M4 MaxでAI動画生成！mlx-video × LTX-2 を試してみた【正直レビュー】

「M4 Maxでリアルな動画を生成できる」

そんな噂を聞いて、実際に試してみた。結論から言うと、動くことは動く。ただし、品質は商用モデルに及ばない。

この記事では、Apple Silicon（M4 Max）で動作するオープンソースの動画生成モデルLTX-2を、mlx-videoフレームワークを使って実際に動かした結果を、良い点も悪い点も含めて正直にレポートする。

なお、今回の検証はインストールから動画生成、この記事の執筆まで、すべてClaude Code（AIコーディングアシスタント）で実行した。その体験についても後述する。

---

目次

1. mlx-video と LTX-2 とは
2. M4 Max で動画生成を試す
3. 実際のターミナルログを解説
4. 生成した動画（実際の出力）
5. 正直な品質評価
6. 技術的な詳細データ
7. トラブルシューティング
8. 商用モデルとの比較
9. Claude Codeで全自動化した話
10. どんな人に向いているか
11. まとめ

---

1. mlx-video と LTX-2 とは

MLXフレームワーク

MLXは、Appleが開発したApple Silicon専用の機械学習フレームワークだ。PyTorchやTensorFlowとは異なり、Apple Siliconの「ユニファイドメモリ」アーキテクチャに最適化されている。

CPUとGPUが同じメモリ空間を共有するため、データ転送のオーバーヘッドがなく、大規模モデルを効率的に実行できる。

LTX-2モデル

LTX-2は、Lightricks社が開発した19Bパラメータの動画生成モデルだ。オープンソースとして公開されており、テキストから動画を生成できる。

mlx-video

mlx-videoは、LTX-2をMLXフレームワークで動かすためのPythonパッケージだ。Apple Silicon Mac上でテキストから動画を生成できる。

---

2. M4 Max で動画生成を試す

テスト環境

セットアップ手順

インストールは非常にシンプルだ。

# 作業ディレクトリを作成
mkdir mlx-video-test && cd mlx-video-test

# 仮想環境を作成
python3 -m venv venv
source venv/bin/activate

# mlx-videoをインストール
pip install git+https://github.com/Blaizzy/mlx-video.git

動画生成コマンド

# 512x512で生成
python -m mlx_video.generate \
  --prompt "A golden retriever dog running through a sunny meadow with flowers" \
  --height 512 --width 512 \
  --num-frames 49 \
  --output-path output.mp4 \
  --verbose

# 768x768（高品質）で生成
python -m mlx_video.generate \
  --prompt "A golden retriever dog running through a sunny meadow with colorful wildflowers, golden hour sunlight, cinematic depth of field, photorealistic, 8K quality" \
  --height 768 --width 768 \
  --num-frames 97 \
  --output-path output-hq.mp4 \
  --verbose

初回実行時の注意：モデルのダウンロード（約273GB、63ファイル）に約2時間かかる。2回目以降はキャッシュが効くため、生成のみで済む。

---

3. 実際のターミナルログを解説

実際の生成時に出力されるログを解説する。これを理解しておくと、処理の進捗状況を正確に把握できる。

初回実行時のログ

⚠️  Number of frames must be 1 + 8*k. Using nearest valid value: 49
🎬 [T2V] Generating 512x512 video with 49 frames
Prompt: A golden retriever dog running through a sunny meadow...
Downloading LTX-2 model weights...
Fetching 63 files: 100%|██████████| 63/63 [2:14:53<00:00, 128.46s/it]

解説：

• ⚠️ Number of frames must be 1 + 8*k – フレーム数が制約に合わない場合の警告
• 🎬 [T2V] – Text-to-Video モードで生成開始
• Fetching 63 files – モデルは63個のファイルに分割されている

モデル読み込みのログ

📝 Loading text encoder...
Text encoder loaded successfully
🤖 Loading transformer...

解説：

• text encoder – プロンプトをベクトルに変換するモデル
• transformer – 動画生成の本体（19Bパラメータ）

2段階生成パイプラインのログ

⚡ Stage 1: Generating at 256x256 (8 steps)...
Denoising: 100%|██████████| 8/8 [00:09<00:00, 1.17s/it]
🔍 Upsampling latents 2x...
Loading spatial upsampler from ~/.cache/huggingface/hub/models--Lightricks--LTX-2/...
  Detected mid_channels: 1024
  Loaded 73 weights
⚡ Stage 2: Refining at 512x512 (3 steps)...
Denoising: 100%|██████████| 3/3 [00:11<00:00, 3.75s/it]

解説：

• Stage 1：まず低解像度（256×256）で8ステップのデノイジング（ノイズ除去）を実行
• Upsampling：空間アップスケーラー（73 weights）で潜在空間を2倍に拡大
• Stage 2：目標解像度（512×512）で3ステップの精製処理

VAEデコードと完了のログ

🎞️  Decoding video...
  Tiling: disabled
Loading VAE decoder from ~/.cache/huggingface/hub/models--Lightricks--LTX-2/...
  Auto-detected timestep_conditioning=False from weights
  Loaded latent mean: shape (128,)
  Loaded latent std: shape (128,)
  Found 90 decoder weights
✅ Saved video to /Users/shinji/Desktop/mlx-dog.mp4
🎉 Done! Generated in 8144.5s (166.22s/frame)
✨ Peak memory: 37.60GB

解説：

• VAE decoder：潜在空間（latent space）から実際の動画ピクセルにデコード
• latent mean/std：正規化パラメータ（128次元）
• 90 decoder weights：VAEデコーダーの重み数
• Peak memory: 37.60GB：生成中の最大メモリ使用量

---

4. 生成した動画（実際の出力）

実際に生成した動画を見てほしい。

512×512版（49フレーム）

プロンプト: “A golden retriever dog running through a sunny meadow with flowers, cinematic lighting”

768×768版（97フレーム・高品質設定）

プロンプト: “A golden retriever dog running through a sunny meadow with colorful wildflowers, golden hour sunlight, cinematic depth of field, photorealistic, 8K quality”

---

5. 正直な品質評価

率直に言う。品質は商用モデルに及ばない。

良い点

限界・課題

体感品質の比較

---

6. 技術的な詳細データ

実際の生成で得られた技術データを公開する。

512×512版の生成データ

768×768版の生成データ

重要なポイント：初回はモデルダウンロード（273GB）で時間がかかるが、2回目以降はキャッシュが効くため、生成時間は約2時間 → 約2分と劇的に短縮される。

生成パイプラインの詳細

LTX-2は効率的な2段階パイプラインで動画を生成する：

---

7. トラブルシューティング

フレーム数のエラー

⚠️  Number of frames must be 1 + 8*k. Using nearest valid value: 49

原因：LTX-2はフレーム数に「1 + 8k」の制約がある。

解決策：有効なフレーム数を指定する。

モデルダウンロードが止まって見える

273GBのダウンロードは時間がかかる。進捗バーが動かないように見えても、実際はダウンロード中の場合がある。

進捗確認コマンド：

# キャッシュディレクトリのサイズを確認
du -sh ~/.cache/huggingface/hub/models--Lightricks--LTX-2

# ダウンロード済みファイル数を確認
ls ~/.cache/huggingface/hub/models--Lightricks--LTX-2/blobs/ | wc -l

ファイル数が63に達し、サイズが約273GBになればダウンロード完了。

メモリ不足エラー

推奨メモリ量：

deprecation warning

FutureWarning: `resume_download` is deprecated and will be removed in version 1.0.0.

対処：無視して問題ない。huggingface_hubの内部警告で、動作に影響はない。

---

8. 商用モデルとの比較

なぜ品質差があるのか

商用モデル（Sora 2、Gemini veo 3.1など）とオープンソースモデル（LTX-2）の品質差には、明確な理由がある。

オープンソースの価値

品質では劣るが、オープンソースには独自の価値がある：

• 透明性 – モデルの仕組みが公開されている
• カスタマイズ性 – 自分のユースケースに合わせて調整可能
• プライバシー – データがローカルに留まる
• コスト – 初期投資（高性能Mac）以外は無料
• 学習教材 – 動画生成AIの仕組みを学べる

---

9. Claude Codeで全自動化した話

今回の検証で特筆すべきは、インストールから動画生成、この記事の執筆まで、すべてClaude Code（AIコーディングアシスタント）で実行したことだ。

Claude Codeとは

Claude Codeは、Anthropic社が開発したAIコーディングアシスタントだ。ターミナルコマンドの実行、ファイルの読み書き、Web検索など、開発作業を自然言語で指示できる。

実際のワークフロー

今回のワークフローは以下の通り：

1. 調査フェーズ：「M4 Maxで動くオープンソースの動画生成モデルを探して」と指示。Claude CodeがWeb検索でmlx-videoとLTX-2を発見。
2. 環境構築：「インストールして」と指示。仮想環境の作成からpipインストールまで自動実行。
3. 動画生成：「犬が走る動画を生成して」と指示。プロンプト作成からコマンド実行まで自動。
4. モニタリング：273GBのダウンロード中、進捗確認コマンドを定期実行して状況を報告。
5. 品質評価：生成された動画について率直な評価をフィードバック。
6. 記事作成：技術的なログを解析し、この記事を自動生成。
7. WordPress投稿：WP-CLIで記事を投稿し、アイキャッチ画像やSEO設定も自動化。

Claude Codeの強み

「AIがAI動画生成ツールをセットアップし、動画を生成し、その体験記事を書く」という、なかなかメタな体験だった。

---

10. どんな人に向いているか

向いている人

向いていない人

---

11. まとめ

M4 MaxでLTX-2を使った動画生成を試した結果をまとめる。

数字で見る今回の検証

今後の期待

オープンソースの動画生成モデルは急速に進化している。LTX-2も定期的にアップデートされており、今後の品質向上に期待したい。

Apple Siliconの性能向上と相まって、「ローカルで商用レベルの動画生成」が実現する日もそう遠くないかもしれない。

---

関連リンク

• mlx-video GitHub
• LTX-2 モデル（Hugging Face）
• Apple MLX 公式ドキュメント
• Claude Code