Lightricks ha publicado LTX-2.5 con los pesos abiertos en Hugging Face, un modelo de vídeo y audio de 22.000 millones de parámetros que se puede descargar y ajustar en hardware propio. La licencia permite uso comercial y de producción sin pagar si la empresa factura menos de 10 millones de dólares al año. Por encima de esa cifra hace falta un acuerdo comercial.
Puntos clave
- DiT (transformer de difusión) de 22.000 millones de parámetros, en versión completa entrenable y en versión destilada de 8 pasos con CFG=1.
- Codificador de texto propio basado en Gemma 4 de 12.000 millones de parámetros.
- Licencia LTX-2.x Community: gratis por debajo de 10 millones de dólares de facturación, contando la entidad completa con filiales y afiliadas.
- Generación multiplano nativa: varias tomas conectadas en una sola pasada, manteniendo identidad de personaje, entorno, iluminación, voz y estilo entre cortes.
Qué cambia frente a la versión anterior
La novedad que más se nota es el multiplano. Las versiones previas de LTX producían una toma continua: un plano, sin cortes. LTX-2.5 genera varias tomas encadenadas en una sola pasada y mantiene coherentes el personaje, el escenario, la luz y la voz a través de los cortes.
Eso suena a detalle de vídeo y es en realidad la diferencia entre generar un clip y generar una secuencia. Cualquiera que haya intentado montar 30 segundos de vídeo generado sabe el problema: cada plano sale de una generación distinta y el personaje cambia de cara entre uno y otro.
Por debajo hay tres cambios de arquitectura. El decodificador de difusión sustituye a la fase de reconstrucción con VAE, y según Lightricks da caras, texturas y texto en pantalla más nítidos, con menos artefactos en escenas exigentes. El renderizado de fidelidad variable reparte cómputo según la complejidad de la escena en lugar de aplicar la misma compresión a todo. Y el codificador de texto basado en Gemma 4 de 12.000 millones aguanta prompts complejos con varios personajes, movimientos de cámara e iluminación sin ir perdiendo detalles por el camino.
Hay dos extras opcionales: un mejorador de prompt que expande una instrucción corta en indicaciones cinematográficas, y un predictor de duración que calcula la longitud del clip a partir del prompt en lugar de obligar a fijar los fotogramas a mano.
Cómo se ejecuta
El modelo no viene en un fichero único. Se distribuye en piezas separadas, un .safetensors por componente, alineado con la forma de trabajar de ComfyUI. Hay checkpoints en bf16 para PyTorch, en int8 para ComfyUI y en NVFP4 para tarjetas Blackwell.
El destilado es la vía práctica para la mayoría: 8 pasos fijos, sin guía de clasificador libre, y según Lightricks retiene bastante de la calidad visual, la fidelidad al prompt y la consistencia de movimiento del modelo completo.
Se puede usar desde Python con `ltx-pipelines`, desde ComfyUI o desde Diffusers. Y hay API de pago para quien no quiera montar infraestructura.
Por qué importa
El umbral de los 10 millones de dólares de facturación es la parte comercialmente relevante. Una agencia, un estudio pequeño o el equipo de marketing de una pyme española pueden usarlo en producción sin pagar licencia. Y contra lo que suele pasar con las APIs de vídeo, no hay facturación por generación ni bloqueo por asientos.
El coste se mueve de la factura a la máquina. 22.000 millones de parámetros con codificador de texto de 12.000 encima piden una GPU seria, y ahí es donde hay que hacer el cálculo honesto: alquilar una H100 por horas frente a pagar por segundo generado. Si el volumen es bajo, la API sale más barata. Si generáis vídeo a diario, la ecuación cambia.
Ojo con la letra pequeña de la licencia: los 10 millones se miden sobre la entidad completa, incluidas filiales y empresas bajo control común. Y transferir un fine-tune puede requerir licencia de pago. Si vais a ajustar el modelo con material propio y luego venderlo o cederlo, eso hay que mirarlo antes, no después.
Relacionado
