LTX 2.3 プロンプトガイド：プロンプトの組み立て方と、ビフォーアフターの動画つき検証

LTX 2.3にシーンを説明すると、きれいな1枚絵のような5秒が返ってくるだけで、ほとんど何も起きない。あるいは、踊らせたはずのカップルが2秒で踊り終えて、そのあと立ち尽くす。あるいは、指示していない方向へカメラがふらふら動いていく。LTX 2.3は、Lightricksが2026年3月に公開したオープンな音声・映像モデルで、細かいプロンプトに忠実に従うように作られています。そのため、こうした失敗の多くはプロンプト側の問題から始まります。以下のテスト結果が示すとおり、プロンプトを良くしても全部のビートが手に入るわけではありませんが、自分で制御できるのはそこです。

結論： LTX 2.3のプロンプトは、監督がカメラマンに指示を出すように書きます。現在形の1段落で、ショットと場所、フレームに入る人物と服装、起きる順に並べた動作、カメラの動きを1つとその終点、光源を1つ、そして最後にAudio:で始まる1行を書きます。5秒のクリップなら4〜8文で足ります。長いクリップに必要なのは形容詞ではなく、ビートの数です。画像から動画の場合は、絵の内容を説明せず、動くことだけを書いてください。APIエンドポイントにはネガティブプロンプトの欄もプロンプト拡張のオプションもないので、書いた言葉がそのまま指示のすべてになります（PlaygroundのEnhanceボタンで下書きを作ることはできます）。ペアごとに同じシードで1回ずつ実行した結果、弱いプロンプト4本をこの方法で書き直すと、ループしたりポーズを取るだけだったりしたクリップが、書いたビートの大半を順番どおりに再生するクリップになりました。ただし、全ビートを再現した書き直しはありませんでした。

骨組みは次のとおりです。

[Shot size] in [place, time of day]. An adult [man/woman] in [his/her] [age band] with [hair, one distinguishing feature] [and skin tone or look, if it matters], wearing [each garment: colour, fabric]. [First action], then [second action], then [how it ends]. The camera [one move, described relative to the person] and [where it stops]. [One light source: where it is and what it lights]; [haze, rain or reflections], [palette, grain]. Audio: [the room or place], [one or two specific sounds], [music, or "no music"].

LoRAを読み込む場合は、トリガーワードを最初の文より前に置きます。

この形で書いた実際のクリップを紹介します。LTX-2.3 LoRAのモデルページで公開されているショーケースの1本で、最初に回した結果ではありません。LoRAなしで実行しているので、素のLTX 2.3です。

A woman in her late twenties with short natural curls and warm brown skin, wearing a cobalt-blue satin slip dress, walks slowly away from the camera down an empty glass aquarium tunnel after closing time, barefoot, her heels dangling from one hand. A giant manta ray glides overhead and its shadow sweeps across her; blue caustic light ripples over her bare shoulders and back. She stops, turns her head and gives a smouldering glance back over her shoulder. The camera follows behind her, then holds. 35mm anamorphic, deep teal and cobalt grade, film grain. Audio: muffled hum of water, soft bare footsteps, one low cello note.

各文の役割は1つずつです。彼女が誰で何を着ているか、頭上を何が通り光がどうなるか、彼女が最後に何をするか、そしてカメラが何をするか。このプロンプトには「dynamic」も「cinematic shot」も出てきませんが、それで十分です。

このガイドの例は、あおり過ぎない範囲にとどめています。大人の登場人物、服装、雰囲気、光です。コンテンツのレベルが変わっても構造は変わりません。衣装や動作の文に何を書くかは、あなた次第です。

30秒で読む要点

• 1段落、現在形、ショットの順に。 タグの羅列も、「masterpiece, 8k」も、箇条書きも使いません。
• 動作は順番に。 「then」でつないで、クリップの終わり方まで書きます。目安は2秒につき1ビートで、5秒のクリップなら3つ、8秒なら4つから始めます。これは今回の実行から得た出発点であり、決まりではありません。終わりがずれるときは「0-2s:」形式の時間マーカーを試す価値があります。私たちの1回の実行では、終わりがそのとおりに決まりました。
• カメラの動きは1つだけ、人物を基準にして、終点つきで。 「dynamic camera」ではなく「the camera dollies in until she fills the frame from the waist up, then holds」と書きます。それでも無視されることはあります。私たちの実行では、人物のほうがカメラに向かって歩いてきました。
• 光源は1つ、それが何を照らすかも書く。 雰囲気を表す言葉は何も照らしません。
• 感情ではなく身体の動きで。 「she feels confident」ではなく「she tilts her head and smiles at the mirror」。
• Audio:で終える。 このエンドポイントのクリップにはすべてサウンドトラックが付き、オフにするスイッチはありません。
• 画像から動画では、変わることだけを書く。 人物、服、部屋は、すでに画像が決めています。
• ほとんどのビートは再現されるが、全部ではない。 以下の書き直しは、どれも少なくとも1つは落とすか別のものに置き換えています。1本ずつ確認し、書き直す前にまず再生成してください。
• 480pの5秒ドラフトは約$0.18。 ドラフトは文面を固めるのに使います。同じシードで回した720pは、別のクリップになりました。

Lightricksの推奨と、公式ガイド同士が食い違う点

このガイドは、Lightricksが公開しているアドバイスを土台にしています。LTX-2.3 prompt guide（2026年3月）は、すべてのプロンプトに6つのことを求めています。ショットを確立する、シーンを設定する、動作を順番に描く、登場人物を定義する、カメラがどう・いつ動くかを書く、音声を描く、の6つです。実際に役立つ点が、さらに3つ加わります。

• 感情は身体で表す。 「sad」や「confused」ではモデルが描く材料がほとんどありません。横を向く、間を置く、声が揺れる、といった描写なら動かす材料になります。
• プロンプトをクリップの長さに合わせる。 10秒のクリップに10語のプロンプトでは指示が足りず、モデルは動作を急いで済ませがちです。
• 苦手なものは避ける。 読める文字やロゴ、無秩序な物理挙動、人の多いシーン、矛盾する光、そして「pans right at 2 degrees per second」のような数値指示です。

LTXドキュメントのプロンプトガイドには、長さ（1回の連続したテイクにつき描写の文でおよそ4〜8文）と、もう1つ警告があります。他の動画モデル向けに書かれたプロンプトを、タグ構文やショットリストのままLTXに貼り付けないこと。流れるような1段落に書き直してください。

Lightricks自身の2つのページは食い違っていて、それが検索の要約にも表れています。メインのガイドは、長く詳しいプロンプトのほうが一貫して良い結果になると述べ、書き出しはショットだとしています。一方、分野別プロンプトについての記事は、200語以内に収めて、すぐに動作から始めるよう言っています。両者は中間で折り合います。このガイドの5秒用プロンプトは約85〜125語、8秒用は約140語で、いずれも200語を大きく下回ります。私たちはショットを先頭に置き、主な動作を2文目に書きました。順序だけで結果が変わるかどうかは、試していません。

弱いプロンプト4本を書き直して実行する

以下の各ペアは、弱いプロンプトによくある書き方の1つと、同じ着想を上の構造で書き直したものです。どちらのバージョンも、LoRAを読み込まずにLTX-2.3 LoRAエンドポイントで1回ずつ実行しており、これは素のLTX 2.3にあたります。テスト1、2、4は16:9のテキストから動画、テスト3は画像から動画で、すべて480pです。ペアの2つのバージョンは同じシードを使いました。クリップは2026年10月16日の初回実行の結果で、複数回のうちのベストではありません。各プロンプトは1回ずつしか実行していないので、結果はあくまでその実行で起きたことであり、決まりとして読まないでください。

1. 動作は順番に：8秒のクリップを埋める

長いクリップに短いプロンプトを使うのは、Lightricksが最初に警告している失敗です。ここでは、13語の着想と、同じ着想を5つのビートで書いたものを、どちらも8秒で比べます。

弱いプロンプト

An adult couple dancing slowly in a kitchen at night, romantic, cinematic, 4k.

書き直したプロンプト

Medium shot in a small apartment kitchen at night. An adult man in his thirties with short dark hair, in a white shirt with the sleeves rolled up, sets two wine glasses down on the counter. He turns to an adult woman in her late twenties with a loose blonde ponytail and a dark green silk slip dress and holds out his hand. She laughs, takes it and lets him pull her close. They sway through a slow half turn, her cheek on his shoulder, and she closes her eyes. The camera stays still at counter height and lets them turn in front of it. One warm pendant lamp over the counter lights their faces; the window behind them is dark blue. Audio: a slow soul song from a record player, her soft laugh, the clink of the glasses.

この実行で起きたこと：

• 弱いプロンプトは、1つの動きをループさせました。 8秒間ずっと、2人はその場で抱き合って揺れているだけです。グラスも、場面を先に進める出来事もなく、彼女のドレスは色がおかしな具合に混ざって出てきました。
• 書き直し版は、最初のビートを順番どおりに再生しました。 グラスが置かれ、彼が手を差し出し、彼女がその手を取って、彼が引き寄せます。カメラは固定されたままでした。
• ただし、1つ付け足し、1つ置き換えもしました。 プロンプトに書いていないキスが3秒付近に現れ、終わり方も違いました。彼の肩に頬を預けて目を閉じる代わりに、彼女はカメラのほうへ歩いてきて、ピントの外に出ていきます。

書き直しで加えたことと、その理由：

• 各人物に年齢層、髪、服を1着ずつ与えました。 モデルが勝手に作らないようにするためです。2人目は動作に加わる場所で登場させています。
• ビートは起きる順に、1文に1〜2個ずつ並べました。 最後の「she closes her eyes」は、クリップがループではなく終点にたどり着くようにするためのものです。この実行では、モデルは結局自分で結末を作りましたが、下のタイムスタンプ版はそこがうまくいきました。
• カメラには動かないよう指示しました。 動くのを2人だけにするためです。Lightricksは、1つのショットに動作を詰め込むと明瞭さを損なうと警告しています。
• ランプは1つ、窓は1つにしました。 光の筋道を1つにするためです。

書き直したプロンプトを実行する → 実行前にDurationを8、Resolutionを480pに設定してください。

タイムスタンプ：同じビートに「0-2s」〜「6-8s」を付ける

タイムスタンプは効くのか、という質問をよく受けますし、プロンプト生成ツールの中にはタイムスタンプを書き込むものもあります。そこで、同じビートに「0-2s:」「2-4s:」などの印を付けて、同じシード・同じ設定で再び実行しました。

Medium shot in a small apartment kitchen at night. An adult man in his thirties with short dark hair, in a white shirt with the sleeves rolled up, and an adult woman in her late twenties with a loose blonde ponytail and a dark green silk slip dress. 0-2s: he sets two wine glasses down on the counter. 2-4s: he turns to her and holds out his hand; she laughs and takes it. 4-6s: he pulls her close and they sway through a slow half turn. 6-8s: her cheek rests on his shoulder and she closes her eyes. The camera stays still at counter height. One warm pendant lamp over the counter lights their faces; the window behind them is dark blue. Audio: a slow soul song from a record player, her soft laugh, the clink of the glasses.

この実行では、ビートの大半が順番どおりに現れましたが、一字一句そのままではありません。2つのグラスを置く代わりに彼が彼女に1つ手渡し、半回転はほとんど見えず、6秒付近では、プロンプトにないニアキスで2人の顔が近づきます。それでも終わりはプロンプトの指定に近く、彼女が頭を彼の首と肩に預けるハグで終わりました。画面にタイムスタンプの文字は出ませんでした。つまり、この1回の実行では、タイムスタンプ版は最後のビートを再現し、通常版は再現しませんでした。それぞれ1回ずつの結果なので、タイムスタンプは決まりではなく、終わりがずれるときに試す決め手として扱ってください。

Lightricksのアドバイスとの関係：公式ガイドは自然言語で書くことを求め、「exactly 3 birds flying left to right at 45 degrees」のような数値での過度な制約を戒めていますが、区間マーカーについては何も述べていません。ここでは、順序を示す追加の手がかりとして働きました。ただしあくまでプロンプトの中の言葉であってキーフレームではないので、ビートがちょうどその秒に来ることは期待しないでください。

2. カメラ：動きを1つ指定して、終点も書く

「Dynamic camera movement」は、カメラが動くべきだと伝えるだけで、どう動くのか、どこまで動くのか、いつ止まるのかは伝えません。

弱いプロンプト

Cinematic shot of an adult woman on a hotel balcony at night, dynamic camera movement, epic, beautiful, 4k.

書き直したプロンプト

Wide shot of a hotel balcony at night, the city lit up far below. An adult woman in her thirties with dark wavy hair, in a black satin evening dress, barefoot, leans on the railing with her back to the camera. The camera dollies in slowly from the open balcony door toward her. As it reaches a medium shot, she turns her head over her shoulder and looks into the lens with a small smile. The camera stops and holds on her face and shoulders. Warm light from the room behind the camera falls on her back; the city behind her is soft blue bokeh. Audio: distant traffic, a light wind, faint party music from two floors down.

この実行で起きたこと：

• 「Dynamic camera movement」は、ゆっくりした引きになりました。 カメラは建物の外から始まり、後ろへ下がりながら上昇し、短い金色のトップスを着た彼女はフレームの中で小さいままです。ダイナミックなところは何もありません。
• 書き直し版は、人物は合っていましたが、カメラは外れました。 手すりにもたれて背中をレンズに向ける姿、振り返り、微笑み、青いボケの街並みは再現されました。ドリーインは再現されませんでした。カメラが寄ってミディアムショットで止まる代わりに、彼女のほうがカメラに向かって歩いてきます。開いたドアのガラスには、彼女のうっすらした分身も映っています。

書き直し版は、カメラの動きを人物を基準に描き、動き終えたときの見え方も書くという公式のアドバイスに従っています。ワイドで始まり、彼女の背中へ寄っていき、顔と肩のミディアムショットで終わるはずでした。この実行では、モデルは彼女をカメラまで歩かせることで似たフレーミングに到達しました。動きを名指しすれば起きやすくなりますが、確実ではありません。動きのほうが動作より重要なら、人物にさせることを減らしてください（「she stays at the railing and only turns her head」）。そうすれば、レンズまで歩くことがフレーミングを変える手近な方法ではなくなります。これは次に試すつもりのやり方であり、検証済みの対策ではありません。LTXガイドにあるカメラの動きの言葉は、follows、tracks、pans across、circles around、tilts up、pushes in / pulls back、overhead、handheld、over the shoulder、static frameです。1クリップにつき1つだけ使います。人物が動く間カメラは動かさずにおきたいときは、「the camera stays still」か「static frame」と書いてください。計画した動きと意図しないズームの見分け方は、固定カメラのガイドで扱っています。

3. 画像から動画：絵に写っているものではなく、動くものを書く

画像から動画では、最初のフレームが人物、服、部屋、クリップの形をすでに決めています。それらをもう一度説明しても、モデルがすでに見えているものにプロンプトを使うだけです。

このペアの開始フレーム：

弱いプロンプト（絵を説明している）

A handsome adult man with stubble in a charcoal shirt sitting on a hotel bed at golden hour holding a coffee cup, cinematic, realistic, high quality, 4k.

書き直したプロンプト（変わることだけ）

He takes a slow sip of coffee, lowers the cup to his knee and turns from the window to look straight into the lens. A half-smile, then he runs his free hand back through his hair. The camera pushes in slowly from a medium shot to a close-up on his face and stops. The sheer curtain lifts once in a breeze and the sunlight flickers across his cheek. One continuous shot. Audio: quiet room tone, the curtain rustling, a gull far outside, no music.

この実行で起きたこと：

• 絵を説明すると、絵が少し動いて返ってきました。 彼は窓の外を見たままゆっくりカップを持ち上げて1口飲みます。新しいことは何も起きません。
• 変化を説明すると、変化が起きました。 1口飲む、レンズのほうへ向く、髪をかき上げる、顔のクローズアップへ寄る、がすべて起こり、彼の顔は最初のフレームから最後まで同じ人物のままでした。
• 1つの手順は飛ばされました。 カップを膝に下ろす動作はなく、カップは途中で単に消えます。カーテンが動いたかどうかは確認できませんでした。

書き直し版は動詞で始まり、彼のシャツもベッドも時刻も書いていません。それらはフレームにあるからです。座った姿勢から起こせる小さな動作を3つ、終点つきのカメラの動きを1つ、光の変化を1つ、そして「One continuous shot」を入れています。これは、開始画像からカットで離れるつもりがない限り、Lightricksが画像から動画に勧めている書き方です。つまずいたのは小道具でした。カップが重要なら、置く動作を独立した1文にするか、手を離す前にクリップを終わらせてください。これは提案であり、再実行はしていません。

書き直したプロンプトを画像から動画で実行する → 先に自分のフレームをアップロードしてください。リンクが入力するのはプロンプトだけです。

4. 光と音：光源は1つ、Audio行も1行

雰囲気を表す言葉（「moody」「atmospheric」「beautiful lighting」）は、光ではなく気分を描写しています。

弱いプロンプト

Sensual moody scene of an adult woman at a mirror, beautiful lighting, atmospheric, romantic vibe, cinematic, 4k.

書き直したプロンプト

Medium close-up at a vintage vanity mirror late at night. An adult woman in her early thirties with copper-red hair loosely pinned up, in an ivory satin robe tied at the waist, fastens a pearl earring while she watches her reflection. She tilts her head, lets one strand of hair fall against her neck and smiles at the mirror. The only light is the row of warm bulbs around the mirror: it lights her face and the satin from the front and leaves the room behind her in deep shadow. A thin haze drifts through the bulb light. Amber and ivory palette, soft film grain. Audio: the faint hum of the bulbs, the click of the earring clasp, slow jazz from another room.

この実行で起きたこと：

• 雰囲気の言葉は、平板で混ざった光と、ポーズを取っただけのショットになりました。 窓からの昼光と両側の電球が全体を均一に照らし、クリップは片手で髪を持ち上げるグラマーポーズになります。描写がなかったため、モデルは彼女が誰かまで決めました。オフショルダーのキャミソールを着た、別人のような女性です。
• 光源を1つ指定すると、光が1つになりました。 鏡の電球だけが光源になり、背後の部屋は暗くなり、イヤリング、首をかしげる動き、鏡への微笑みはすべて起きました。もやはほとんど見えず、鏡像は彼女と合っていません。彼女は横向きに座っているのに、鏡にはカメラのほうを向いた女性が映っています。
• Audio行は、音楽は得られましたが、細部はっきり得られたとは言えません。 この2つのサウンドトラックは耳ではなくソフトウェアで調べたので、おおよその目安として受け取ってください。Audio行のない弱いクリップでは、劇的なオーケストラ調のスコアと、いくつかの小さな金属的なクリック音が検出され、書き直し版では静かなピアノと弦が検出されました。どちらにも声はありません。書き直し版が指定した3つの音（電球のうなり、イヤリングの留め具、別の部屋のジャズ）のうち、うなりとジャズは聞き分けられませんでした。彼女がイヤリングを留める瞬間の前後に短いクリック音はありますが、それが留め具なのかピアノの1音なのかは判別できません。

書き直し版の光の文は、光源（「the row of warm bulbs around the mirror」）、それが何を照らすか、何を暗いままにするかを書いています。これがLTXガイドの言う一貫した光のロジック、つまり向きのある1つの光源です。Audio:の行には、空間の音、動作に結びついた音を1つ（イヤリングの留め具）、そして音楽を並べました。この実行では、モデルが残したのは静かな音楽という発想だけでした。鏡には鏡特有のリスクもあります。ショットに入れるなら鏡像を確認するか、小さくするかピントの外に置いてください。

書き直したプロンプトを実行する →

Audio行の書き方

LTX-2.3 LoRAエンドポイントは、映像と一緒に生成された音声を必ず返します。プロンプトに音の指定がなければ、モデルが何かを選びます。テスト4では、劇的なオーケストラ調のスコアでした。

• 最後に、Audio:で始まる行として置く。 エンドポイント自身のガイダンスがこの形を求めており、書き直すときに音を見つけて変えやすくなります。
• 場所、次に具体的な音を1〜2個、最後に音楽の順で書く。 「Rain on the glass, a low roll of thunder, no music」なら、モデルにやることが3つ伝わります。「Atmospheric sound」では何も伝わりません。ただし、細部を当てにはしないでください。鏡のテストでは、トラックは雰囲気（静かな音楽、声なし）は保ちましたが、指定した音の大半ははっきり出ませんでした。正確な効果音が必要なときは、編集ソフトで足してください。
• できるなら、音を動作に結びつける。 留め具のカチッ、グラスの触れ合う音、ドアが閉まる音などです。音が乗る瞬間ができますが、確認した1回のテストでは、はっきりとは出ませんでした。
• セリフは引用符で囲む。 Lightricksのガイドに従い、短いフレーズの間に身体の動きを挟みます。He looks up from the glass and says, "You're late." A beat, then a half-smile: "I waited anyway." このエンドポイントでリップシンクは試していないので、セリフに頼る前に1つずつ確認してください。
• セリフなしの音声は品質が下がると見込む。 Lightricksのモデルカードには、音声が話し声なしで生成された場合、品質が低くなることがあると記されています。
• 確認したのはテスト4の2つのサウンドトラックだけで、耳ではなくソフトウェアで調べた。 そのため、このガイドは他のクリップの音について結論を出しません。

LTX 2.3 Spicy系は異なります。音声の欄がなく、返ってくるトラックは無音かそれに近いことが多いので、そうしたクリップは編集ソフトで音を整えてください。大きめのサンプルでAudio行がどう働くかについては、LTX-2 19Bのサウンドトラックテストで、前世代のLTXモデルの55トラックを測定しています。

画像から動画のための最初のフレームを用意する

画像から動画では、画像が仕事の大半をします。そのため、画像から動画の修正の多くは、プロンプトを書く前に行います。

• フレームが形を決める。 9:16の静止画なら9:16のクリップになります。画像から動画にはアスペクト比の設定がありません。
• 動きの余地を残す。 顔をぎりぎりまで切り取った画像では、1歩前に出ることはできません。カメラのほうを向くには、最初から顔が見えている必要があります。
• 服とポーズは静止画の段階で決める。 動画のプロンプトは、服や手を直す場所には向きません。言葉で変えようとすると、クリップは画像とテキストの間で折り合いをつけることになります。
• フレームに文字を入れない。 看板、字幕、ロゴはクリップに引き継がれ、動くとぼやけます。
• LTX-2.3 LoRAエンドポイントではプロンプトは必須。 Spicy系では任意で、フレームだけの場合はモデルが選んだ小さな動きが付きます。

Spicy系にはもう1つ注意点があります。モデルページには、クリップがフレームやプロンプトの指示より露出が多くなって返ってくることがある、と警告が出ています。クリップをあおり過ぎないレベルにとどめたい場合はベースモデルを使い、どちらの場合も全フレームを確認してください。

結果と請求額を左右する設定

クリップは毎秒24フレームで、ステレオトラックが付きます。ネガティブプロンプトの欄も、プロンプトの長さの上限も、プロンプト拡張のオプションもありません。

LTX-2.3 LoRAでのクリップの料金（1クリップ固定の$0.06に秒単価を加算。LoRAの読み込みに追加料金はありません）：

12本のテストクリップは、この金額どおりに請求されました。8秒の480pクリップは各$0.252、5秒のクリップは各$0.18、720pの再実行は$0.24で、合計$2.436です。大半は18〜25秒で返ってきて、いくつかは43〜57秒かかりました。

無理のない進め方：480pの5秒ドラフトを4本（$0.72）回して文面を固め、最終的に出力する解像度で2〜3回回してテイクを選びます（720pの10秒を3回で$1.26）。1つのショットを仕上げるのに約$2です。最後の回数を省けない理由は、次のテストでわかります。

480pのドラフトは、720pのレンダリングを予測できるか

解像度を変えると、新しい生成になります。テスト2で書き直した、バルコニーのプロンプトを、同じシードで720pで再実行しました。

まったく別のクリップになり、新しい失敗が加わりました。720pでは、彼女は手すりでカメラのほうを向いて始まり、手前のドアのそばには、同じ髪と同じドレスの2人目の彼女が、レンズに背を向けて立っています。ショットはやがて、肩越しに振り返って微笑むその2人目に落ち着きます。フレーミングはプロンプトの指定に近い形で終わりますが、それはカメラが寄ったからではなく、人物が1人増えたからです。

つまりこの実行では、解像度を変えることは、ドラフトの鮮明なコピーではなく、新たなサイコロの振り直しでした。480pは文面が機能するかのテストに使い、フレーミングと動きは最終的に出力する解像度で判断し、そこで数回回す予算を見込んでください。

クリップがおかしいとき：症状と対処

書き直す前に再生成してください。1本のクリップは、サイコロの1振りです。2つ目のシードでも同じ失敗が返ってくるなら、そのときプロンプトを変えます。

コピーして使える2つのテンプレート

どちらも2026年10月16日に、LTX 2.3のテキストから動画、480p、5秒、LoRAなしで1回ずつ実行しました。人物、服、場所を差し替えて、文の役割はそのまま残してください。

テンプレートA：縦型、1人、振り返り（9:16）

Vertical medium shot in a dark loft on a rainy night. An adult woman in her late twenties with a sleek black bob, in an oversized white button-down shirt and black tailored shorts, leans one shoulder against a tall rain-streaked window. She draws one finger slowly down the glass, then turns her head and looks back over her shoulder into the lens. The camera drifts slowly to the right and stops on her face in profile against the city lights. Cold blue light from the city comes through the window; a warm lamp behind the camera catches her cheek. Audio: rain against the glass, a low roll of distant thunder, no music.

この実行では、彼女はガラスに指を1本滑らせる代わりに手のひらを押し当て、そのあと肩越しにレンズを振り返り、その間にカメラは右へ動きながら顔へ寄ります。冷たい街の光と暖かい補助光はどちらも出ています。窓の雨はほとんど見えず、ショットはミディアムショットの指定より引きで始まり、全身がフレームに入っています。プロンプトは彼女の顔や肌の色を描写していないので、モデルが決めました。見た目が重要なら、書き込んでください。

テンプレートAを実行する → Aspect ratioは9:16に設定してください。プロンプトの「Vertical」という語では、フレームは設定されません。

テンプレートB：1つのショットに大人2人（16:9）

Medium two-shot inside a parked vintage car at night in heavy rain. On the left, an adult man in his thirties with a short beard and a dark leather jacket sits behind the wheel. On the right, an adult woman in her thirties with long auburn hair and a black cocktail dress turns toward him. She reaches over and straightens his collar; he catches her hand and kisses her knuckles, and they both laugh. Rain streams down the windshield and red and green neon from a diner sign slides across their faces. The camera stays still on the dashboard, facing them. Audio: rain drumming on the roof, the engine idling, their quiet laughter.

この実行では、2人はそれぞれ自分の側にとどまり、自分の服と髪のままでした。彼女は手を伸ばして彼のあごと襟に触れ、2人とも笑います。ネオンが2人の上を流れ、カメラは動きません。彼が彼女の手をつかんで指の関節にキスする場面は起きませんでした。1つのビートの中の2つ目の動作は、落とされたのです。

テンプレートBを実行する →

2人を描くときに、ここで2人を区別できた書き方は次のとおりです。「two adults」、誰がどこに座るか、それぞれの見た目、そしてモデルが人物だけを動かせばいいようにカメラを固定すること。2人には共有のビートを1つ与えてください。このテンプレートは続けて2つ頼んで、2つ目が落とされました。

LLMにプロンプトを書かせるなら、システムプロンプト

よくある依頼に、1行のアイデアをLTX 2.3のプロンプトに変えるシステムプロンプトがあります。Lightricksのローカルパイプラインには、このためのオプションのプロンプト拡張が付属していて、ドキュメントによれば、プロンプトが短い、大雑把、または他のモデル向けに書かれているときに最も効き、すでに構造に従っているときはあまり効きません。私たちのPlaygroundではEnhanceボタンが同じ役目を、1セントにも満たない料金で果たし、あなたの言葉を残したままカメラ、光、テンポを足します。APIや自分のツールからは、次のような短いシステムプロンプトを付けて、任意の言語モデルを使ってください。

You turn a short video idea into one prompt for LTX 2.3. The user will give the clip length in seconds. Write about one action beat for every two seconds of clip. Write a single paragraph in the present tense, four to eight sentences, under 200 words, longer for longer clips. Order: the shot size and the place; each person (an adult, with an age band, hair and clothing with colour and fabric); the actions in the order they happen, joined with "then", ending on a clear final moment; one camera move described relative to the person and where it stops; one light source and what it lights. End with a line that starts with "Audio:" and names the ambience, one or two specific sounds and whether there is music. Use physical actions instead of emotion words. No on-screen text, no numbers for angles or speeds, no tag lists, no quality words such as "4k" or "masterpiece". Keep the people, clothing and actions exactly as the user wrote them and add no new ones. For image-to-video, do not describe what is already in the picture: write only what moves and changes. Return only the prompt.

アイデアには長さを添えて送ります。たとえば：Clip length: 8 seconds. A couple slow-dancing in their kitchen at night.

返ってきたものは、実行する前に読んでください。書き換えモデルは、頼んでいない小道具、人物、カメラの動きを足すことがあります。また、LTX 2.3をローカルで動かす場合、拡張モデルの拒否文が、そのまま動画モデルが動かすプロンプトになってしまうことがあります。この失敗とローカルでの回避方法は、LTX 2.3 NSFWテストで説明しています。

LTX 2.3、Spicy、Spicy LoRA：プロンプトに関して何が変わるか

3つとも土台はLTX 2.3で、同じ書き方のルールが当てはまります。違うのは、プロンプトが担う役割です。

Spicy系では、内容はフレームが担い、プロンプトは短い動きのメモです。動作を1〜2個とカメラのメモだけを書き、フレームにすでに写っているものには触れません。たとえば「She turns her head toward the lens and smiles; the camera pushes in slowly and holds.」のようにです。これは目安とする長さを示す未検証の例です。実際に動いたプロンプトは、LTX 2.3 Spicyのレビューにあります。3つがアダルトコンテンツにどこまで踏み込むかは別の問題です。私たちのLTX 2.3 NSFWテスト（下のFAQにリンクあり）では、ベースモデルは21件のリクエストのうち1件も拒否せず、穏やかなシーンは書いたとおりに描き、より強いものの多くはトーンを抑えました。一方、LTX 2.3 Spicyは、開始フレームからさらに踏み込みました。うまく書いたプロンプトは、クリップがあなたの指示に従う度合いを上げますが、モデルが何を描くように学習されたかは変えません。

PlaygroundからAPIまで実行する

1. LTX-2.3 LoRAのテキストから動画を開き、Playgroundタブのままにします。実行するにはアカウントを作成してください。
2. プロンプトを貼り付けるか、上にある「実行」リンクを使うと、入力済みになります。
3. Resolutionを480pに、Durationをビートの数に合わせて設定します。素のLTX 2.3で動かすには、LoRAsを空のままにします。1行のアイデアしかない場合は、Enhanceが段落全体の下書きを作るので、それを編集してください。
4. 表示された料金を確認して実行し、1文だけ変えてもう一度実行します。残す価値のあるテイクのシードは控えておきます。

同じリクエストをコードから送る例です。ここではテスト4の書き直し版を短くしたものを使っています。必須なのはpromptだけです。

curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $(uuidgen)" \
  --data '{
    "model": "lightricks/ltx-2.3-lora/text-to-video",
    "input": {
      "prompt": "Medium close-up at a vintage vanity mirror late at night. An adult woman in her early thirties with copper-red hair loosely pinned up, in an ivory satin robe, fastens a pearl earring while she watches her reflection, then smiles at the mirror. The only light is the row of warm bulbs around the mirror. Audio: the faint hum of the bulbs, slow jazz from another room.",
      "resolution": "480p",
      "duration_seconds": 5,
      "aspect_ratio": "16:9",
      "seed": 20261016
    }
  }'

ポーリング、コールバック、すべてのフィールドはAPIリファレンスにあります。

FAQ

LTX 2.3のプロンプトは、どのくらいの長さにすべきですか？

1回の連続したショットにつき4〜8文です。これはLightricksのドキュメントが勧める長さで、たいていは60〜150語になります。クリップの長さに合わせて増減してください。10秒のクリップには、5秒のクリップより多くのビートが必要です。このエンドポイントに文字数の上限はありませんが、200語を超えるあたりからは、クリップが見せられる以上のことを描写してしまうことがほとんどです。

LTX 2.3はネガティブプロンプトに対応していますか？

私たちのLTX 2.3エンドポイントでは対応していません。ネガティブプロンプトの欄がないからです。見たくないものではなく、見たいもの（「sharp focus」「the camera stays still」）を描写してください。「no readable text」や「no music」のような短い制約は控えめに使い、守られたかどうかを確認してください。

LTX 2.3のプロンプトでタイムスタンプは使えますか？

終わりがずれるときに試す価値があります。私たちの1回の8秒テストでは、「0-2s:」から「6-8s:」で印を付けたビートが、おおむね順番どおりに再生され、通常版が外した最後のビートを再現し、画面に数字は出ませんでした。まずビートを順番に書いてください。Lightricksは自然言語を勧めていますし、1回の実行は決まりではありません。

LTX 2.3のプロンプト生成ツールやプロンプト拡張はありますか？

LightricksのローカルパイプラインとComfyUIテンプレートには、生成前にあなたのプロンプトを書き換える言語モデルである、オプションのプロンプト拡張が含まれています。私たちのPlaygroundでは、Enhanceボタンが選択中のモデル向けに短いアイデアを書き換え、料金は通常0.1セント前後です。APIエンドポイント自体にはプロンプト拡張のオプションがありません。上のシステムプロンプトを使えば、すでに使っている任意の言語モデルで同じことができます。

LTX 2.3のプロンプトはLTX 2.5でも使えますか？

構造は引き継がれます。LTX 2.5には、1つのプロンプトにカットでつないだ複数のショットを入れられる、描写した動作に合わせてクリップの長さを決められるなど、2.3にはない機能が加わっています。2.5向けに書いたプロンプトはLTX 2.5のガイドにあります。

LTX 2.3は無修正ですか？

それはモデルとエンドポイントによるもので、プロンプトの組み立て方によるものではありません。レベルごとの結果は、LTX 2.3 NSFWテストにあります。

あなたの責任

私たちは独自のコンテンツフィルターを加えていませんが、それでクリップの責任の所在が変わるわけではありません。画面に登場する人物は全員が成人でなければなりません。実在して特定できる人物を、本人の同意なく描かないでください。アニメーション化する画像は、権利を持っているものに限ってください。公開する地域の法律を守る責任は、あなたにあります。

最初の1本を書く

すでに持っているアイデアを選んで、6文で書いてみてください。ショット、人物、「then」でつないだ3つのビート、終点つきのカメラの動き1つ、光1つ、そしてAudio行です。LTX 2.3で480p・5秒で実行し、そのあとは1文ずつ変えていきます。20本のドラフトで$3.60です。