Lightricks：LTX-2高效高质量长视频与音频生成模型

LTX-2 是一款由 Lightricks 开发的开源多模态基座模型，旨在通过文本指令同步生成高质量的视频与音频内容。该模型采用了创新的非对称双流 Transformer 架构，将 140 亿参数的视频流与 50 亿参数的音频流相结合，通过双向跨模态注意力机制实现了视听元素的精准对齐。为了增强对复杂指令的理解，研究团队引入了多语言文本编码器和独特的“思考令牌”技术，显著提升了语音合成的准确性与情感表达。实验数据表明，LTX-2 在生成速度上大幅领先同类开源模型，且在视觉逼真度与音效连贯性方面可媲美顶级商业系统。目前，该模型的权重与代码已全部公开，为长视频创作与多模态研究提供了高效的基础设施。