LTX-2.5プロンプトの書き方（音声付き動画）

動画モデルへのプロンプト入力は、画像モデルへのそれとはまったく異なります。SDXLでは静止した瞬間を描写しますが、LTX-2.5では音声付きの動くショットを描写します。そのため、これまで書いたことのない要素が突然重要になります。モーションと音声です。この2つをうまく表現できれば、クリップに意図が宿ります。無視すれば、硬直した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、実際に動いて聞こえるLTX-2.5プロンプトの書き方を解説します。

避けるべきたった一つの間違い：画像と同じようにプロンプトを書くこと

最もよくある初心者のミスは、ショットではなく場面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」は画像プロンプトです。LTX-2.5は何かを生成しますが、モーションの指示がなければ自分で推測するしかなく、たいていは小さな動き（わずかな頭の動き、ちらつき）にとどまります。結果として、ほぼ静止したクリップができあがります。

静的な描写だけでは推論できない3つの質問に必ず答えることで、この問題を解決できます。

• 何が動くか？（被写体、カメラ、またはその両方）
• カメラはどう動くか？（静止、パン、ドリー、手持ち）
• 何が聞こえるか？（環境音、声、効果音）

機能するプロンプトの公式

LTX-2.5のプロンプトは6つのスロットで構成されていると考えてください。毎回すべてを埋める必要はありませんが、埋めるほどコントロールが増します。

被写体 + 動作/モーション + カメラ + 設定/照明 + スタイル + 音声

スロットごとの例：

赤いドレスの若い女性が（被写体）カメラに向かって振り返り微笑む（動作）、スローなドリーイン（カメラ）、窓から差し込む温かいゴールデンアワーの光（設定/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を伴う柔らかな室内音（音声）。

この一文だけで、LTX-2.5に何が起きているか、どう撮影されているか、何が聞こえ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だらけですが、強いプロンプトには動作を表す言葉が加わります。振り返る、歩く、身を傾ける、手を伸ばす、傾ける、ちらりと見る、呼吸する、揺れる、漂うなど。短いクリップ1本につき、明確な動作を一つに絞りましょう。5秒のショットに「立ち上がり、窓に歩いて行き、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。一つのビートを求め、それを完成させてから次を生成しましょう。

カメラの言葉を使う

LTX-2.5は映像用語を理解します。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。
• カメラムーブ： スタティックショット、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： 固定して安定させるか、リアリティのための微妙な手持ちの揺れか。

「スタティックショット、クローズアップ」と「手持ちトラッキングショット、ワイド」は、被写体が同じでも、まったく異なるクリップになります。カメラは意図的に選んでください。

音声をプロンプトに書く。これがLTX-2.5の真骨頂

LTX-2.5は映像と音声を同時に生成するため、音声を直接書き込むことができます。ぜひそうしてください。考えるべき3つの層があります。

• 環境音 / 室内音： 「静かな室内音」「窓を打つ雨」「遠くの街の雑踏」「波」など。
• 声 / セリフ： 自然に聞こえるよう、正確な言葉よりも話し方を描写します（「柔らかいささやき」「温かい笑い声」など）。
• 効果音： 「木の床の足音」「ドアのきしみ」「レコードのノイズ」「そよ風」など。

音声について何も指定しないと、LTX-2.5が独自に補完しますが、意図した雰囲気と合わない場合があります。音声に関する短いフレーズ一つで、たいてい十分に方向を決められます。

2.5で変わったこと、そしてプロンプトへの影響

バージョン2.5では、プロンプトの書き方に直接影響する3つの点が変わりました。

一つのショットだけでなく、シーケンスをプロンプトできます。 LTX-2.5はネイティブのマルチショットシーンを生成します。ワイド、ミディアム、クローズアップを、キャラクター、照明、声を維持したまま、一度の生成でカット間をつなぎます。3つのクリップを別々にレンダリングしてマッチングしようとするのではなく、シーケンスとして描写しましょう。「夕暮れのテラスに立つ彼女のワイドショット、次にドアの方へ振り返るミディアム、そして話す彼女の顔のクローズアップ。」

より短いプロンプトの方が機能するようになりました。 プロンプト処理は、専用のプロンプトエンハンサーを備えたファインチューニング済みのGemma 4 12Bエンコーダーに移行し、より少ない言葉で複雑な複数被写体の指示を読み取れるようになりました。結果を強制するために20個の修飾語を重ねる旧来の癖は、今では逆効果です。モデルを導くより制約する方が多くなります。重要なことを伝え、余計なものは省きましょう。

フレーム数を数えるのをやめましょう。 尺は描写する動作から推測されます。*「コーヒーを注ぎ、顔を上げ、微笑む」*というように、動作を自然な長さで書いて、モデルにクリップのサイズを決めさせましょう。手動で尺を設定してから、それに合わない動作を描写するのは、結末が唐突に切れたような印象になる原因です。

テキストから動画 vs 画像から動画

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： 被写体を含め、すべてを自分で描写します。6スロットの公式をフルに使いましょう。
• 画像から動画（tendre.AIではこちらを推奨）： 静止画がすでに被写体、外観、フレーミングを定義しています。被写体の描写は簡潔にし、追加したいモーションと音声に言葉を費やしましょう。既存のポートレートに追加する例：「彼女はゆっくりと頭を傾け、髪が軽い風にそよぐ、控えめな微笑み、スタティックカメラ、柔らかな呼吸音と遠くの街の環境音」。再描写ではなく、アニメーション化しているのです。

画像から動画は最適な方法です。LoRAや固定シードでローカルに定着させたキャラクターが、同じ顔、同じスタイルのままクリップに引き継がれます。

小さく繰り返し、最終は1080pで

プロンプトは書くものではなく、見つけるものです。各テイクが速く終わるよう、小さいフォーマットで下書きしましょう。実行して、見て、聴いて、一つだけ変えて（カメラムーブを強調する、音声の指示を明確にする）、また実行します。ショットが決まったら、完成版を1080pで再レンダリングします。何が効いたかを把握するため、変更は一度に一つの変数にとどめましょう。

アレンジできる2つの例

テキストから動画、シネマティック：

雨に濡れた窓辺に立つ女性のミディアムショット、ゆっくりとカメラに向かって頭を向け微笑む、スローなドリーイン、ムーディーなブルーの夜の光、シネマティックなフィルムグレイン、ガラスに当たる雨音と低い環境音のハム。

画像から動画、ローカルの静止画から：

静かに呼吸してまばたきし、数本の髪が軽い風に揺れる、スタティックな固定カメラ、浅い被写界深度を維持、かすかな時計の音を伴う静かな室内音。

どちらも短く、一つの明確な動作を示し、カメラを設定し、音声に一つの指示を与えています。それがパターンです。

やること・やらないこと

• やること： 動作一つ、カメラの動き一つ、音声のアイデア一つを明示する。
• やること： 映像用語を使う（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： 雰囲気が重要なのに音声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ましょう。

tendre.AIとの関係

tendre.AIでは、画像はあなた自身のGPU上で完全にローカルに保たれます。LTX-2.5の動画はオンデマンドのクラウドGPUで実行され、クリップごとにクレジットで課金されます。画像はプライベートに下書きし、完成したものをアニメーション化するときだけクレジットを使います。動画はあなたのローカルの静止画から始まるため、構築したキャラクターが同じ顔、同じ外観でクリップに引き継がれ、モーションと音声が加わります。

生成されるものはすべて100%合成です。実在の人物は描写されておらず、すべての被写体は明確に成人です。