本文へスキップ

LTX-2 19B の text-to-video は、1 つのプロンプトから 5〜20 秒のクリップとそのステレオ音声を生成します。解像度は 480p / 720p / 1080p、画面は 16:9 か 9:16 で、声、音楽、効果音はプロンプトに従います。課金は 1 秒単位で、コンテンツフィルターはありません。

最低価格 $0.014/秒

プレイグラウンド

入力

テキストから動画
シーン、動作、カメラを書き、そのあとに専用の "Audio:" 行で音(声、音楽、効果音、環境音)を書きます。 1 文字以上
横長は 16:9(既定)、縦長は 9:16 です。画面の形で料金は変わりません。
料金に影響
480p(832 x 448)、720p(1280 x 704、既定)、1080p(1920 x 1024)です。一段上がるごとに 1 秒あたりの料金が上がります。
長さ料金に影響
5〜20 の整数秒で、1 秒単位で課金されます。 5 以上 · 20 以下
シード値
1 つずつ条件を変えながら、実行結果を比べやすくします。フレームまで同一のクリップになることは保証しません。 0 以上 · 2147483647 以下
セーフティチェックオフ

SpicyAPI はこのモデルにセーフティチェックをかけません。プロンプトと素材はそのままモデルに渡り、出力はモデル自身が決めます。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち
サンプル出力

関連モデルと次のステップ

お探しのモデルが見つかりませんか?

必要なモデルと用途をお知らせください。次に何を追加するかを決めるチームに直接届きます。

1 回のリクエストで、映像と音声がそろった完成クリップを

LTX-2 19B は Lightricks が公開しているオープンな音声・映像モデルで、すべてのクリップを、同じ処理で生成したステレオ音声付きの完成した MP4 として返します。テキストから動画も画像から動画も、480p・720p・1080p で 5 〜 20 秒に対応し、当社の実行では 720p・5 秒のクリップがモデル処理時間で 14 〜 25 秒でした。声、歌、効果音、環境音はプロンプトに従い、音を消すスイッチはありません。プロンプトも画像も結果もフィルタリングしません。

プレイグラウンドを開く
1 回のリクエストで、映像と音声がそろった完成クリップを
モデル
Lightricks の LTX-2 19B。映像と音声を同時に作るオープンな音声・映像モデル
クリップの長さ
5 〜 20 の整数秒。4 秒と 21 秒は送信時に拒否
解像度
16:9 で 480p は 832 x 448、720p は 1280 x 704、1080p は 1920 x 1024。9:16 は縦横が入れ替わる
音声
全クリップに 24 kHz のステレオ AAC。オフにする方法はなし
速度
720p・5 秒は 14 〜 25 秒、1080p は 31 〜 44 秒、480p・20 秒は 36 秒
コンテンツフィルター
なし。大半のテストは書いたとおりに生成され、最も強いものはモデルが控えめに描いた
音声
音は追加の工程ではなく、クリップの一部どのクリップにも AAC のステレオ音声が付いてきました。ラウンジ歌手のバラード、バーテンダーのシェイカー、ポーチの階段で弾くギターなどです。「Audio:」で始まる行を加えて聞こえてほしい音を並べると、音を誘導できます。なくてもモデルは音を付けますが、選べる範囲は狭くなります。
長さ
1 回の生成で最長 20 秒5 〜 20 の整数秒から選べます。480p・20 秒のクリップは当社の実行でモデル処理時間 36 秒で完了し、断片ではなく 1 つの場面になる長さです。フレーム数は秒数 × 24 + 1 なので、5 秒のリクエストは 5.04 秒のファイルになります。
制限
できないこと音声のスイッチはなく、フレーム単位できりのよいサイズでもありません。1080p は 1920 x 1024、720p は 1280 x 704 です。テキストから動画は 16:9 と 9:16 だけで、画像から動画は写真とプロンプトの両方が必要です。パブリッシャーは、発話のない音は品質が下がることがあると述べています。

LTX-2 19B の使いこなし方

音には専用の行を用意する

音には専用の行を用意する

プロンプトの末尾に「Audio:」を置き、聞こえてほしい音を挙げます。たとえば「ice rattling in the shaker, low bar chatter, soft music」です。ギャラリーのラウンジ歌手とバーテンダーのプロンプトにはどちらも Audio の行があります。先に動作を、次に音を書いてください。

長さと形はリクエストごとに選ぶ

長さと形はリクエストごとに選ぶ

テキストから動画は 16:9 か 9:16 を受け付けます。シートには、フィード向けの縦型クリップ 1 本の 3 つの瞬間を並べました。長さは 5 〜 20 の整数秒なので、まず 5 秒で下書きし、ショットが決まってから伸ばしてください。

  • 480p で下書きし、720p か 1080p で納品する

    ウォームな状態の 480p・5 秒の実行は 7 〜 9 秒で終わりましたが、コールド状態や順番待ちの実行は 45 〜 118 秒かかりました。当社のテストでは 720p が最もバランスが良く 14 〜 25 秒、1080p は 31 〜 44 秒でした。

  • 画像から動画では、写真の中にとどまる

    最初のフレームは写真で、クリップはその形に従います。プロンプトが別の場所を描写すると、クリップが新しいショットに切り替わることがあります。当社のテストでは、ステージ上の歌手の写真に別の部屋を描くプロンプトを付けたところ、その部屋にカットが切り替わりました。送った写真の中で次に起きることを書いてください。

  • 1 クリップに 1 つの場面

    被写体 1 つ、動作 1 つ、場所 1 つを書いて、最後に音の行を置きます。長いクリップは場面に余裕を持たせられますが、1 つのプロンプトに複数の出来事を積むと、モデルが勝手に選んでしまいます。

LTX-2 19B の主な使い手

  • 最初から音が合っているクリップ

    フィットネス・ライフスタイル系のクリエイター

    最初から音が合っているクリップ

    薄暗いジムでバーベルの前に立つ女性です。画像から動画は写真から始まり、彼女は握り、持ち上げ、止めます。プロンプトの Audio の行で、その空間の音を指定しました。音を別工程で合わせる必要はありません。

  • 本物の音声付きのパフォーマンス

    ミュージシャン・ミュージックビデオの制作者

    本物の音声付きのパフォーマンス

    夕暮れのポーチの階段でギターをつま弾き、ハミングする男性は、映像と音声が一緒に返ってきました。Audio の行には、メロディではなく曲のムードを書いてください。

  • 風に動く静止画

    ファッション・ポートレートのチーム

    風に動く静止画

    屋上の手すりにもたれた男性が、夕方の風に白いリネンのシャツと髪を揺らされながらカメラに振り向きました。写真が顔と服装を固定し、プロンプトは動きだけを加えます。

  • 規制なし、音声込み

    規制なしプラットフォームの開発者

    規制なし、音声込み

    プロンプトにも画像にも結果にもフィルターはなく、音声も一緒に付いてきます。映っている人物は全員が成人であることが条件で、当社のテストでは最も強いテストもモデルが控えめに描きました。

LTX-2 19B で最初のクリップから量産まで

  1. テキストか写真かを選ぶ

    アイデアを 16:9 か 9:16 で作るならテキストから動画、顔や場所を固定したいときは画像から動画です。

  2. 先に映像、次に音を書く

    場面を 1 つ、動作を 1 つ書き、そのあとに「Audio:」で始まる行で聞こえてほしい音を書きます。

  3. 480p・5 秒で下書きする

    長さや解像度に費用をかける前に、音と冒頭フレームを確認します。

  4. 解像度と長さを上げる

    勝った 1 本を 720p か 1080p でやり直し、動作に必要なら長さを最長 20 秒まで伸ばします。

  5. カットアウェイに注意する

    画像から動画では、プロンプトを写真の場面の中にとどめてください。別の場所を書くと、新しいショットが始まることがあります。

そのまま使える LTX-2 19B のプロンプト

  • 自前の音声付きのパフォーマンス

    16:9、720p、6 秒のテキストから動画向けです。

    An adult woman in her thirties in a long burgundy dress sings softly into a vintage microphone on a small club stage, eyes half closed, a pianist behind her in warm amber light, slow push-in. Audio: her voice singing a slow ballad, soft piano, quiet applause at the end.
  • 縦型の街角のシーン

    9:16 のテキストから動画向けです。

    An adult man in a dark rain jacket walks through a night market under paper lanterns, steam rising from food stalls, he stops, glances back at the camera and smiles. Handheld camera, shallow depth of field. Audio: crowd chatter, sizzling pans, light rain on canvas.
  • 窓辺のポートレートから動かす

    窓辺の成人のポートレートからの画像から動画向けです。写真の場面の中にとどめてください。

    The adult woman in the cream sweater lifts her mug, looks out of the window at the rain, then turns to the camera and smiles. The camera holds steady. Audio: rain on the glass, a soft kettle click, her quiet laugh.

LTX-2 19B のその他のよくある質問

音まで仕上げたいクリップに

場面を 1 つ書き、聞こえてほしい音を Audio の行に足して、480p・5 秒で下書きします。

勝った 1 本を 720p か 1080p でやり直し、最長 20 秒まで伸ばしましょう。画像から動画では、プロンプトを写真の場面の中にとどめると、クリップが別のショットに切り替わりません。