LTX-2.3プロンプトの書き方ガイド（音声付き動画）

動画モデルへのプロンプトは、画像モデルへのプロンプトとは異なります。SDXLでは静止した瞬間を描写します。しかしLTX-2.3では音声付きの動くショットを描写するため、これまで書く必要がなかった2つの要素が突然重要になります。モーションとオーディオです。この2つを正しく記述すると、クリップが意図的に作られたように感じられます。無視すると、動きのない無音のスライドショーになってしまいます。このガイドでは、実際に動いてサウンドも正しく生成されるLTX-2.3プロンプトの書き方を解説します。

避けるべき唯一のミス：画像のようにプロンプトを書くこと

初心者がよく犯すミスは、ショットではなくシーンを描写してしまうことです。「カフェにいる赤いドレスの女性」は画像用のプロンプトです。LTX-2.3は何かをレンダリングしますが、モーションの手がかりがないと推測するしかなく、たいていは小さな動き（わずかな頭の動き、ちらつき）に落ち着きます。結果として、ほぼ静止したクリップになってしまいます。

静的な描写だけでは推測できない3つの質問に常に答えることで、この問題を解決できます。

• 何が動くのか？（被写体、カメラ、あるいは両方）
• カメラはどのように動くのか？（固定、パン、ドリー、手持ち）
• 何が聞こえるのか？（環境音、声、効果音）

機能するプロンプトの公式

LTX-2.3のプロンプトは6つのスロットで構成されると考えてください。毎回すべてのスロットを埋める必要はありませんが、埋めれば埋めるほどコントロールが高まります。

被写体 + 動作/モーション + カメラ + 場所/照明 + スタイル + オーディオ

スロットごとの例：

赤いドレスを着た若い女性（被写体）がカメラの方を向いて微笑む（動作）、スロードリーイン（カメラ）、窓から差し込む温かいゴールデンアワーの光（場所/照明）、シネマティック、浅い被写界深度（スタイル）、かすかなレコードのノイズが混じる柔らかい室内音（オーディオ）。

この1文だけで、LTX-2.3に「何が起きるか」「どう撮影されるか」「どんな音がするか」を伝えられます。それがすべてです。

動詞でモーションを描写する

モーションは動詞に宿ります。弱いプロンプトは名詞と形容詞で溢れています。強いプロンプトには動作を表す言葉が加わります。振り向く、歩く、傾ける、手を伸ばす、首をかしげる、横目で見る、呼吸する、揺れる、漂うなどです。短いクリップ1本につき、明確な動作1つに絞ってください。5秒のショットに「立ち上がって、窓まで歩いて、窓を開けてタバコに火をつける」は詰め込めません。それは4つのショットです。1つの動作を求め、それを決め、次を生成してください。

カメラの言語で話す

LTX-2.3は撮影用語を理解します。それを使ってフレームをコントロールしましょう。

• ショットサイズ： クローズアップ、ミディアムショット、ワイドショット。
• カメラの動き： 固定ショット、スローパン左、ドリーイン、トラッキングショット、手持ち。
• 雰囲気： ロックオフで安定、またはリアリティのための微妙な手持ちの揺れ。

「固定ショット、クローズアップ」と「手持ちトラッキングショット、ワイド」では、同じ被写体でも全く異なるクリップになります。カメラは意図を持って決めてください。

サウンドをプロンプトに書く。これがLTX-2.3の強みです

LTX-2.3は映像と音声を同時に生成するため、オーディオを直接プロンプトに書くことができます。そして、書くべきです。考えるべき3つのレイヤーがあります。

• 環境音/室内音：「静かな室内音」「窓に当たる雨」「遠くの街の交通音」「波の音」。
• 声/セリフ： 自然な雰囲気にしたい場合は、正確な言葉よりも話し方を描写する（「柔らかいささやき声」「温かい笑い声」）。
• 効果音：「木の床を歩く足音」「軋むドア」「レコードのノイズ」「そよ風」。

オーディオについて何も書かないと、LTX-2.3が独自に決めてしまい、意図した雰囲気と合わないことがあります。方向性を示すには、短いオーディオの一文があれば通常は十分です。

テキストから動画と画像から動画の違い

2つの入力方法では、プロンプトの書き方が少し異なります。

• テキストから動画： 被写体も含めてすべてを描写します。6スロットの公式をフルに使ってください。
• 画像から動画（tendre.AIで推奨）： スチル画像がすでに被写体、外見、フレーミングを定義しています。そのため被写体の描写は軽くにとどめ、追加したいモーションとオーディオに言葉を使いましょう。既存のポートレートに追加する例：「彼女はゆっくり頭を傾け、軽い風で髪が揺れる、かすかな微笑み、固定カメラ、柔らかい呼吸音と遠くの街の環境音」。これは再描写ではなく、アニメーションです。

画像から動画はまさに最適な方法です。ローカルで固定したキャラクター（LoRAや固定シードで作成）がそのままクリップに引き継がれ、同じ顔、同じスタイルで登場します。

1080pで試作し、4Kで仕上げる

プロンプトは書くものではなく、見つけるものです。各テイクを速くするために1080pでドラフトを作ってください。実行して、見て聴いて、1つのことを変え（より強いカメラの動き、より明確なオーディオの手がかり）、また実行します。ショットが決まったら、その確定版を4Kで再レンダリングしてください。何が実際に効果的だったかわかるよう、変数は一度に1つだけ変更してください。

応用できる2つの例

テキストから動画、シネマティック：

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.

画像から動画、ローカルのスチル画像から：

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.

どちらも短く、明確な動作1つ、カメラの設定、そしてサウンドへの1つの指示で構成されています。これがパターンです。

やること・やらないこと

• やること： 動作1つ、カメラの動き1つ、オーディオのアイデア1つを明示する。
• やること： 撮影用語を使う（クローズアップ、ドリーイン、手持ち）。
• やらないこと： 5秒のクリップに4つの動作を詰め込む。
• やらないこと： 雰囲気が重要な場合にオーディオを空白のままにする。
• やらないこと： 画像から動画で被写体を再描写する。アニメーション化してください。

tendre.AIとの関係

tendre.AIでは、画像はあなた自身のGPU上で100%ローカルに保持されます。LTX-2.3の動画はオンデマンドのクラウドGPUで実行され、クレジットでクリップごとに課金されます。そのため、画像をプライベートに試作し、アニメーション化する確定版ができたときだけクレジットを使います。動画はローカルのスチル画像から始まるため、制作したキャラクターがそのままクリップに引き継がれます。同じ顔、同じ外見で、今度はモーションとサウンドが加わります。

生成されるものはすべて100%合成です。実在する人物は一切描写されておらず、すべての被写体は成人であることが明確です。