LTX-2 19B と LoRA カメラワーク：音声、ドリーショット、限界を検証

LTX-2 19B は、ステレオ音声トラック付きの5〜20秒のクリップを作ります。LoRA 版では最大3つの LoRA ファイルを読み込んで、カメラワークを指示したり、クリップ全体のスタイルを変えたりできます。 2026年10月5日の当社テストでは、公式の Dolly In、Dolly Out、Dolly Left カメラ LoRA が強度 1 で動作し、コミュニティ製のアニメ調 LoRA は強度 0.5 で見た目を変え、2 GiB を超える LoRA ファイルはどれも読み込みに失敗しました。拒否もフィルターもなく、当社のアダルト向け段階テストでは、画像から動画のほうがテキストから動画より控えめになりました。

LTX-2 19B は Lightricks のオープンな音声付き動画モデルで、映像と音を同時に生成します。ベースモデルは LTX-2 19B ファミリー、LoRA 版は LTX-2 19B LoRA ファミリーで動かしました。以下のプロンプトは、服を着た大人の日常的なシーンです。コンテンツのプローブは段階ごとに要約し、引用はしません。

ひと目でわかる要点

すべてのクリップに音声

目玉の機能は、すべてのクリップに音声トラックが付いてくることです。音はプロンプトの中で操作し、たいていは "Audio:" で始まる最後の1文を使います。すべての出力で、ファイルが 24 kHz の AAC ステレオを持つことを確認しました。提供元は制限を明記しています。会話を含まない音声は品質が下がることがあり、プロンプトへの追従はプロンプトの書き方に大きく左右されます。

音を軸に組み立てたテキストから動画のクリップです。

LTX-2 19B、テキストから動画、16:9、720p、6秒、seed 201。開始、中盤、終了のフレーム。ゆっくりした押し込みは指示どおり。

A woman in her thirties in a gold sequined gown sings a slow jazz ballad into a vintage microphone in a smoky lounge, eyes half closed, a piano player blurred behind her. Warm spotlight, slow push-in. Audio: her soft, husky voice singing, piano chords, glasses clinking in the background.

映像と構成はフレームごとに評価しました。音質は採点していないため、声やミックスについての約束事は、自分のクリップで確認してください。

2つ目の例では、音が動作の中にあります。

テキストから動画、16:9、720p、5秒、seed 202。

A bartender in his forties with a trimmed grey beard, black shirt with rolled sleeves, shakes a cocktail shaker hard behind a dark wooden bar, then pours an amber drink into a coupe glass and slides it toward the camera with a grin. Amber backlight through bottles. Audio: ice rattling in the shaker, liquid pouring, low bar chatter and soft music.

シェイク、注ぐ、にやりと笑う、が順番どおりに起きました。ボトルのラベルは装飾的で、読み取れるものではありません。

サイズ、長さ、速度

テキストから動画は、16:9 か 9:16 の比率を受け取り、それと resolution からフレームを組み立てます。画像から動画は写真に従います。16:9 の写真では 832 x 448、1216 x 704、1856 x 1088、2:3 の写真では 480p で 512 x 768 になりました。

テキストから動画、9:16、720p（704 x 1280）、5秒、seed 203。波の音と笑い声を依頼。

この速度が、もう一つの側面です。LTX-2 19B は 720p のクリップを数秒で返しますが、HunyuanVideo 1.5 のような重いモデルは数分かかります。480p で下書きし、音とフレーミングを確認してから、採用するものを 720p か 1080p で再実行してください。各解像度の現在の1秒あたり料金は、ファミリーページに表示されています。

画像から動画：次に起きることを書く

画像から動画のクリップの最初のフレームは、あなたの写真です。危険なのは、別の場所を描写するプロンプトです。当社のテストでは、ステージ上の歌手の2:3のポートレートに、ベッドについてのプロンプトを組み合わせたところ、最初のフレームの後で寝室のショットに切り替わりました。モデルは言葉に従い、写真を離れたのです。

対処法は、絵の中で次に起こることを書くことです。

画像から動画、720p、5秒、seed 204、固定カメラ。

The woman grips the barbell, lifts it in one clean deadlift, holds it at the top for a breath and lowers it back to the floor, chalk dust drifting in the light. Static camera. Audio: her sharp exhale, the plates clanking as they touch down, the hum of the gym.

場面、彼女の服装、光は保たれました。ただし動きは、使った言葉と一致しませんでした。床からのデッドリフトではなく、バーを頭上に押し上げたのです。動きが大事なときは、握る、胸まで持ち上げる、頭上に押し上げるのように、物理的な手順で平易に書いてください。

画像から動画、720p、6秒、seed 205："strums the acoustic guitar and hums a gentle melody, tapping his bare foot... Slow push-in. Audio: warm acoustic guitar chords, his quiet humming, crickets starting up."

画像から動画にはプロンプトが必要です。一部のモデルと違い、image_url と prompt の両方が必須です。

カメラ LoRA：Dolly の動き

「カメラがドリーインする」というプロンプトは依頼です。カメラ LoRA は、それを習慣にします。Lightricks は LTX-2 19B モデル向けに、公式のカメラ制御 LoRA を公開しています。Dolly In、Dolly Out、Dolly Left、Dolly Right、さらに Jib Up、Jib Down、Static です。LTX-2 19B LoRA ファミリーでは、.safetensors ファイルへの直接ダウンロードリンクを loras 配列に渡します。

{
  "prompt": "The camera dollies in toward a woman in her thirties in a crimson evening gown standing at the top of a marble staircase at a gala, until her face fills the frame as she turns and smiles. Chandeliers, warm light. Audio: string quartet, murmuring crowd.",
  "aspect_ratio": "16:9",
  "resolution": "720p",
  "duration_seconds": 5,
  "seed": 301,
  "loras": [
    {
      "path": "https://huggingface.co/Lightricks/LTX-2-19b-LoRA-Camera-Control-Dolly-In/resolve/main/ltx-2-19b-lora-camera-control-dolly-in.safetensors",
      "scale": 1
    }
  ]
}

Dolly In、Dolly Out、Dolly Left はそれぞれ 327 MB で、強度 1 で問題なく読み込まれました。上のプロンプトの "until her face fills the frame" のように、カメラがどこで終わるべきかを書いてください。

Dolly In LoRA、強度 1、テキストから動画、720p、5秒、seed 301。カメラはプロンプトの指示どおり彼女の顔で終わる。最初のフレームの左にいる男性は、モデルが加えたもの。

Dolly Out LoRA、強度 1、テキストから動画、720p、5秒、seed 302："Starting close on a man... the camera dollies out to reveal the whole boat heeling over on a deep blue sea."

3つ目のショットは、コンサートステージで、ホールの後方から始まってピアニストへ寄っていきます。

Dolly In LoRA、強度 1、テキストから動画、720p、5秒、seed 307。

強いのは動きです。細かいところはずれます。ピアノの文字は崩れていました。

どの方向をどの用途に

カメラ LoRA を使った画像から動画

写真が人物と服装を固定し、LoRA が動きを固定します。

Dolly In LoRA、強度 1、画像から動画、720p、5秒、seed 304。最初のフレームが写真で、クリップは彼女の顔のクローズアップで終わる。

Dolly Out LoRA、強度 1、画像から動画、720p、5秒、seed 305。

横方向の動きが乱れる例を、あと2つのクリップで示します。

Dolly Left LoRA、強度 1、テキストから動画、9:16、720p、seed 303。カメラは指示どおり左に滑るが、最後の出演者は最初の出演者とは違う。

Dolly Left LoRA、強度 1、画像から動画、720p、5秒、seed 306。弾き続けるよう依頼したが、カメラが滑り去り、彼はフレームから出ていった。

要点：カメラ LoRA が確実にするのは動きであって、被写体ではありません。被写体を残したいときは、短い動きにするか、動作を単純にしてください。

アニメ調 LoRA、重ね掛け、強度

コミュニティ製のアニメ調 LoRA（428 MB）も、プロンプトの先頭にトリガーフレーズを置いて試しました。毎回、同じ seed と同じプロンプトです。

スタイル LoRA は 0.5 から始め、少しずつ上げてください。LoRA のモデルカードにあるトリガーワードは、プロンプトのまさに先頭に置き、シリーズのショットをそろえるために、すべてのプロンプトで同じ loras 配列を送ってください。スタイルとカメラのファイルは控えめな強度で組み合わせます。1リクエストには最大3つの LoRA が入り、LoRA の数で料金は変わりません。スタイルのフレームはこのページには載せていません。完成したクリップではなく、テスト素材だからです。

LoRA が読み込めない理由

loras フィールドは、1つの .safetensors ファイルへの直接ダウンロードリンクを受け取ります。ほかに試したものは、予測できる形で失敗し、失敗したリクエストは課金されません。

最後の行が危険です。何も効かなかったことを知らせるものが何もないからです。同じ seed で、ありとなしを1組実行してください。2つのクリップで構図、服装、動きが一致していれば、そのファイルは別のモデル用に学習されたものです。LoRA が大きすぎるときは、同じ LoRA のより小さなエクスポートか、より低いランクで学習されたものを探してください。

どこまで対応するか

プロンプト、LoRA ファイル、結果のどれもフィルタリングされません。他のモデルと同じ7本のプローブの段階表を、480p、5秒で、被写体はすべて大人として実行しました。画像から動画の開始写真は、服を着た大人です。LoRA を読み込まない LoRA 版は、同じ seed でベースと一致しました。結果は段階ごとに要約し、プローブのプロンプトは掲載しません。

拒否ゼロ、エラーゼロ、ぼかしなし。テキストから動画は7本中4本、画像から動画は7本中2本が返り、画像から動画のほうがより控えめでした。アニメ調 LoRA を読み込んだ状態では、L3 のプローブは特徴のない人影として返り、スタイル LoRA はさらに和らげる方向に働きました。1つのセルにつき1本のプローブは、サンプルであって比率ではありません。

弱い点

• 画像から動画は別の場所へ切り替わる。 プロンプトが別の場所を描写するときに起きます。
• 強いカメラワークでは被写体がずれる。 服装や、フレームに誰がいるかが変わります。
• 2 GiB を超える LoRA ファイルは失敗する。 人気のあるものにもそのサイズのものがいくつもあります。
• ベースが違う LoRA は無音で失敗する。
• 音はプロンプトで操作するもので、当社は採点していない。 提供元は、会話を含まない音声は品質が下がると明記しています。
• 音声のスイッチはない。 すべてのクリップにトラックが付きます。
• 画像から動画は、 アダルト向け内容でテキストから動画より控えめです。

LTX-2 19B か LoRA 版か

まずベースモデルから始め、プロンプトがカメラワークやスタイルを外し続けるときに LoRA 版へ移ってください。顔に強い、より重い無音のモデルが必要ならHunyuanVideo 1.5 のテストを、LoRA の一般的な進め方は API で自分の LoRA を動かすをご覧ください。

FAQ

LTX-2 19B は音声を生成しますか？

はい。すべてのクリップに 24 kHz のステレオ AAC トラックが付き、オフにする方法はありません。音はプロンプトの "Audio:" の1文で操作します。提供元は、会話を含まない音声は品質が下がることがあると注記しています。

クリップはどれくらいの長さにできますか？

480p、720p、1080p で、5〜20秒の任意の整数秒です。480p・20秒のクリップは 36 秒で返りました。4秒や21秒のリクエストは、送信時に拒否されます。

画像から動画のクリップが別のシーンに切り替わったのはなぜですか？

プロンプトが、写真とは別の場面を描写していたからです。当社のテストでは、ステージのポートレートにベッドについてのプロンプトを組み合わせると寝室に切り替わりました。代わりに、絵の中で次に起こることを書いてください。

どのカメラ LoRA が動作しましたか？

Lightricks の公式 Dolly In、Dolly Out、Dolly Left の LoRA（各 327 MB）が、強度 1 で読み込まれ、カメラを動かしました。Jib Up と Static は 2.2 GB で、上限を超えます。

LoRA ファイルのサイズ上限はいくつですか？

2 GiB、つまり 2,147,483,648 バイトです。それより大きいファイルは "Failed to load LoRA" で失敗し、失敗したリクエストは課金されません。リポジトリのページではなく、.safetensors ファイルに直接リンクしてください。

複数の LoRA を重ねられますか？

はい、1リクエストにつき最大3つで、それぞれに 0〜4 の強度を指定できます。スタイル LoRA と Dolly In カメラ LoRA を、どちらも 1 で使ったところ、当社のテストでは一緒に動作し、スタイルは保たれました。

LoRA が本当に効いたかどうかはどう確認しますか？

同じ seed とプロンプトで、LoRA ありとなしを実行してください。別のベースモデル用に学習された LoRA は、当社のテストでエラーなしで読み込まれ、目に見える変化はありませんでした。

LTX-2 19B は規制なしですか？

はい。プロンプト、LoRA、結果のどれもフィルタリングされません。当社の段階テストでは、テキストから動画は7本中4本、画像から動画は7本中2本が返り、拒否はなく、残りはモデル自身が控えめに描きました。