のクリップあたり約$0.20〜0.25
• コールドスタート： 約60〜90秒（約55GBの重みを読み込み）
• 出力： 同期された環境音付きの H.264 MP4（24fps）
• 最大長： クリップあたり約8秒（193フレーム）

既知の制限事項

• 学習データ由来のアーティファクト： 生成の約30%で、学習データに由来する不要なロゴやテキストが含まれる場合があります。別の --seed で再実行してください。
• テキスト描画： 動画内に読みやすいテキストを安定して生成できません。代わりに Remotion のオーバーレイを使用してください。
• 最大長： クリップあたり約8秒です。より長いコンテンツには、クリップの結合が必要です。
• 音声： 生成される音声は環境音のみです。音声や音楽には、ナレーション／音楽ツールを使用してください。
• ライセンス： Community License — 収益が$10M未満の場合は無料です。それ以上の場合は商用ライセンスが必要です。

セットアップ

# 1. Create Modal secret for HuggingFace (one-time)
modal secret create huggingface-token HF_TOKEN=hf_your_token

# 2. Deploy (downloads ~55GB of weights, takes ~10 min)
modal deploy docker/modal-ltx2/app.py

# 3. Save endpoint URL to .env
echo "MODAL_LTX2_ENDPOINT_URL=https://yourname--video-toolkit-ltx2-ltx2-generate.modal.run" >> .env

# 4. Test
python3 tools/ltx2.py --prompt "A candle flickering on a dark table, cinematic" --output test.mp4

重要： HuggingFace トークンには read-access スコープが必要です。デプロイする前にGemma 3 ライセンスに同意してください。認証なしのダウンロードは大幅にレート制限されます。