ComfyUI ローカル動画生成第4弾

カット割りまで一発生成 LTX-2.5 を
RTX 3090 のローカルPCに導入

オープンウェイト公開から6日。徹底調査 → 46GBダウンロード → マルチショット検証まで

結果サマリー

6本

追加モデルファイル(計約46GB)

0回

本体更新・カスタムノード(どちらも不要だった)

約2.5分

5秒動画1本の生成時間(実測150秒)

2カット

1回の生成でカット割り(マルチショット)

LTX-2.5 とは

Lightricks(LTX)社が2026年8月11日にオープンウェイト公開した動画生成モデル。第2弾で導入した LTX-2.3 の後継で、映像と同期した音声(セリフ・効果音・環境音)を1つのモデルで同時生成する路線はそのままに、生成パイプラインをほぼ全段作り直した大型アップデートです。

項目	スペック
パラメータ数	22B(2.3と同規模。大きくせず中身を再設計)
出力	最大4K HDR・最大50fps・尺 2〜20秒(実測では20秒も完走。検証③参照)
音声	映像と同一パスで同時生成。リップシンク対応
ComfyUI 対応	公開初日からネイティブ対応(Day-0)。0.33.0 なら追加作業ゼロ
ライセンス	LTX-2.x Community License(年商1,000万ドル未満は商用無料)

2.3 から何が変わった?

公称のブラインド人間評価で勝率67%(全モデル中1位)、映像の破綻(アーティファクト)量は 2.3 の約1/3 に改善。進化の柱は4つです。

新要素	何がうれしいか
ネイティブマルチショット	1回の生成で複数カットのつながった映像を出力。カットをまたいで同じ顔・同じ服・同じ声が維持される。今回の検証の主役
拡散ビデオデコーダー	従来VAEが苦手だった「顔・文字・細かい質感」の復元を拡散モデルで行う新機構。低解像度でも締まった画になる
Gemma 4 エンコーダ	プロンプト理解が世代交代(Gemma 3 → LTX専用調整の Gemma 4 12B)
自動デュレーション予測	プロンプト内容から最適な動画の長さをAIが決めるオプション

注意: 2.3 とはモデルファイルが非互換(全入れ替え・約46GB)。ただし同じPCに共存OKで、2.3用に作られたLoRA資産は概ねそのまま2.5でも使えます。

検証環境

項目	内容
OS	Windows 11
GPU	NVIDIA GeForce RTX 3090(VRAM 24GB)
RAM	32GB
ComfyUI	ポータブル版 0.33.0(今回は更新不要。既存の SDXL / Wan 2.2 / LTX-2.3 / MiniMax H3 環境は無変更)

※VRAMの入口は16GB(int8量子化)。ただし他環境の実測でシステムRAMをピーク45GB超消費した報告があり、実はRAM 64GBが安心ライン。32GBの本機では生成中は他アプリを全部閉じて運用。

導入の実録:今回は「拍子抜けするほど簡単」だった

H3 のときは本体更新が必要でしたが、今回は ComfyUI 0.33.0 に LTX-2.5 のテンプレート・専用ノードがすべて同梱済み。やることはモデルを置くだけでした。ただし1つだけ新しい壁が。

初体験:「ライセンス同意が必要なモデル」だった

これまでのモデル(2.3含む)は認証不要でダウンロードできましたが、LTX-2.5 本体は Hugging Face の gated リポジトリ(ライセンス同意が必要)。手順は次の3つです。

手順	内容
① 同意	Hugging Face にログインして LTX-2.5 のページで同意フォームを送信。自動承認なので待ち時間ゼロ
② トークン発行	設定画面で「Read」権限のアクセストークンを作成
③ 認証付きDL	ダウンロード時にトークンで認証

セキュリティ豆知識: AIエージェントに作業を任せる場合、トークンをチャットに直接貼らないのがおすすめ。今回は「ローカルの一時ファイルに保存 → エージェントはファイル参照だけで認証(中身は画面に一切表示しない)→ 完了後にファイル削除」という受け渡しにしました。Read専用トークンにして使用後に無効化すれば、さらに安心です。

配置したモデル(6点・計約46GB)

ファイル名は変更禁止(テンプレートが名前を前提にしているため)。

ファイル	役割	配置先(models\ 以下)	サイズ
ltx-2.5-22b-distilled-transformer-comfy-int8-convrot.safetensors	本体(蒸留版・8ステップ高速生成)	diffusion_models\	20.0GB
gemma4-12b-with-proj-ltx-2.5-comfy-int8-convrot.safetensors	テキストエンコーダ(プロンプト理解)	text_encoders\	14.3GB
gemma4_e2b_it_bf16.safetensors	プロンプトエンハンサー用の小型LLM	text_encoders\	9.6GB
ltx-2.5-video-vae-bf16.safetensors	映像VAE	vae\	1.4GB
ltx-2.5-audio-vae-bf16.safetensors	音声VAE	vae\	0.3GB
ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors	2倍アップスケーラ(低解像度生成→拡大仕上げ)	latent_upscale_models\	0.9GB

本体は int8-convrot(8bit量子化)版を選択。無圧縮 bf16 版は39GBあり、VRAM 24GB + RAM 32GB では int8 が現実的なラインです(公式テンプレートの標準指定もこれ)。

テンプレートの選び方:「Pro」の罠

テンプレート検索「LTX-2.5」で6つ出てきますが、使えるのは半分だけ。

テンプレート	正体
LTX-2.5 (Pro): T2V / I2V / FLF2V(王冠マーク+「API」タグ)	✕ 有料クラウド版。ローカルでは使わない
LTX-2.5: テキストから動画へ / 画像から動画へ / FLF2V	◎ ローカル版はこちら(タグが「動画」だけの方)

見分け方は「API」タグと王冠マークの有無。H3 のときと同じ罠なので、シリーズ視聴者はもうお馴染みですね。

検証①:マルチショットは本当に「1回でカット割り」できるのか

2.5 の目玉機能を、あえて5秒・2カットという最小構成で検証。マルチショットに特殊な構文は不要で、時系列の散文の中に「Cut to...」とカット切替を書くだけです。

書き方の3原則

原則	やり方
カット切替を文章で宣言	`Cut to a close-up of...` のように書く(推奨は2〜4カット。5秒なら2カットが限度)
「見た目タグ」を毎カット繰り返す	同一人物として維持したい特徴(服・髪・小物)を各カットで同じ言葉で再記述
音の連続を明示	「雨音と環境音が両カットを通して途切れない」と書くと音声トラックがカットをまたいで持続

検証に使ったプロンプト(雨の京都・2カット)

A medium shot of a beautiful Japanese woman in her late twenties with long black hair in a loose bun, wearing a deep crimson kimono with a white camellia pattern, standing in a narrow lantern-lit Kyoto alley in light rain, holding a paper umbrella, rain pattering softly on the paper as she turns her head slightly toward the camera. Cut to a slow close-up of the same woman in the deep crimson kimono with the white camellia pattern, calm dark eyes looking just past the camera, fine raindrops glistening on her eyelashes, warm lantern glow on one side of her face and cool blue dusk on the other, a faint smile forming on her lips. The gentle rain and the distant murmur of the alley continue unbroken across both shots.

実測結果(RTX 3090)

項目	結果
生成時間	149.85秒(約2.5分)で5秒動画が完成。H3 の同クラス(480p・5秒=約6分)の半分以下
画質の体感	低めの解像度(832×448)にもかかわらず、1280×704で生成した2.3より画質が上に感じる結果に。顔・雨粒・着物の柄のディテールが締まっており、新デコーダー(顔や質感に強い)の効果と考えられる

検証②:AIが苦手な「変な動き」に挑戦(I2V)

画像から動画(I2V)では、1枚のポートレート画像を1コマ目にして、動画生成AIが伝統的に苦手としてきた「手と顔の細かいインタラクション」や「日常でありえない動き」を検証。使ったお題プロンプトを2本公開します(結果は動画本編で!)。

お題1:変な動き3連発(15秒)

肘を舐めようとして失敗 → 両手で頬をもちのように引っ張って変顔 → 小指で耳をほじって指を確認。難易度の違う「手×顔」動作をどこまで破綻せずこなせるか。

Use the provided start image as the first frame. The young Japanese woman in the white hoodie, sitting at her desk, suddenly lifts her right arm and tries very hard to lick her own elbow, straining her neck, tongue out, twisting her arm at an awkward angle, and fails, briefly annoyed. She gives up, then grabs both of her own cheeks with her hands and stretches them wide sideways like soft mochi, puffing air into her cheeks, making a deliberately silly face with crossed eyes. She lets go, her cheeks bouncing back, then digs her pinky finger deep into her ear, wiggles it around with a focused blank stare into the distance, pulls it out, inspects the fingertip closely, and blows on it. Finally she gives a small satisfied nod to the camera. Her face, hair, hoodie, and the softly lit room stay consistent with the start image throughout. Quiet room ambience, a faint air conditioner hum, a frustrated grunt during the elbow attempt, a soft squishing sound as she stretches her cheeks, and a short exhale at the end. No text, no black frames.

お題2:背後のモニターが爆発(15秒・SF演出)

前兆(電気ノイズ)→ 爆発(閃光・衝撃波・破片直撃)→ 事後(煙・煤・呆然)の3幕構成。爆発音や耳鳴りまで音声同時生成でどこまで演出できるかも見どころ。破片は当たるが「ケガ・血なし」を明示してアクション映画調に。

Use the provided start image as the first frame. The young Japanese woman in the white hoodie sits calmly at her desk. Behind her, the computer monitor begins to flicker violently, blue electric arcs crawling across the screen with a rising electrical whine. She notices and starts to turn around. At that moment the monitor explodes in a burst of orange fire and white sparks, a bright flash filling the room. The shockwave blasts her hair and hood forward, papers and small glowing fragments flying past her. Several small pieces of debris strike her shoulder and back, knocking her forward against the desk; she flinches hard and shields her head with her arms. She is startled but unharmed, no blood, no injuries. Thick grey smoke rolls across the ceiling, embers drifting through the air like fireflies. She slowly lifts her head, hair completely disheveled, a smudge of black soot on her cheek, and turns to stare at the burning, sparking wreck of the monitor in wide-eyed disbelief, then waves the smoke away from her face, coughing lightly. The warm desk lamp light mixes with the orange flicker of small flames. Her face and white hoodie stay consistent with the start image. A quiet room hum building to a sharp electrical whine, a loud concussive boom, brief muffled ringing, then crackling flames, falling debris tinkling on the floor, and her short cough. No text, no black frames.

I2Vプロンプトの型: 冒頭に「Use the provided start image as the first frame.」を置き、画像内の人物・服装を言葉でも再記述して固定 → 動作を時系列で書く → 音の指示 → 最後に「No text, no black frames.」。この型に流し込むだけで安定します。

検証③:生成時間の実測データ(7本)

同じ RTX 3090 で条件を変えて計7本生成した実測値。バーの長さ=かかった時間です。

① T2V |0.4メガピクセル・5秒

149.85秒(約2.5分)

② I2V |0.4メガピクセル・5秒

171.80秒(約2.9分)

③ I2V |0.4メガピクセル・15秒

179.01秒(約3.0分)

④ I2V |1.0メガピクセル・15秒

312.99秒(約5.2分)

⑤ T2V |1.0メガピクセル・15秒

319.51秒(約5.3分)

⑥ I2V |2.0メガピクセル・20秒(最大出力)

1,304.02秒(約21.7分)

⑦ T2V |2.0メガピクセル・20秒(最大出力)

1,313.31秒(約21.9分)

※0.4メガピクセル=864×480級、1.0=1376×768級、2.0=1920×1088級(16:9時。出力は32の倍数に自動調整)

数字から分かったこと

発見	根拠
秒数は「ほぼタダ」(H3と真逆!)	I2V 0.4MPで5秒→15秒(3倍の長さ)にしても 171.8秒→179.0秒で+4%しか増えない。「秒数は2乗で効く」H3と正反対の特性
払うのは「解像度」	同じ15秒で 0.4→1.0MP(画素約2.5倍)にすると 179秒→313秒(約1.75倍)。時間は秒数ではなくピクセル数で決まる
最大出力は別世界	2.0MP・20秒は約22分と非線形にジャンプ(1.0MP・15秒の約4倍)。VRAM/RAMに収まらずオフロードが発動したとみられる。RAM 32GB環境では「最後の切り札」扱いが妥当
T2VとI2Vはほぼ同速	全条件で差は1割未満。15秒・1.0MPではむしろI2Vの方がわずかに速い(313秒 vs 320秒)

ハマりどころと操作のコツ

コツ	内容
prompt_enhance の ON/OFF	小型LLMがプロンプトを映画調に自動加筆する機能。短い指示を膨らませたいときはON、変な動きやカット割りを正確に通したいときはOFF。ONだと意図した動作が「上品な仕草」に書き換えられることがある。RAM節約にもOFFが効く
長尺は意外と平気だった	事前調査では「I2Vで10秒以上はハング報告あり」だったが、本検証では15秒・20秒とも問題なく完走。秒数を伸ばしても時間がほぼ増えない特性(検証③)もあり、長尺は積極的に試してよい。ただし最大出力(2.0MP)との併用は約22分コース
「サンプラー後の沈黙」は正常	処理時間の約半分は新方式のVAEデコード。進捗バーが終わりかけで止まって見えても壊れていない
解像度セレクターの読み方	メガピクセル値で指定(0.4=864×480、0.9=1280×736 など。出力は32の倍数に自動調整)。まず低解像度で数を打ち、決定版だけ上げるのが2.5の流儀(2倍アップスケーラも同梱)
過去生成のワークフロー復元	生成済みMP4を ComfyUI の画面にドラッグ&ドロップすると、当時のワークフロー(プロンプト・シード・全設定)が丸ごと復元される。動画ファイルがタイムカプセルになっている
シードは固定推奨	成功した構図のまま秒数・解像度だけ変えて比較できる。検証では必須テク
RAM 32GB 環境の心得	生成中は他アプリを全部閉じる。15秒などの長尺は今日イチの重さになる

制限とライセンス

技術的な制限

項目	内容
解像度・フレーム数	解像度は32の倍数、フレーム数は「8の倍数+1」に自動調整される
文字描写	2.3より改善したがまだ苦手分野。タイトルロゴなどは崩れる前提で
苦手なもの	手・厳密な同一人物の長時間維持・複雑な物理は残る弱点。2Dイラスト調は速い動きで崩れやすい報告あり

ライセンス(LTX-2.x Community License)

項目	内容
商用利用	年商1,000万ドル未満なら無料(セルフホスト・ファインチューン込み)
生成物の権利	生成者のもの(YouTube収益化OK)
義務	AI生成であることの明示(YouTubeの合成コンテンツ開示+概要欄記載で対応可)
禁止用途	同意のないディープフェイク・偽情報・未成年者への危害・差別・兵器等(AUP)

ローカル実行の心構え(全モデル共通)

ローカル生成には Web アプリのようなサーバー側の検閲がありません。ただし「弾かれない=何でもOK」ではなく、責任が運営会社から自分に移るということ。ライセンスの禁止用途、YouTube のコミュニティガイドライン、法律は生成手段に関係なく適用されます。

🎁 視聴者プレゼント:環境構築ワンショットプロンプト

Claude Code や Codex などのエージェント AI にそのまま貼り付ければ、この動画と同じ環境を自動構築してくれるプロンプトです(NVIDIA GPU 搭載の Windows PC 向け)。今回は gated モデルのため、Hugging Face の同意とトークン発行だけは自分で行う必要があります。

あなたはWindows PCの環境構築を代行するAIエージェントです。以下の手順で、ComfyUI 上で LTX-2.5(オープンウェイトの動画+音声同時生成モデル・マルチショット対応)をローカル実行できる環境を構築してください。各ステップは実行前に状況を確認し、完了ごとに結果を報告してください。【0. 前提チェック】 - NVIDIA GPU(VRAM 16GB以上、24GB推奨)があること - ディスク空き容量が 60GB 以上あること(モデル約46GB+作業領域) - RAM 32GB 以上(64GB推奨。32GBの場合は生成時に他アプリを閉じる運用を案内すること) 【1. ComfyUI の準備】 A) ComfyUI が未導入の場合:ポータブル版を導入する - https://github.com/comfyanonymous/ComfyUI/releases/latest/download/ComfyUI_windows_portable_nvidia.7z をダウンロード - 7zr.exe(https://www.7-zip.org/a/7zr.exe)で任意のフォルダに展開 B) 導入済みの場合:バージョンを確認し、0.33.0 未満なら更新する - ポータブル版の更新は update フォルダの update.py を絶対パスで直接実行: \python_embeded\python.exe \update\update.py \ComfyUI\ 【2. Hugging Face の認証準備(ここだけ人間の作業)】 LTX-2.5 本体はライセンス同意が必要な gated リポジトリ(自動承認・待ち時間なし)。ユーザーに以下を依頼すること: 1. https://huggingface.co にログイン(無料登録可) 2. https://huggingface.co/Lightricks/LTX-2.5 を開き、同意フォームを送信 3. https://huggingface.co/settings/tokens で「Read」権限のトークンを作成 4. トークンはチャットに貼らず、ローカルの一時ファイル(例: %USERPROFILE%\.hf_token)に保存してもらうエージェントはトークンの中身を画面に一切表示せず、ファイル参照のみで認証すること。【3. モデルのダウンロード(6点・計約46GB)】 curl -L -C -(レジューム対応)+ Authorization: Bearer ヘッダーで認証し、ComfyUI\models\ 以下に配置。ファイル名は変更禁止。 URL形式: https://huggingface.co/Lightricks/LTX-2.5/resolve/main/<パス> 1. diffusion_models/ltx-2.5-22b-distilled-transformer-comfy-int8-convrot.safetensors → models\diffusion_models\(20.0GB) 2. text_encoders/gemma4-12b-with-proj-ltx-2.5-comfy-int8-convrot.safetensors → models\text_encoders\(14.3GB) 3. vae/ltx-2.5-video-vae-bf16.safetensors → models\vae\(1.4GB) 4. vae/ltx-2.5-audio-vae-bf16.safetensors → models\vae\(0.3GB) 5. latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors → models\latent_upscale_models\(0.9GB) 6. 認証不要の公開リポジトリから: https://huggingface.co/Comfy-Org/gemma-4/resolve/main/text_encoders/gemma4_e2b_it_bf16.safetensors → models\text_encoders\(9.6GB) ダウンロード後、各ファイルのサイズが配布元(Content-Length)と一致することを確認し、完了したらトークンの一時ファイルを削除して、削除したことを報告すること。【4. 起動と動作確認】 - run_nvidia_gpu.bat で起動し、http://127.0.0.1:8188/system_stats に GET してバージョンが 0.33.0 以上であること、GPU が認識されていることを確認 - http://127.0.0.1:8188/models/diffusion_models 等で6モデルすべての認識を確認 - ブラウザで http://127.0.0.1:8188 を開き、テンプレート検索「LTX-2.5」→「LTX-2.5: テキストから動画へ」(「API」タグ・王冠マークなしの方)を開いてモデル欄が自動セットされていれば完了【注意事項】 - 「(Pro)」+「API」タグ付きテンプレートは有料クラウド版なので使わない - テスト生成は低解像度(0.4メガピクセル)から。秒数を伸ばしても時間はほぼ増えないが、解像度と最大出力(2.0MP)は時間が跳ね上がる - prompt_enhance はRAM節約と指示の正確さを優先するならOFF - サンプラー終了後もVAEデコードで長く待つのが正常(処理時間の約半分) - 生成中は他の重いアプリを閉じること(RAM 32GB では逼迫するため)