Sådan skriver du et godt LTX-2.3-prompt (video med lyd)

At prompte en videomodel er ikke det samme som at prompte en billedmodel. Med SDXL beskriver du et frossent øjeblik. Med LTX-2.3 beskriver du et bevægende shot med lyd, og pludselig betyder to ting, du aldrig har skrevet før, alt: bevægelse og lyd. Får du dem rigtigt, føles dine klip intentionelle. Ignorerer du dem, ender du med en stiv, stille slideshow. Denne guide viser dig, hvordan du skriver LTX-2.3-prompts, der faktisk bevæger sig og lyder rigtigt.

Den ene fejl du skal undgå: at prompte som til et billede

Den mest almindelige begynderfejl er at beskrive en scene i stedet for et shot. "En kvinde i en rød kjole på en cafe" er et bildeprompt. LTX-2.3 renderer noget, men uden et bevægelsessignal må den gætte, og den gætter som regel småt (en lille hovedbevægelse, et glimt). Du ender med et næsten stilstående klip.

Løs det ved altid at besvare tre spørgsmål, som modellen ikke kan udlede af en statisk beskrivelse:

• Hvad bevæger sig? (motivet, kameraet eller begge)
• Hvordan opfører kameraet sig? (statisk, pan, dolly, håndholdt)
• Hvad hører vi? (stemning, stemme, effekter)

En prompt-formel der virker

Tænk på et LTX-2.3-prompt som seks pladser. Du behøver ikke alle seks hver gang, men jo flere du udfylder, jo mere kontrol får du:

Motiv + Handling/Bevægelse + Kamera + Omgivelser/Lys + Stil + Lyd

Eksempel, plads for plads:

En ung kvinde i en rød kjole (motiv) vender sig mod kameraet og smiler (handling), langsom dolly-in (kamera), varmt gyldent lys i solnedgangen gennem et vindue (omgivelser/lys), cinematisk, lavt dybdeskarphed (stil), blød rumtone med et svagt vinylknirk (lyd).

Den ene sætning fortæller LTX-2.3, hvad der sker, hvordan det er filmet, og hvad det lyder som. Det er hele opgaven.

Beskriv bevægelse med verber

Bevægelse lever i verber. Svage prompts er fulde af substantiver og adjektiver. Stærke prompts tilføjer handlingsord: vender sig, går, læner sig, rækker ud, vippes, kaster et blik, trækker vejret, svinger, driver. Hold dig til én klar handling per kort klip. Et 5-sekunders shot kan ikke vise "hun rejser sig op, går hen til vinduet, åbner det og tænder en cigaret", det er fire shots. Bed om ét beat, land det, og generer derefter det næste.

Tal kameraets sprog

LTX-2.3 forstår filmsprog. Brug det til at styre billedudsnittet:

• Shot-størrelse: close-up, halvtotal, total.
• Kamerabevægelse: statisk shot, langsom pan til venstre, dolly-in, tracking shot, håndholdt.
• Fornemmelse: låst og stabilt, eller subtil håndholdt svaj for realisme.

"Statisk shot, close-up" er et helt andet klip end "håndholdt tracking shot, total", selv med det samme motiv. Beslut kameraet med vilje.

Prompt lyden, det er LTX-2.3's superpower

Fordi LTX-2.3 genererer billede og lyd sammen, kan du skrive lyden direkte, og det bør du. Tre lag at tænke over:

• Stemning / rumtone: "stille rumtone", "regn mod et vindue", "fjern bytrafikk", "bølger".
• Stemme / dialog: beskriv leveringen ("en blød hvisken", "en varm latter") frem for præcise ord, hvis du vil have det naturligt.
• Effekter: "fodtrin på trægulv", "en dør knirker", "vinylknirk", "en blid brise".

Siger du ingenting om lyd, fylder LTX-2.3 det ud på egen hånd, og det passer måske ikke til den stemning, du ønskede. En kort lydfrase er som regel nok til at styre den.

Tekst-til-video vs. billede-til-video

De to indgange ønsker lidt forskellige prompts:

• Tekst-til-video: du beskriver alt, inklusive motivet. Brug den fulde seks-plads-formel.
• Billede-til-video (anbefalet i tendre.AI): dit stillbillede definerer allerede motivet, looket og indramningen. Så hold motivbeskrivelsen let og brug dine ord på den bevægelse og lyd, du vil tilføje. Eksempel oven på et eksisterende portræt: "hun vipper langsomt hovedet, håret bevæger sig i en let brise, subtilt smil, statisk kamera, blød vejrtrækning og fjern byambience". Du animerer, du beskriver ikke forfra.

Billede-til-video er det søde punkt: den karakter, du har låst lokalt (med en LoRA eller et fast seed), føres direkte over i klippet, samme ansigt, samme stil.

Iterér ved 1080p, afslut i 4K

Prompts findes, de skrives ikke færdige første gang. Udkast ved 1080p, så hvert forsøg er hurtigt: kør det, se og lyt, skift én ting (en stærkere kamerabevægelse, et klarere lydsignal), kør igen. Når shottet lander, re-render keeperen i 4K. Skift én variabel ad gangen, så du ved, hvad der faktisk hjalp.

To eksempler du kan tilpasse

Tekst-til-video, cinematisk:

Halvtotal af en kvinde ved et regnvådt vindue, hun vender langsomt hovedet mod kameraet og smiler, langsom dolly-in, mørkblåt aftenlys, cinematisk filmkorn, blød regn mod glas og en lav ambient-summen.

Billede-til-video, fra et lokalt stillbillede:

Hun trækker vejret blidt og blinker, et par hårstrimler driver i en let brise, statisk låst kamera, lavt dybdeskarphed bevaret, stille rumtone med et svagt urens tikken.

Begge er korte, nævner én klar handling, sætter kameraet og giver lyden én instruktion. Det er mønstret.

Gør og gør ikke

• Gør nævn én handling, én kameraopførsel, én lydidé.
• Gør brug filmsprog (close-up, dolly-in, håndholdt).
• Gør ikke stabel fire handlinger i ét 5-sekunders klip.
• Gør ikke lad lyden stå tom, hvis stemningen betyder noget.
• Gør ikke genbeskriv motivet i billede-til-video, animer det.

Sådan passer det ind i tendre.AI

I tendre.AI forbliver billeder 100% lokale på din egen GPU. LTX-2.3-video kører på en cloud-GPU efter behov, faktureret per klip i credits, så du udkaster billeder privat og bruger kun credits, når du animerer en keeper. Fordi video starter fra dit lokale stillbillede, bærer den karakter, du har bygget, over i klippet, samme ansigt, samme look, nu med bevægelse og lyd.

Alt genereret er 100% syntetisk: ingen rigtig person afbildes, og ethvert motiv er utvetydigt en voksen.