Wie du einen guten LTX-2.5-Prompt schreibst (Video mit Ton)

Einen Videoprompt zu schreiben ist nicht dasselbe wie einen Bildprompt zu schreiben. Mit SDXL beschreibst du einen eingefrorenen Moment. Mit LTX-2.5 beschreibst du eine bewegte Einstellung mit Ton, also spielen plötzlich zwei Dinge eine Rolle, die du bisher nie berücksichtigt hast: Bewegung und Audio. Machst du das richtig, wirken deine Clips zielgerichtet; ignorierst du es, bekommst du eine steife, stumme Diashow. Dieser Guide zeigt dir, wie du LTX-2.5-Prompts schreibst, die sich wirklich bewegen und richtig klingen.

Der eine Fehler, den du vermeiden solltest: wie ein Bild prompten

Der häufigste Anfängerfehler ist, eine Szene statt einer Einstellung zu beschreiben. "Eine Frau in einem roten Kleid in einem Café" ist ein Bildprompt. LTX-2.5 rendert zwar etwas, aber ohne Bewegungshinweis muss das Modell raten, und es rät meistens konservativ (eine winzige Kopfbewegung, ein kurzes Flackern). Am Ende hast du einen nahezu statischen Clip.

Behebe das, indem du immer drei Fragen beantwortest, die das Modell aus einer statischen Beschreibung nicht ableiten kann:

• Was bewegt sich? (das Motiv, die Kamera oder beides)
• Wie verhält sich die Kamera? (statisch, Schwenk, Dolly, Handkamera)
• Was hören wir? (Ambiente, Stimme, Effekte)

Eine Prompt-Formel, die funktioniert

Stell dir einen LTX-2.5-Prompt als sechs Slots vor. Du brauchst nicht alle sechs jedes Mal, aber je mehr du füllst, desto mehr Kontrolle hast du:

Motiv + Aktion/Bewegung + Kamera + Setting/Licht + Stil + Audio

Ein Beispiel, Slot für Slot:

A young woman in a red dress (subject) turns toward the camera and smiles (action), slow dolly-in (camera), warm golden-hour light through a window (setting/lighting), cinematic, shallow depth of field (style), soft room tone with a faint vinyl crackle (audio).

Dieser eine Satz sagt LTX-2.5, was passiert, wie es gefilmt wird und wie es klingt. Das ist alles, was gefragt ist.

Bewegung mit Verben beschreiben

Bewegung steckt in Verben. Schwache Prompts sind voller Substantive und Adjektive; starke Prompts fügen Aktionswörter hinzu: turns, walks, leans, reaches, tilts, glances, breathes, sways, drifts. Beschränke dich auf eine klare Aktion pro kurzem Clip. Eine 5-Sekunden-Einstellung kann nicht zeigen, wie "sie aufsteht, zum Fenster geht, es öffnet und eine Zigarette anzündet", das sind vier Einstellungen. Lass ein einziges Ereignis passieren, treffe es, und generiere dann das nächste.

Die Sprache der Kamera sprechen

LTX-2.5 versteht kinematografische Begriffe. Nutze sie, um den Bildausschnitt zu steuern:

• Einstellungsgröße: close-up, medium shot, wide shot.
• Kamerabewegung: static shot, slow pan left, dolly-in, tracking shot, handheld.
• Feeling: locked-off und stabil, oder leichtes Handheld-Wackeln für mehr Realismus.

"Static shot, close-up" ist ein völlig anderer Clip als "handheld tracking shot, wide", selbst mit demselben Motiv. Entscheide die Kameraführung bewusst.

Den Ton prompten: das ist LTX-2.5s Superpower

Da LTX-2.5 Bild und Ton gleichzeitig generiert, kannst du das Audio direkt beschreiben, und du solltest es tun. Drei Ebenen, an die du denken solltest:

• Ambiente / Raumton: "quiet room tone", "rain on a window", "distant city traffic", "waves".
• Stimme / Dialog: beschreibe die Sprechweise ("a soft whisper", "a warm laugh") statt genauer Wörter, wenn es natürlich klingen soll.
• Effekte: "footsteps on wood", "a door creaks", "vinyl crackle", "a gentle breeze".

Sagst du nichts zum Audio, füllt LTX-2.5 es selbst, und es passt möglicherweise nicht zur gewünschten Stimmung. Ein kurzer Audio-Satz reicht in der Regel aus, um das Modell zu steuern.

Was sich mit 2.5 geändert hat und wie das deine Prompts beeinflusst

Version 2.5 hat drei Dinge verändert, die sich direkt auf dein Schreiben auswirken.

Du kannst eine Sequenz prompten, nicht nur eine Einstellung. LTX-2.5 generiert native Multi-Shot-Szenen: wide, dann medium, dann close-up, in einer einzigen Generierung, mit Figur, Licht und Stimme konsistent über alle Schnitte hinweg. Beschreibe also die Sequenz, anstatt drei Clips einzeln zu rendern und sie aneinanderzufügen. "Wide shot of her on the terrace at dusk, then medium as she turns toward the door, then close on her face as she speaks."

Kürzere Prompts funktionieren jetzt besser. Die Prompt-Verarbeitung wurde auf einen fein abgestimmten Gemma 4 12B-Encoder mit dediziertem Prompt-Enhancer umgestellt, der komplexe Anweisungen mit mehreren Motiven aus weniger Wörtern liest. Der alte Reflex, zwanzig Qualifikatoren zu stapeln, um ein Ergebnis zu erzwingen, ist jetzt kontraproduktiv: Er schränkt das Modell mehr ein, als es zu führen. Sag, was wichtig ist, lass den Füllstoff weg.

Hör auf, Frames zu zählen. Die Dauer wird aus der beschriebenen Aktion abgeleitet. Schreib die Aktion in ihrer natürlichen Länge, "she pours the coffee, looks up, and smiles", und lass das Modell die Clip-Länge bestimmen. Eine Länge manuell festzulegen und dann eine Aktion zu beschreiben, die nicht dazu passt, führt zu einem Clip, der abrupt endet.

Text-to-Video vs. Image-to-Video

Beide Einstiegspunkte wollen leicht unterschiedliche Prompts:

• Text-to-Video: du beschreibst alles, einschließlich des Motivs. Nutze die vollständige Sechs-Slot-Formel.
• Image-to-Video (empfohlen in tendre.AI): dein Standbild definiert bereits Motiv, Look und Bildausschnitt. Halte die Motivbeschreibung daher kurz und investiere deine Wörter in die Bewegung und das Audio, das du hinzufügen willst. Beispiel auf einem vorhandenen Porträt: "she slowly tilts her head, hair moving in a light breeze, subtle smile, static camera, soft breathing and distant city ambience". Du animierst, beschreibst das Motiv nicht neu.

Image-to-Video ist der Sweet Spot: Der Charakter, den du lokal festgelegt hast (mit einem LoRA oder einem festen Seed), wird direkt in den Clip übertragen, gleiches Gesicht, gleicher Stil.

Bei 1080p iterieren, bei 4K fertigstellen

Prompts werden gefunden, nicht geschrieben. Entwurf bei 1080p, damit jeder Versuch schnell ist: abspielen, anschauen und zuhören, eine Sache ändern (eine stärkere Kamerabewegung, ein klarerer Audio-Hinweis), erneut generieren. Wenn die Einstellung sitzt, re-rendere den Keeper in 4K. Ändere jeweils nur eine Variable, damit du weißt, was wirklich geholfen hat.

Zwei Beispiele, die du anpassen kannst

Text-to-Video, kinematografisch:

Medium shot of a woman by a rain-streaked window, she turns her head slowly toward the camera and smiles, slow dolly-in, moody blue evening light, cinematic film grain, soft rain on glass and a low ambient hum.

Image-to-Video, aus einem lokalen Standbild:

She breathes gently and blinks, a few strands of hair drift in a light breeze, static locked-off camera, shallow depth of field preserved, quiet room tone with a faint clock ticking.

Beide sind kurz, nennen eine klare Aktion, legen die Kamera fest und geben dem Ton eine Anweisung. Das ist das Muster.

Do und Don't

• Do: nenn eine Aktion, ein Kameraverhalten, eine Audio-Idee.
• Do: verwende kinematografische Begriffe (close-up, dolly-in, handheld).
• Don't: pack vier Aktionen in einen 5-Sekunden-Clip.
• Don't: lass Audio leer, wenn die Stimmung wichtig ist.
• Don't: beschreibe das Motiv in Image-to-Video neu, animiere es.

Wie das zu tendre.AI passt

In tendre.AI bleiben Bilder 100% lokal auf deiner eigenen GPU. LTX-2.5-Video läuft auf einer Cloud-GPU auf Abruf, abgerechnet pro Clip in Credits, du entwirfst Bilder also privat und gibst nur Credits aus, wenn du einen Keeper animierst. Da das Video von deinem lokalen Standbild ausgeht, wird der Charakter, den du aufgebaut hast, direkt in den Clip übertragen, gleiches Gesicht, gleicher Look, jetzt mit Bewegung und Ton.

Alles Generierte ist 100% synthetisch: Es wird keine reale Person dargestellt, und jedes Motiv ist eindeutig erwachsen.