FacetuneやVideoleapといったクリエイティブアプリで知られるイスラエルのユニコーン企業Lightricksは2026年1月6日、音声と動画を完全に同期して生成可能なオープンソースAIモデル「LTX-2」を公開した。これはOpenAIのSoraやGoogleのVeoといった巨大テック企業の「クローズドな城壁」に対し、「完全なオープンウェイト（Fully Open Weights）」という武器で挑む、オープンソースコミュニティへの強力な援護射撃である。

本稿では、Lightricksが公開した技術レポートおよびプレスリリースから、LTX-2がもたらす技術的革新、競合に対する優位性、そしてクリエイティブ産業に与える影響について見ていきたい。

AD

「ただの動画」から「体験」へ：LTX-2の核心的価値

これまでのオープンソース動画生成AI（Stable Video Diffusionや初期のWanなど）は、視覚的には優れていても「無音」であることが一般的だった。音声を追加するには、別途「Video-to-Audio」モデルを回す必要があり、そこには常に「映像と音のズレ」や「文脈の断絶」という深い溝が存在した。

LTX-2はこの課題に対し、「最初から映像と音声を不可分のものとして生成する」というアプローチで回答を示した。

主要スペックの要約

  • モデル規模: 総パラメータ数190億（19B）。
  • 解像度とフレームレート: ネイティブ4K出力、50fpsをサポート。
  • 生成長: 最大20秒の連続生成。
  • 同期: 発話時のリップシンク（口の動き）、環境音（フォーリー）、BGMが映像と完全に同期。
  • ライセンス: アカデミック利用および年間経常収益（ARR）1,000万ドル未満の企業は無料（それ以上は商用ライセンスが必要）。

特に注目したいのは、これが実験室レベルのデモではなく、「コンシューマー向けGPU（GeForce RTXシリーズ）でローカル動作する」という実用性を備えている点だ。クラウドへの依存を断ち切ることは、プライバシーを重視するクリエイターや企業にとって決定的な意味を持つ。

非対称デュアルストリーム構造の妙

Lightricksが公開した技術レポートを読み解くと、LTX-2の高性能を支える独自のアーキテクチャが浮かび上がってくる。それは、「非対称デュアルストリーム・トランスフォーマー（Asymmetric Dual-Stream Transformer）」と呼ばれる構造だ。

なぜ「非対称」なのか？

従来のマルチモーダルモデルの一部は、映像と音声を単一の潜在空間に押し込もうとしてきた。しかし、Lightricksの研究チームは「映像」と「音声」の情報密度の違いに着目した。

  • 映像ストリーム（14Bパラメータ）: 3Dの空間的・時間的ダイナミクスを処理するため、モデルの大部分（約74%）のリソースを配分。
  • 音声ストリーム（5Bパラメータ）: 1Dの時間的変化のみを処理するため、軽量化しつつ表現力を維持。

この「適材適所」の配分により、計算リソースを無駄にすることなく、映像の品質を最大限に高めながら、自然な音響生成を実現している。

「思考するトークン（Thinking Tokens）」の導入

興味深い技術的アプローチとして、GoogleのGemma 3（多言語テキストエンコーダ）の統合と、「Thinking Tokens（思考トークン）」の採用が挙げられる。
プロンプト（指示文）がいきなり映像生成に使われるのではなく、一度「Text Connector」と呼ばれるモジュールを経由する。ここで追加のトークン（思考の余地）を与えることで、モデルは複雑なプロンプトの文脈を深く理解し、特に多言語での発話生成や複雑なシーン描写において、指示への忠実性を飛躍的に向上させている。

双方向クロスアテンションによる「完全同期」

LTX-2の真骨頂は、映像と音声が互いに「会話」しながら生成されるプロセスにある。

  • 双方向クロスアテンション（Bidirectional Cross-Attention）: 映像生成レイヤーが音声の状態を参照し、逆に音声レイヤーが映像の状態を参照する。
  • 時間的RoPE（Rotary Positional Embeddings）: 時間軸に特化した位置エンコーディングにより、例えば「ドアが閉まる」という視覚的イベントの瞬間に、正確に「バタン」という音を配置することが可能になる。

これにより、従来のパイプライン処理（映像を作ってから音をつける）では不可能だった、「音に反応して映像が動く（またはその逆）」という相互依存関係の再現に成功している。

AD

圧倒的な速度と効率：競合を置き去りにするパフォーマンス

AIモデルの実用性を測る上で、「推論速度」は画質と同等に重要である。Lightricksによれば、LTX-2は驚異的な速度を記録している。

対 Wan 2.2-14B 比較

NVIDIA H100 GPUを用いたベンチマークにおいて、以下の差が確認されている。

  • Wan 2.2-14B（動画のみ）: 1ステップあたり 22.30秒
  • LTX-2（動画＋音声）: 1ステップあたり 1.22秒

実に約18倍の高速化だ。これは単なる最適化の結果ではない。前述の非対称構造に加え、NVFP8量子化（モデルサイズを約30%削減）の採用や、NVIDIAエコシステムへの深い最適化が寄与している。
LightricksのCEO、Zeev Farbman氏が「クローズドシステムと同等の品質とパフォーマンスを、ローカルGPUで実現する」と語る通り、これはRTX 5090などのハイエンドコンシューマーGPUを持つユーザーにとって、自宅が「ハリウッドスタジオ」になることを意味する。

「クローズドAPI」へのアンチテーゼと戦略的意義

なぜLightricksは、これほど強力なモデルをオープンソース化したのか？ その背景には、現在のAI業界構造に対する明確な批判と戦略が見え隠れする。

「自分の増強は自分で所有すべき」

Farbman氏は「AIは人間の創造性を拡張できる。私が懸念しているのは、その『拡張』を他社が所有することだ」と発言している。
SoraやVeoのようなAPIベースのモデルは便利だが、検閲、コスト、そして突然のサービス変更というリスク（ブラックボックス問題）を孕む。LTX-2は、ウェイト（重み）、推論コード、トレーニングコードのすべてを公開することで、クリエイターや企業に「コントロール権」を取り戻させることを意図している。

エコシステムの支配権争い

ComfyUI、Fal、Replicateといったプラットフォームとの即日連携も戦略的だ。Lightricksは、自社のプロプライエタリなツール（LTX Studio）を持ちながらも、基盤モデルを無料開放することで、オープンソースコミュニティの開発力を味方につけようとしている。Stable Diffusionが画像生成で成し遂げたエコシステムの爆発的拡大を、動画・音声領域で再現しようとしているのだ。

AD

現時点での制約と課題

しかし、手放しで称賛するだけでは不公平だろう。資料からは、いくつかの技術的制約も見えてくる。

  1. 「ネイティブ4K」の定義: 厳密には、ベース生成は低解像度で行われ、モデル内の「潜在アップスケーラー（Latent Upscaler）」と「タイル化リファインメント（Tiled Refinement）」によって4K化されている。これはStability AIなどが採用する手法に近く、純粋な一発生成の4Kではない（ただし、実用上の品質は高い）。
  2. 20秒の壁: 20秒を超える長尺生成では、時間的な整合性が崩れたり（Temporal drift）、同期が甘くなったりする傾向があることが技術レポートで認められている。
  3. 言語バイアス: 学習データの偏りにより、マイナー言語での発話精度やリップシンクの質が低下する可能性がある。
  4. 複数話者の混乱: 画面内に複数の人物がいる場合、誰が話しているのかをモデルが混同するケース（話者属性の割り当てミス）が報告されている。

AI映像制作の「トーキー」革命

LTX-2の登場は、AI動画生成における「サイレント映画からトーキーへの移行」に匹敵する転換点である。
これまでは、高品質な動画を生成しても、それに合う音を探すか、別のAIで作って合成するという「編集作業」が必須だった。LTX-2はそれを過去のものとし、「プロンプトから完パケ（完成パッケージ）」への道を切り開いた。

特に、中小規模のスタジオや個人クリエイターにとって、OpenAIやGoogleのサーバーに依存せず、自社のIP（知的財産）を安全なローカル環境で学習・生成できるメリットは計り知れない。

Google検索やAI探索プラットフォームの視点で見れば、このニュースは単なる「新製品発表」ではなく、「生成AIのローカル回帰」と「マルチモーダル同期技術の標準化」という大きなトレンドの象徴として位置づけられるだろう。

LTX-2は、完璧ではないかもしれない。しかし、その「オープン性」こそが、世界中の開発者による改良を促し、数ヶ月後にはSoraやVeoを脅かす存在へと進化させる原動力となるはずだ。

Sources