Jak pisać dobre prompty dla LTX-2.5 (wideo z dźwiękiem)

Tworzenie promptów do modelu wideo nie jest tym samym co tworzenie promptów do modelu graficznego. W SDXL opisujesz zastygły moment. W LTX-2.5 opisujesz ruchome ujęcie z dźwiękiem, więc dwie rzeczy, których wcześniej nie musiałeś uwzględniać, nagle nabierają znaczenia: ruch i audio. Zrób je dobrze, a twoje klipy będą wyglądały jak świadome, przemyślane ujęcia. Zignoruj je, a dostaniesz sztywny, cichy pokaz slajdów. Ten poradnik pokazuje, jak pisać prompty dla LTX-2.5, które naprawdę się ruszają i brzmią tak jak trzeba.

Jeden błąd, którego trzeba unikać: promptowanie jak do obrazu

Najczęstszy błąd początkujących to opisywanie sceny zamiast ujęcia. "Kobieta w czerwonej sukience w kawiarni" to prompt do obrazu. LTX-2.5 coś wyrenderuje, ale bez wskazówki dotyczącej ruchu musi zgadywać, i zwykle zgaduje mało (drobny ruch głowy, mignięcie). Efektem jest prawie nieruchomy klip.

Rozwiąż to, odpowiadając zawsze na trzy pytania, których model nie jest w stanie wywnioskować ze statycznego opisu:

• Co się porusza? (obiekt, kamera albo oboje)
• Jak zachowuje się kamera? (statyczna, pan, dolly, z ręki)
• Co słychać? (ambient, głos, efekty)

Formuła promptu, która działa

Wyobraź sobie prompt dla LTX-2.5 jako sześć slotów. Nie musisz wypełniać wszystkich za każdym razem, ale im więcej wypełnisz, tym większą kontrolę masz:

Obiekt + Akcja/Ruch + Kamera + Otoczenie/Oświetlenie + Styl + Audio

Przykład, slot po slocie:

Młoda kobieta w czerwonej sukience (obiekt) odwraca się w stronę kamery i uśmiecha (akcja), powolne dolly-in (kamera), ciepłe złote światło o zachodzie słońca przez okno (otoczenie/oświetlenie), kinematograficzny, płytka głębia ostrości (styl), delikatny szum pokoju z lekkim trzaskiem winylu (audio).

To jedno zdanie mówi LTX-2.5, co się dzieje, jak jest filmowane i jak to brzmi. Na tym polega cała robota.

Opisuj ruch za pomocą czasowników

Ruch żyje w czasownikach. Słabe prompty są pełne rzeczowników i przymiotników; mocne dodają słowa akcji: obraca się, idzie, pochyla, sięga, przechyla, zerka, oddycha, kołysze się, unosi się. Trzymaj się jednej wyraźnej akcji na krótki klip. 5-sekundowe ujęcie nie może pokazać "wstaje, podchodzi do okna, otwiera je i zapala papierosa", to są cztery ujęcia. Poproś o jeden beat, złap go, potem generuj następny.

Mów językiem kamery

LTX-2.5 rozumie terminy filmowe. Używaj ich, żeby kontrolować kadr:

• Rozmiar ujęcia: zbliżenie, plan średni, plan ogólny.
• Ruch kamery: ujęcie statyczne, powolny pan w lewo, dolly-in, ujęcie z ręki.
• Charakter: stabilna, zablokowana kamera albo delikatny ruch z ręki dla realizmu.

"Ujęcie statyczne, zbliżenie" to zupełnie inny klip niż "ujęcie z ręki, plan ogólny", nawet z tym samym obiektem. Decyduj o kamerze świadomie.

Promptuj dźwięk, to supermoc LTX-2.5

Ponieważ LTX-2.5 generuje obraz i dźwięk razem, możesz pisać audio bezpośrednio i powinieneś to robić. Trzy warstwy, o których warto pomyśleć:

• Ambient / ton pokoju: "cichy ton pokoju", "deszcz na szybie", "odległy ruch miejski", "fale".
• Głos / dialog: opisz sposób mówienia ("cichy szept", "ciepły śmiech") zamiast dokładnych słów, jeśli chcesz brzmieć naturalnie.
• Efekty: "kroki na drewnie", "skrzypienie drzwi", "trzask winylu", "delikatny powiew wiatru".

Jeśli nic nie powiesz o audio, LTX-2.5 wypełni to samodzielnie i może to nie pasować do nastroju, który chciałeś osiągnąć. Jedno krótkie zdanie o audio zwykle wystarczy, żeby go ukierunkować.

Co zmieniło się w wersji 2.5 i jak to wpływa na twoje prompty

Wersja 2.5 zmieniła trzy rzeczy, które bezpośrednio wpływają na to, jak piszesz.

Możesz promptować sekwencję, nie tylko ujęcie. LTX-2.5 generuje natywne sceny wieloujęciowe: plan ogólny, potem średni, potem zbliżenie, w jednej generacji, z tą samą postacią, tym samym oświetleniem i głosem przez wszystkie cięcia. Opisuj więc sekwencję zamiast renderować trzy klipy i próbować je dopasować. "Plan ogólny kobiety na tarasie o zmierzchu, potem plan średni gdy odwraca się w stronę drzwi, potem zbliżenie jej twarzy gdy mówi."

Krótsze prompty teraz działają lepiej. Obsługa promptów przeniosła się do dopracowanego enkodera Gemma 4 12B z dedykowanym ulepszaczem promptów, który odczytuje złożone, wieloosobowe instrukcje z mniejszej liczby słów. Stary odruch nakładania dwudziestu kwalifikatorów, żeby wymusić wynik, jest teraz kontrproduktywny: ogranicza model bardziej niż go prowadzi. Powiedz to, co ważne, odrzuć wypełniacze.

Przestań liczyć klatki. Czas trwania jest wywnioskowany z opisywanej akcji. Napisz akcję w jej naturalnej długości, "nalewa kawę, patrzy w górę i się uśmiecha", i pozwól modelowi dopasować klip. Ręczne ustawianie długości, a potem opisywanie akcji, która do niej nie pasuje, to przepis na koniec, który wygląda jak ucięty.

Tekst na wideo vs obraz na wideo

Dwa punkty wejścia wymagają nieco innych promptów:

• Tekst na wideo: opisujesz wszystko, łącznie z obiektem. Używaj pełnej sześcioelementowej formuły.
• Obraz na wideo (zalecane w tendre.AI): twój kadr już definiuje obiekt, wygląd i kompozycję. Trzymaj więc opis obiektu lekki i przeznacz słowa na ruch i audio, które chcesz dodać. Przykład na istniejącym portrecie: "powoli przechyla głowę, włosy poruszają się w lekkim wietrze, delikatny uśmiech, kamera statyczna, miękki oddech i odległy ambient miejski". Animujesz, nie opisujesz od nowa.

Obraz na wideo to złoty środek: postać, którą zablokowałeś lokalnie (za pomocą LoRA lub ustalonego seedu), przenosi się prosto do klipu, ta sama twarz, ten sam styl.

Iteruj w 1080p, finalizuj w 4K

Prompty się odkrywa, nie pisze. Szkicuj w 1080p, żeby każde podejście było szybkie: uruchom, obejrzyj i posłuchaj, zmień jedną rzecz (mocniejszy ruch kamery, wyraźniejsza wskazówka audio), uruchom ponownie. Gdy ujęcie trafia w punkt, rerenderuj je w 4K. Zmieniaj jedną zmienną na raz, żeby wiedzieć, co naprawdę pomogło.

Dwa przykłady do zaadaptowania

Tekst na wideo, kinematograficzny:

Plan średni kobiety przy mokrej od deszczu szybie, powoli odwraca głowę w stronę kamery i uśmiecha się, powolne dolly-in, nastrojowe niebieskie światło wieczoru, filmowe ziarno, delikatny deszcz na szybie i niski ambientowy szum.

Obraz na wideo, z lokalnego kadru:

Delikatnie oddycha i mruga, kilka kosmyków włosów unosi się w lekkim wietrze, kamera statyczna zablokowana, zachowana płytka głębia ostrości, cichy ton pokoju z lekkim tykaniem zegara.

Oba są krótkie, nazywają jedną wyraźną akcję, ustawiają kamerę i dają dźwiękowi jedną wskazówkę. To jest właśnie ten wzorzec.

Rób i nie rób

• Rób jedno działanie, jedno zachowanie kamery, jeden pomysł audio.
• Rób używaj słownictwa filmowego (zbliżenie, dolly-in, z ręki).
• Nie rób czterech akcji w jednym 5-sekundowym klipie.
• Nie zostawiaj audio pustego, jeśli nastrój ma znaczenie.
• Nie opisuj ponownie obiektu w trybie obraz na wideo, animuj go.

Jak to pasuje do tendre.AI

W tendre.AI obrazy pozostają w 100% lokalnie na twoim własnym GPU. Wideo LTX-2.5 działa na chmurowym GPU na żądanie, rozliczanym za klip w kredytach, więc szkicujesz obrazy prywatnie i wydajesz kredyty tylko wtedy, gdy animujesz wybrany kadr. Ponieważ wideo zaczyna się od twojego lokalnego kadru, postać, którą stworzyłeś, przenosi się do klipu, ta sama twarz, ten sam wygląd, teraz z ruchem i dźwiękiem.

Wszystko wygenerowane jest w 100% syntetyczne: nie przedstawia żadnej prawdziwej osoby, a każdy obiekt to jednoznacznie osoba dorosła.