Slik skriver du en god LTX-2.3-prompt (video med lyd)

Å prompte en videomodell er ikke det samme som å prompte en bildemodell. Med SDXL beskriver du et frossent øyeblikk. Med LTX-2.3 beskriver du et bevegelig klipp med lyd, og da spiller plutselig to ting en rolle som du aldri har skrevet om før: bevegelse og lyd. Gjør du de riktig, føles klippene dine som noe gjennomtenkt. Ignorerer du dem, ender du opp med et stivt og stille lysbildeshow. Denne guiden viser deg hvordan du skriver LTX-2.3-prompter som faktisk beveger seg og høres riktig ut.

Den ene feilen du må unngå: å prompte som om det var et bilde

Den vanligste begynnerfeilen er å beskrive en scene i stedet for et shot. "En kvinne i rød kjole på en kafé" er en bildeprompt. LTX-2.3 vil rendre noe, men uten bevegelsesanvisning må den gjette, og den gjetter som regel i det minste (en liten hodebevegelse, en flimring). Du ender opp med et nesten-stille klipp.

Løs det ved alltid å svare på tre spørsmål som modellen ikke kan utlede fra en statisk beskrivelse:

• Hva beveger seg? (motivet, kameraet eller begge)
• Hvordan oppfører kameraet seg? (statisk, pan, dolly, håndholdt)
• Hva hører vi? (stemning, stemme, effekter)

En prompt-formel som fungerer

Tenk på en LTX-2.3-prompt som seks slots. Du trenger ikke alle seks hver gang, men jo flere du fyller, jo mer kontroll får du:

Motiv + Handling/Bevegelse + Kamera + Setting/Lys + Stil + Lyd

Eksempel, slot for slot:

En ung kvinne i rød kjole (motiv) snur seg mot kameraet og smiler (handling), langsom dolly-in (kamera), varmt gyllent kveldslys gjennom et vindu (setting/lys), kinematisk, grunt dybdeskarphet (stil), mykt romtone med en svak vinylknitring (lyd).

Den ene setningen forteller LTX-2.3 hva som skjer, hvordan det filmes og hva det høres ut som. Det er hele jobben.

Beskriv bevegelse med verb

Bevegelse lever i verb. Svake prompter er fulle av substantiver og adjektiver. Sterke prompter legger til handlingsord: snur seg, går, lener seg, rekker ut, vippes, kaster et blikk, puster, svinger, driver. Hold deg til én tydelig handling per kort klipp. Et 5-sekunders shot kan ikke vise "hun reiser seg, går til vinduet, åpner det og tenner en sigarett", det er fire shot. Be om ett øyeblikk, land det, og generer så det neste.

Snakk kameraets språk

LTX-2.3 forstår kinematografiske begreper. Bruk dem til å styre bildet:

• Bildeutsnitt: nærbiilde, halvtotalt, totalbilde.
• Kamerabevegelse: statisk shot, langsom pan til venstre, dolly-in, tracking shot, håndholdt.
• Følelse: låst og stabilt, eller subtil håndholdt svai for realisme.

"Statisk shot, nærbilde" er et helt annet klipp enn "håndholdt tracking shot, totalbilde", selv med samme motiv. Bestem kameraet med vilje.

Prompt lyden, dette er LTX-2.3s superkraft

Siden LTX-2.3 genererer bilde og lyd sammen, kan du skrive lyden direkte, og det bør du gjøre. Tre lag å tenke på:

• Stemning / romtone: "stille romtone", "regn mot et vindu", "fjern bytrafikk", "bølger".
• Stemme / dialog: beskriv framføringen ("en myk hvisking", "en varm latter") heller enn eksakte ord hvis du vil ha det naturlig.
• Effekter: "skritt på tregulv", "en dør knirker", "vinylknitring", "en forsiktig bris".

Sier du ingenting om lyd, fyller LTX-2.3 det inn selv, og det passer kanskje ikke til stemningen du ønsket. En kort lydfrase er som regel nok til å styre den.

Tekst-til-video vs bilde-til-video

De to inngangspunktene ønsker litt forskjellige prompter:

• Tekst-til-video: du beskriver alt, inkludert motivet. Bruk den fulle seks-slot-formelen.
• Bilde-til-video (anbefalt i tendre.AI): stillbildet ditt definerer allerede motivet, utseendet og innrammingen. Så hold motivbeskrivelsen lett og bruk ordene dine på bevegelsen og lyden du vil legge til. Eksempel på toppen av et eksisterende portrett: "hun vippes langsomt på hodet, håret beveger seg i en lett bris, subtilt smil, statisk kamera, forsiktig pust og fjern byambians". Du animerer, du beskriver ikke på nytt.

Bilde-til-video er det søte stedet: karakteren du låste inn lokalt (med en LoRA eller et fast seed) bæres rett inn i klippet, samme ansikt, samme stil.

Iterer på 1080p, ferdigstill på 4K

Prompter finnes, de skrives ikke. Lag utkast på 1080p slik at hvert take går raskt: kjør det, se og lytt, endre én ting (en tydeligere kamerabevegelse, et klarere lydsignal), kjør igjen. Når shottet lander, rendrer du keeperen på nytt i 4K. Endre én variabel om gangen slik at du vet hva som faktisk hjalp.

To eksempler du kan tilpasse

Tekst-til-video, kinematisk:

Halvtotalt av en kvinne ved et regnvått vindu, hun snur sakte hodet mot kameraet og smiler, langsom dolly-in, dyster blå kveldsbelysning, kinematisk filmkorn, mykt regn mot glass og en lavfrekvent ambient summing.

Bilde-til-video, fra et lokalt stillbilde:

Hun puster forsiktig og blinker, noen hårstråer driver i en lett bris, statisk låst kamera, grunt dybdeskarphet bevart, stille romtone med en svak tikking fra en klokke.

Begge er korte, navngir én tydelig handling, setter kameraet og gir lyden én instruksjon. Det er mønsteret.

Gjør og gjør ikke

• Gjør navngi én handling, én kameraoppførsel, én lydidé.
• Gjør bruk kinematografiske ord (nærbilde, dolly-in, håndholdt).
• Ikke gjør stable fire handlinger inn i ett 5-sekunders klipp.
• Ikke gjør la lyden stå tom hvis stemningen er viktig.
• Ikke gjør beskriv motivet på nytt i bilde-til-video, animer det.

Hvordan dette passer med tendre.AI

I tendre.AI lagres bilder 100% lokalt på din egen GPU. LTX-2.3-video kjører på en sky-GPU på bestilling, fakturert per klipp i credits, slik at du lager bildeutkast privat og bare bruker credits når du animerer en keeper. Siden video starter fra ditt lokale stillbilde, bæres karakteren du bygde inn i klippet, samme ansikt, samme utseende, nå med bevegelse og lyd.

Alt som genereres er 100% syntetisk: ingen virkelig person er avbildet, og hvert motiv er utvetydig voksent.