Come Scrivere un Buon Prompt per LTX-2.5 (Video con Audio)

Fare un prompt a un modello video non è come farlo a un modello di immagini. Con SDXL descrivi un momento congelato. Con LTX-2.5 descrivi una ripresa in movimento con audio, quindi due cose che non hai mai scritto prima diventano improvvisamente fondamentali: il movimento e l'audio. Azzeccali e i tuoi clip sembrano intenzionali; ignorali e ottieni una slideshow rigida e silenziosa. Questa guida ti mostra come scrivere prompt LTX-2.5 che si muovono davvero e suonano bene.

L'unico errore da evitare: fare il prompt come per un'immagine

L'errore più comune dei principianti è descrivere una scena invece di una ripresa. "Una donna in abito rosso in un caffè" è un prompt da immagine. LTX-2.5 renderizzerà qualcosa, ma senza indicazioni di movimento dovrà indovinare, e di solito indovina in piccolo (un leggero movimento della testa, un fremito). Ti ritrovi con un clip quasi fermo.

Risolvilo rispondendo sempre a tre domande che il modello non riesce a dedurre da una descrizione statica:

• Cosa si muove? (il soggetto, la camera, o entrambi)
• Come si comporta la camera? (statica, panoramica, dolly, a mano libera)
• Cosa sentiamo? (ambiente sonoro, voce, effetti)

Una formula per i prompt che funziona

Pensa a un prompt LTX-2.5 come a sei slot. Non hai bisogno di riempirli tutti ogni volta, ma più ne compili, più controllo ottieni:

Soggetto + Azione/Movimento + Camera + Ambientazione/Luce + Stile + Audio

Esempio, slot per slot:

Una giovane donna in abito rosso (soggetto) si gira verso la camera e sorride (azione), lento dolly-in (camera), calda luce dorata al tramonto attraverso una finestra (ambientazione/luce), cinematografico, ridotta profondità di campo (stile), leggero tono di stanza con un fievole crepitio di vinile (audio).

Quella singola frase dice a LTX-2.5 cosa succede, come viene filmato e come suona. È tutto ciò che serve.

Descrivi il movimento con i verbi

Il movimento vive nei verbi. I prompt deboli sono pieni di sostantivi e aggettivi; i prompt forti aggiungono parole d'azione: si gira, cammina, si sporge, allunga la mano, inclina la testa, lancia un'occhiata, respira, ondeggia, scivola. Limitati a un'azione chiara per ogni clip breve. Una ripresa da 5 secondi non può mostrare "si alza, cammina verso la finestra, la apre e accende una sigaretta", sono quattro riprese. Chiedi un singolo momento, catturalo, poi genera il successivo.

Parla il linguaggio della camera

LTX-2.5 capisce i termini cinematografici. Usali per controllare l'inquadratura:

• Dimensione dell'inquadratura: primo piano, piano medio, campo lungo.
• Movimento camera: ripresa statica, lenta panoramica sinistra, dolly-in, ripresa in movimento, a mano libera.
• Sensazione: bloccata e stabile, oppure leggero dondolio a mano libera per realismo.

"Ripresa statica, primo piano" è un clip completamente diverso da "ripresa a mano libera in movimento, campo lungo", anche con lo stesso soggetto. Scegli la camera in modo consapevole.

Fai il prompt dell'audio, questo è il superpotere di LTX-2.5

Poiché LTX-2.5 genera immagine e audio insieme, puoi scrivere l'audio direttamente, e dovresti farlo. Tre livelli a cui pensare:

• Ambiente sonoro / tono di stanza: "tono di stanza quieto", "pioggia su un vetro", "traffico cittadino in lontananza", "onde".
• Voce / dialogo: descrivi la resa ("un sussurro morbido", "una risata calda") piuttosto che le parole esatte se vuoi un risultato naturale.
• Effetti: "passi sul legno", "una porta che scricchiola", "crepitio di vinile", "una leggera brezza".

Se non dici nulla sull'audio, LTX-2.5 lo gestisce da solo, e potrebbe non corrispondere all'atmosfera che volevi. Di solito basta una breve frase sull'audio per guidarlo.

Cosa è cambiato con la 2.5 e come cambia i tuoi prompt

La versione 2.5 ha modificato tre cose che influenzano direttamente come scrivi.

Puoi fare il prompt di una sequenza, non solo di una ripresa. LTX-2.5 genera scene multi-ripresa native: campo lungo, poi piano medio, poi primo piano, in una singola generazione, con il personaggio, la luce e la voce mantenuti coerenti tra i tagli. Quindi descrivi la sequenza invece di renderizzare tre clip e cercare di abbinarli. "Campo largo di lei sulla terrazza al tramonto, poi piano medio mentre si gira verso la porta, poi primo piano sul suo viso mentre parla."

I prompt più brevi ora funzionano meglio. La gestione dei prompt è passata a un encoder Gemma 4 12B fine-tunato con un prompt enhancer dedicato, che legge istruzioni complesse e con più soggetti da meno parole. Il vecchio riflesso di impilare venti qualificatori per forzare un risultato è ora controproducente: vincola il modello più di quanto lo guidi. Di' quello che conta, elimina il superfluo.

Smettila di contare i fotogrammi. La durata viene dedotta dall'azione che descrivi. Scrivi l'azione nella sua lunghezza naturale, "versa il caffè, alza lo sguardo e sorride", e lascia che il modello dimensioni il clip. Impostare una durata a mano e poi descrivere un'azione che non si adatta è il modo per ottenere un finale che sembra troncato.

Testo in video vs immagine in video

I due punti di ingresso richiedono prompt leggermente diversi:

• Testo in video: descrivi tutto, soggetto incluso. Usa la formula completa a sei slot.
• Immagine in video (consigliato in tendre.AI): la tua immagine fissa definisce già il soggetto, l'aspetto e l'inquadratura. Quindi mantieni la descrizione del soggetto leggera e dedica le parole al movimento e all'audio che vuoi aggiungere. Esempio su un ritratto esistente: "inclina lentamente la testa, capelli mossi da una leggera brezza, sorriso sottile, camera statica, respiro lieve e lontano rumore di città". Stai animando, non re-descrivendo.

L'immagine in video è il punto di forza: il personaggio che hai fissato localmente (con un LoRA o un seed fisso) passa direttamente nel clip, stessa faccia, stesso stile.

Itera a 1080p, finalizza a 4K

I prompt si trovano, non si scrivono. Lavora in bozza a 1080p così ogni tentativo è veloce: eseguilo, guarda e ascolta, cambia una cosa (un movimento camera più deciso, un cue audio più chiaro), poi esegui di nuovo. Quando la ripresa funziona, ri-renderizza il keeper in 4K. Cambia una variabile alla volta così sai cosa ha davvero fatto la differenza.

Due esempi da adattare

Testo in video, cinematografico:

Piano medio di una donna davanti a una finestra rigata di pioggia, gira lentamente la testa verso la camera e sorride, lento dolly-in, atmosfera blu serale, grana cinematografica, pioggia leggera sul vetro e un basso ronzio ambientale.

Immagine in video, da un'immagine locale:

Respira delicatamente e sbatte le palpebre, alcune ciocche di capelli ondeggiano in una leggera brezza, camera statica bloccata, ridotta profondità di campo mantenuta, tono di stanza quieto con un fievole ticchettio di orologio.

Entrambi sono brevi, nominano un'azione chiara, impostano la camera e danno all'audio un'unica indicazione. Questo è il modello.

Da fare e da non fare

• Fai nominare un'azione, un comportamento della camera, un'idea audio.
• Fai uso dei termini cinematografici (primo piano, dolly-in, a mano libera).
• Non impilare quattro azioni in un clip da 5 secondi.
• Non lasciare l'audio vuoto se l'atmosfera è importante.
• Non re-descrivere il soggetto nell'immagine in video: animalo.

Come si inserisce in tendre.AI

In tendre.AI, le immagini restano 100% locali sulla tua GPU. Il video LTX-2.5 gira su una GPU cloud su richiesta, fatturata per clip in crediti, quindi lavori sulle immagini in privato e spendi crediti solo quando vuoi animare un keeper. Poiché il video parte dalla tua immagine locale, il personaggio che hai creato passa nel clip, stessa faccia, stesso aspetto, ora con movimento e audio.

Tutto ciò che viene generato è 100% sintetico: nessuna persona reale è raffigurata, e ogni soggetto è inequivocabilmente adulto.