Hur du skriver ett bra LTX-2.3-prompt (video med ljud)

Att skriva prompts till en videomodell är inte samma sak som att skriva prompts till en bildmodell. Med SDXL beskriver du ett fruset ögonblick. Med LTX-2.3 beskriver du ett rörligt klipp med ljud, och det innebär att två saker du aldrig behövt tänka på tidigare plötsligt spelar stor roll: rörelse och ljud. Får du dem rätt känns dina klipp avsiktliga och genomtänkta. Ignorerar du dem får du ett stelt och tyst bildspel. Den här guiden visar dig hur du skriver LTX-2.3-prompts som faktiskt rör sig och låter rätt.

Det vanligaste misstaget: att prompta som om det vore en bild

Det allra vanligaste nybörjarmisstaget är att beskriva en scen i stället för ett tagning. "En kvinna i röd klänning på ett café" är ett bildprompt. LTX-2.3 renderar visserligen något, men utan något rörelsesignal måste den gissa, och det landar oftast smått (en liten huvudrörelse, ett flimmer). Resultatet blir ett nästan stillastående klipp.

Lös det genom att alltid besvara tre frågor som modellen inte kan utläsa ur en statisk beskrivning:

• Vad rör sig? (motivet, kameran eller båda)
• Hur beter sig kameran? (statisk, panorering, dolly, handhållen)
• Vad hör vi? (atmosfärljud, röst, effekter)

En prompt-formel som fungerar

Tänk på ett LTX-2.3-prompt som sex platser. Du behöver inte fylla alla sex varje gång, men ju fler du fyller i, desto mer kontroll får du:

Motiv + Handling/Rörelse + Kamera + Miljö/Ljussättning + Stil + Ljud

Exempel, plats för plats:

En ung kvinna i röd klänning (motiv) vänder sig mot kameran och ler (handling), långsam dolly-in (kamera), varmt gyllene timme-ljus genom ett fönster (miljö/ljussättning), cinematiskt, grunt skärpedjup (stil), mjukt rumsljud med ett svagt vinylknastar (ljud).

Den enda meningen berättar för LTX-2.3 vad som händer, hur det filmas och hur det låter. Det är hela jobbet.

Beskriv rörelse med verb

Rörelse lever i verb. Svaga prompts är fulla av substantiv och adjektiv. Starka prompts lägger till handlingsord: vänder sig, går, lutar sig, sträcker sig, tippar huvudet, gläntar på ögonen, andas, vaggar, driver. Håll dig till en tydlig handling per kort klipp. Ett 5-sekunders tagning kan inte visa "hon reser sig, går till fönstret, öppnar det och tänder en cigarett". Det är fyra tagningar. Be om ett ögonblick, fånga det, och generera sedan nästa.

Tala kamerans språk

LTX-2.3 förstår filmtekniska termer. Använd dem för att styra bilden:

• Bildstorlek: close-up, halvbild, totalbild.
• Kamerarörelse: statisk tagning, långsam panorering åt vänster, dolly-in, tracking shot, handhållen.
• Känsla: låst och stabil, eller subtil handhållen rörelse för realism.

"Statisk tagning, close-up" är ett helt annat klipp än "handhållen tracking shot, totalbild", även med samma motiv. Välj kamera med avsikt.

Prompta ljudet, det är LTX-2.3:s superkraft

Eftersom LTX-2.3 genererar bild och ljud tillsammans kan du skriva ljudet direkt, och det bör du göra. Tre lager att tänka på:

• Atmosfär / rumsljud: "tyst rumsljud", "regn mot ett fönster", "avlägset stadsbuller", "vågor".
• Röst / dialog: beskriv tonfallet ("en mjuk viskning", "ett varmt skratt") snarare än exakta ord om du vill att det ska låta naturligt.
• Effekter: "fotsteg på trägolv", "en dörr knarrar", "vinylknastar", "en lätt bris".

Säger du ingenting om ljud fyller LTX-2.3 i det på egen hand, och det kanske inte matchar stämningen du ville ha. En kort ljudfras räcker oftast för att styra det.

Text-till-video kontra bild-till-video

De två ingångarna vill ha lite olika prompts:

• Text-till-video: du beskriver allt, inklusive motivet. Använd hela sex-plats-formeln.
• Bild-till-video (rekommenderas i tendre.AI): din stillbild definierar redan motivet, utseendet och bildutsnitt. Håll därför motivbeskrivningen lätt och lägg dina ord på den rörelse och det ljud du vill lägga till. Exempel ovanpå ett befintligt porträtt: "hon tippar långsamt på huvudet, håret rör sig i en lätt bris, subtilt leende, statisk kamera, mjukt andningsljud och avlägset stadsljud". Du animerar, du beskriver inte om.

Bild-till-video är det söta stället: karaktären du låst lokalt (med en LoRA eller ett fast seed) följer direkt med in i klippet, samma ansikte, samma stil.

Iterera i 1080p, slutför i 4K

Prompts hittas, inte skrivs. Arbeta i 1080p så att varje tagning är snabb: kör det, titta och lyssna, ändra en sak (en tydligare kamerarörelse, en skarpare ljudinstruktion), kör igen. När tagningen landar, rendera det du vill behålla i 4K. Ändra en variabel i taget så att du vet vad som faktiskt hjälpte.

Två exempel du kan anpassa

Text-till-video, cinematiskt:

Halvbild av en kvinna vid ett regnstänkt fönster, hon vänder långsamt huvudet mot kameran och ler, långsam dolly-in, dystert blått kvällsljus, cinematisk filmkorn, mjukt regn mot glas och ett lågt ambient-brus.

Bild-till-video, från en lokal stillbild:

Hon andas försiktigt och blinkar, några hårstrån driver i en lätt bris, statisk låst kamera, behållet grunt skärpedjup, tyst rumsljud med ett svagt tick från ett ur.

Båda är korta, namnger en tydlig handling, sätter kameran och ger ljudet en instruktion. Det är mönstret.

Gör och gör inte

• Gör namnge en handling, ett kamerabeteende, en ljudidé.
• Gör använd filmtekniska ord (close-up, dolly-in, handhållen).
• Gör inte stapla fyra handlingar i ett 5-sekunders klipp.
• Gör inte lämna ljudet tomt om stämningen spelar roll.
• Gör inte beskriv om motivet i bild-till-video, animera det.

Hur det passar in i tendre.AI

I tendre.AI stannar bilderna 100% lokalt på din egen GPU. LTX-2.3-video körs på en moln-GPU vid behov, debiterat per klipp i credits, så du arbetar med bilder privat och spenderar bara credits när du animerar något du vill behålla. Eftersom videon utgår från din lokala stillbild följer karaktären du byggt med in i klippet, samma ansikte, samma utseende, nu med rörelse och ljud.

Allt som genereras är 100% syntetiskt: ingen verklig person avbildas, och varje motiv är otvetydigt en vuxen person.