LTX-2.5 ออกแล้วเป็น open weights — โมเดลวิดีโอ 22B ที่ตัด multishot ได้ในรอบเดียว และรันบน RTX ตัวเดียวได้จริง

เมื่อ 11 สิงหาคม 2026 Lightricks ปล่อย LTX-2.5 ออกมาเป็น open weights บน Hugging Face ต่อจาก LTX-2 ที่เปิดซอร์สไปเมื่อต้นปี จุดที่ทำให้รุ่นนี้น่าสนใจกว่าการอัปเดตเวอร์ชันปกติคือมันไม่ได้ขายแค่ “คุณภาพวิดีโอดีขึ้น” แต่ขายสองอย่างที่นักพัฒนาสนใจโดยตรง — การตัดต่อหลายช็อตในการ generate รอบเดียว (native multishot) และ การรันบนการ์ดจอที่มีอยู่แล้ว แทนที่จะต้องเรียก API ของใคร

Lightricks เรียกมันว่า “world model” ไม่ใช่แค่ text-to-video เพราะนอกจากงานสร้างคลิปแล้ว ยังมีเช็คพอยต์แยกสำหรับงาน robotics / physical AI ให้ fine-tune ต่อ ซึ่งเป็นทิศทางเดียวกับที่หลายค่ายกำลังเบนไปในปีนี้ — จากโมเดลที่ “วาดวิดีโอสวย” ไปเป็นโมเดลที่ “เข้าใจว่าโลกเคลื่อนที่ยังไง”

มีอะไรอยู่ในกล่องบ้าง

โครงสร้างที่ปล่อยออกมา (รวมทุกชิ้นราว 66 GB) ประกอบด้วย:

• Transformer 22B สองเช็คพอยต์ — 22b-dev ตัวเต็มสำหรับเทรนต่อ/คุณภาพสูงสุด และ 22b-distilled ตัวกลั่นที่เร็วกว่ามาก (รอบนี้ Lightricks ระบุว่าตัว distilled ถูกปรับปรุงขึ้นชัดเจนจาก LTX-2)
• Text encoder เป็น Gemma 4 12B ที่ fine-tune มาสำหรับ LTX โดยเฉพาะ — เป็นเหตุผลที่มันเข้าใจ prompt ยาว ๆ ที่มีเงื่อนไขซ้อนกันได้ดีขึ้น
• VAE สองชุด — ตัวถอดวิดีโอมีให้เลือกทั้งแบบ diffusion decoder ตัวใหม่ (ลด artifact ในฉากที่เคลื่อนไหวเร็ว) และแบบ convolution เดิมที่เบากว่า บวก audio VAE แยกสำหรับงานเสียง
• Upscaler เชิงพื้นที่และเชิงเวลา บวก Duration Head ที่เป็นออปชัน — ถ้าไม่อยากกำหนด --num-frames เอง ให้โมเดลเดาความยาวที่เหมาะสมจาก prompt ได้

ความสามารถหลักครอบคลุม text-to-video, image-to-video, video-to-video และการสร้างเสียงที่ซิงก์กับภาพ โดยจุดขายใหม่คือ multishot — สั่งให้ออกมาเป็นหลายช็อตที่ตัดสลับกันโดยที่หน้าตัวละครและโทนภาพยังคงเดิม จบในการ generate ครั้งเดียว ซึ่งเดิมต้องต่อคลิปเองทีละช็อตแล้วมาลุ้นว่าตัวละครจะหน้าเหมือนกันไหม

เรื่องความเร็วและฮาร์ดแวร์ — อ่านตัวเลขให้ตรง

ตัวเลขที่ถูกพาดหัวกันมากคือ คลิป 10 วินาที 720p จากภาพนิ่ง สร้างเสร็จใน 6.8 วินาที ซึ่งเร็วกว่าเวลาจริงของคลิป แต่ต้องอ่านเงื่อนไขให้ครบ: ตัวเลขนี้วัดบน NVIDIA GB200 สองตัว ไม่ใช่บนเครื่องที่บ้าน ส่วนการเรียกผ่าน LTX API อยู่ที่ราว 23.7 วินาที

สำหรับนักพัฒนาทั่วไป ประเด็นที่ใช้งานได้จริงมากกว่าคือ Lightricks ปรับให้รันบน RTX ระดับผู้บริโภค, DGX Spark และแม้แต่ Mac ได้ โดยลด VRAM ที่ต้องใช้ลง — repo แนะนำให้เปิด --quantization fp8-cast ร่วมกับ --offload cpu หรือ --offload disk เมื่อการ์ดหน่วยความจำไม่พอ วิธีนี้แลกความเร็วกับความเป็นไปได้ ซึ่งเป็นการแลกที่คนรันเองยอมจ่ายอยู่แล้ว

ฝั่งเครื่องมือ มี pipeline แบบสั่งจากบรรทัดคำสั่งใน repo Lightricks/LTX-2 บน GitHub และตัว repo ชี้ให้ผู้ใช้ ComfyUI ไปที่ปลั๊กอิน ComfyUI-LTXVideo — โดยรายงานข่าวระบุว่ารองรับ ComfyUI ตั้งแต่วันแรก แม้ตอนที่เขียนอยู่นี้ README ของปลั๊กอินจะยังไล่รายการถึงแค่ LTX-2 / LTX-2.3 ใครจะใช้เส้นทางนี้ควรเช็กเวอร์ชันปลั๊กอินก่อน

ใบอนุญาต: เปิด แต่มีเพดานรายได้

น้ำหนักอยู่ภายใต้ LTX-2 Community License Agreement ไม่ใช่ Apache 2.0 หรือ MIT เงื่อนไขคือ องค์กรที่มีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ใช้เชิงพาณิชย์ได้ฟรี ส่วนที่เกินกว่านั้นต้องไปเจรจาสัญญาเชิงพาณิชย์กับ Lightricks นอกจากนี้ repo บน Hugging Face เป็นแบบ gated — ต้องกดยอมรับเงื่อนไขและแชร์ข้อมูลติดต่อก่อนจึงจะโหลดไฟล์ได้

นี่คือรูปแบบ “open weights” ที่กำลังกลายเป็นมาตรฐานของโมเดลสื่อ — เปิดพอให้สตูดิโอเล็ก ฟรีแลนซ์ และนักวิจัยใช้ได้เต็มที่ แต่กันช่องไว้เก็บเงินจากบริษัทใหญ่ ควรระวังว่ามันไม่ใช่ open source ในนิยามของ OSI และถ้าธุรกิจโตข้ามเส้น 10 ล้านดอลลาร์เมื่อไหร่ ต้นทุนสัญญาจะโผล่มาทันที

มุมมอง AI Curator

สิ่งที่ LTX-2.5 เปลี่ยนจริง ๆ ไม่ใช่ตัวเลข 6.8 วินาทีบนซูเปอร์ชิปที่แทบไม่มีใครมี แต่คือ multishot เพราะมันเป็นครั้งแรกที่ฟีเจอร์ระดับ “งานตัดต่อ” ถูกย้ายเข้าไปอยู่ในตัวโมเดลเปิด ก่อนหน้านี้การได้คลิปยาวที่มีหลายมุมกล้องคือปัญหาของ pipeline ข้างนอก — สร้างทีละช็อต ล็อกหน้าตัวละครด้วย LoRA หรือ reference แล้วมาต่อกันใน editor ซึ่งพังบ่อยและควบคุมยาก การยุบขั้นตอนนั้นเข้าไปในรอบ generate เดียวคือการลดงานมนุษย์ลงหนึ่งชั้นเต็ม ๆ

น่าสังเกตว่าเราเพิ่งเขียนถึง Seedance 2.5 ของ ByteDance เมื่อ 9 ส.ค. ที่ทำวิดีโอพร้อมเสียง 30 วินาทีในรอบเดียว — ห่างกันสองวัน สองค่าย แข่งกันในโจทย์เดียวกันคือ “คลิปยาวขึ้น คุมได้มากขึ้น จบในรอบเดียว” ต่างกันที่ Seedance เป็นบริการปิด ส่วน LTX-2.5 โหลดมารันเองได้ นี่คือเส้นแบ่งที่สำคัญสำหรับคนทำงานจริง: ถ้างานมีข้อจำกัดเรื่องความลับของฟุตเทจ ลูกค้า หรือหน้าคน การรันในเครื่องตัวเองไม่ใช่แค่เรื่องประหยัด แต่เป็นเงื่อนไขที่ทำให้รับงานได้หรือไม่ได้

สำหรับตลาดไทยและ SEA จุดนี้ตรงเป้าเป็นพิเศษ เอเจนซี่และโปรดักชันเฮาส์ขนาดกลางในภูมิภาคนี้ส่วนใหญ่อยู่ต่ำกว่าเพดาน 10 ล้านดอลลาร์อย่างสบาย ๆ แปลว่าใบอนุญาตนี้ = ฟรีสำหรับพวกเขา และต้นทุนที่เหลือคือการ์ดจอกับเวลาเรียนรู้ ComfyUI ซึ่งถูกกว่าค่า API รายเดือนมากเมื่อทำงานปริมาณเยอะ ข้อควรระวังคืออย่าเพิ่งเชื่อว่ามันจะเร็วเหมือนในพาดหัว — บน RTX ตัวเดียวที่ต้อง offload ลง CPU หรือดิสก์ ความเร็วจะคนละโลกกับ GB200 คู่ ให้วัดเวลาจริงบนเครื่องตัวเองก่อนไปสัญญาเดดไลน์กับลูกค้า

อีกเรื่องที่ควรจับตาคือเช็คพอยต์ physical AI เพราะถ้าโมเดลวิดีโอเปิดเริ่มถูกใช้เป็นตัว simulate สภาพแวดล้อมสำหรับหุ่นยนต์ ตลาดของมันจะกว้างกว่าวงการคอนเทนต์มาก และคนที่ได้เปรียบคือฝั่งที่ปล่อยน้ำหนักออกมาให้แก้ได้ ไม่ใช่ฝั่งที่ให้เรียกผ่าน endpoint

แหล่งข่าว

• Lightricks/LTX-2.5 — model card บน Hugging Face
• Lightricks/LTX-2 — โค้ดและวิธีรันบน GitHub
• MarkTechPost — LTX-2.5 Launches as NVIDIA-Accelerated Open Weights World Model (11 ส.ค. 2026)
• ComfyUI-LTXVideo — ปลั๊กอินสำหรับ ComfyUI