LTX-2.5 必要スペック早見表

LTX-2.5 は、Lightricksからスピンアウトした LTX が2026年8月11日に公開した、オープンウェイトの動画＋音声同時生成モデルだ。22Bパラメータのdiffusion transformer（DiT）にカスタムのGemma 4 12Bテキストエンコーダを組み合わせ、text-to-video / image-to-video / video-to-video / text-to-audio / audio-to-video をネイティブ4K HDRで扱える。結論から言うと、必要VRAMは16GB〜80GB、配布ファイルの合計容量は量子化構成によって約35.9GB〜71.4GBまで変わる。コミュニティ報告ベースではRTX 4090（24GB）クラスから動作例があり、公式のVRAM要件表はまだ出ていない。以下、構成別の早見表からトラブルシューティングまでを一気にまとめる。

数値はいずれも公式の要件表ではなく、Hugging Faceリポジトリの実測ファイルサイズとコミュニティの動作報告を積み上げた目安。実際に動くかどうかはCUDA/PyTorchのバージョンや解像度・フレーム数の設定に大きく左右される。

LTX-2.5は前世代のLTX系モデルから大きく踏み込んだ点が2つある。ひとつは動画と音声を同時に生成できること。text-to-audioやaudio-to-videoといったタスクが同一モデル内で完結し、別モデルで音声を後付けする従来のワークフローを省ける。もうひとつはネイティブ4K HDR出力への対応で、アップスケーラー用の重み（latent_upscale_models）が別配布されている。

バックボーンは22Bパラメータのdiffusion transformer（DiT）。テキストエンコーダには射影層付きのカスタムGemma 4 12Bを採用しており、プロンプト理解の精度を担っている。チェックポイントはdistilled（8ステップ固定スケジュール・CFG=1で高速推論に特化）とdev/full（ファインチューン可能な汎用チェックポイント）の2系統に分かれる。

公式のベンチマークでは、NVIDIA GB200×2構成で画像から10秒・720pのクリップをdistilledで約6.8秒で生成できるとされる。LTXのマネージドAPI経由では同じジョブが1080pで23.7秒。ローカル環境でここまでの速度は出ないが、目安として押さえておきたい。

全ファイルを丸ごと落とす必要はない。distilledかdev、どちらか片方の量子化バリアントとテキストエンコーダ、VAE一式を選べば十分に動く。

- BF16: 精度最優先。ファインチューンや高品質な出力検証をするならこれ。ディスク・VRAMともに最も重い
- INT8+convrot（ComfyUI専用）: ComfyUIのワークフローに最適化された量子化。BF16比で約半分のサイズに圧縮しつつ品質劣化を抑える設計
- NVFP4（Blackwell・ltx-kernels向け）: RTX 50シリーズなどBlackwell世代GPU向け。ディスク・VRAMともに最軽量だが、専用カーネル（ltx-kernels）が前提
- FP8-cast（低VRAM救済策）: PyTorch推論時にBF16の重みをFP8へダウンキャストして読み込む方式。CPUオフロードと組み合わせることで16GB未満のVRAMでも動作させる報告がある（速度は大幅に犠牲になる）

LTXはComfyUI向けの公式ワークフローテンプレートをday oneで提供している。最小構成は次の組み合わせになる。

- diffusion_models: ltx-2.5-22b-distilled-transformer-nvfp4.safetensors（18.72GB）
- text_encoders: gemma4-12b-with-proj-ltx-2.5-comfy-int8-convrot.safetensors（15.37GB）
- vae: ltx-2.5-video-vae-bf16.safetensors（1.47GB）
- vae（音声も使う場合）: ltx-2.5-audio-vae-bf16.safetensors（0.36GB）
- 合計ディスク容量目安: 約35.9GB

INT8+convrot構成にする場合はdiffusion_modelsをltx-2.5-22b-distilled-transformer-comfy-int8-convrot.safetensors（21.50GB）に差し替え、合計は約38.7GBになる。ComfyUI以外のワークフローについてはローカルLLM推論エンジン比較で他モデルの実行環境比較も参照してほしい。

- 16GB VRAM級（RTX 4060 Ti 16GB等）: コミュニティ報告上の最小ライン。NVFP4またはFP8ダウンキャスト＋CPUオフロードが前提。生成速度・解像度はかなり制限される
- 24GB VRAM（RTX 4090）: INT8+convrot構成が快適に動く目安。720p級の生成であれば安定して回せるという報告が多い
- 32GB VRAM（RTX 5090）: NVFP4のネイティブ最適化（ltx-kernels）が効くBlackwell世代。解像度・フレーム数に余裕が出る
- 80GB VRAM級（A100/H100）: BF16フル構成＋ファインチューンや長尺・高解像度生成に現実的な選択。開発用途向け

distilledチェックポイントは8ステップ固定スケジュール・CFG（Classifier-Free Guidance）=1で動く。通常の拡散モデルが数十ステップ・CFGスケール調整を必要とするのに対し、distilledは推論ステップ自体を蒸留で削減しているため生成が速い。プロダクション用途や大量生成のバッチ処理に向く。

一方dev/fullチェックポイントはファインチューン可能な汎用モデルで、独自データセットでの追加学習やLoRA作成のベースに使う。研究・カスタマイズ用途向けで、distilledよりステップ数もVRAM要求も大きくなる。

LTX-2.5には出力サイズに関するハード制約がある。フレーム数は num_frames % 8 == 1 を満たす必要があり、有効な値は1, 9, 17…121のように8刻み+1に限られる。幅・高さは32の倍数でなければならない。公式の検証例は544×960・121フレーム・24fpsで、この組み合わせは動作確認済みとされている。

この制約を無視した値を渡すとエラーになるかクロップ・パディングが自動で入り意図しない出力になるため、ワークフローを組む際は最初に確認しておきたい。

Apple SiliconやCPUのみでの動作について、現時点でLTX-2.5からの公式サポート表明や具体的なベンチマークは確認できていない。22B DiT＋12Bテキストエンコーダという規模を考えると、MPSバックエンドでの動作自体は理論上不可能ではないが、実用的な速度が出るかは未検証。Mac環境での利用を検討している場合は、コミュニティのIssueやDiscordでの最新報告を確認することを推奨する。

MiniMax H3の詳細な必要スペックはMiniMax H3 必要スペック早見表にまとめている。音声同時生成が必要ならLTX-2.5、動画生成のみに特化した比較検討をするならMiniMax H3という住み分けになりやすい。テキスト生成系のローカル運用を比較したい場合はQwen3.8-27B 必要スペック早見表も参考になる。

LTX-2.5はLTX-2.x Community Licenseの下で公開されている。年間売上が1,000万ドル未満の企業・個人であれば、商用利用・本番環境での利用も無償で可能。日本の中小企業の多くはこの売上規模に収まるため、実質的にほぼ無償枠で使えると考えてよい。年間売上が1,000万ドルを超える企業は、別途Commercial Use Agreementの締結が必要になる点は事前に確認しておきたい。

- VRAM不足でOOMになる: まずNVFP4またはINT8+convrot構成に切り替える。それでも足りない場合はFP8ダウンキャスト＋CPUオフロードを試す（速度は大きく落ちる）
- CUDA/PyTorchのバージョン不整合でロードに失敗する: 推奨環境はPython >= 3.12、CUDA >= 12.7、PyTorch ~= 2.7。特にNVFP4のltx-kernelsはBlackwell世代GPU＋新しめのCUDAが前提のため、古い環境では動かない場合がある
- フレーム数・解像度エラー: num_frames % 8 == 1 と幅・高さが32の倍数になっているか確認する。まずは検証済みの544×960・121フレーム・24fpsで動作確認してからパラメータを調整する
- 生成が極端に遅い: CPUオフロードが有効になっていないか、意図せずBF16フル構成をロードしていないかを確認する