LTX-2 19B i LoRA do ruchów kamery: dźwięk, najazdy i limity w teście

LTX-2 19B tworzy klip od 5 do 20 sekund ze stereofoniczną ścieżką dźwiękową już w środku, a wersja z LoRA pozwala wczytać do trzech plików LoRA, by prowadzić kamerę albo przestylizować cały klip. W naszych testach z 5 października 2026 oficjalne LoRA kamery Dolly In, Dolly Out i Dolly Left działały przy scale 1, społecznościowa LoRA w stylu anime zmieniała wygląd przy scale 0.5, a każdy plik LoRA powyżej 2 GiB nie wczytywał się. Nic nie zostało odrzucone ani przefiltrowane, a obraz na wideo wstrzymywał więcej niż tekst na wideo na naszej drabinie treści dla dorosłych.

LTX-2 19B pochodzi od Lightricks i jest otwartym modelem audio-wideo, który generuje obraz i dźwięk razem. Model bazowy uruchomiliśmy przez rodzinę LTX-2 19B, a wersję z LoRA przez rodzinę LTX-2 19B LoRA. Poniższe prompty to codzienne sceny z ubranymi dorosłymi; nasze próby treści są streszczone poziomami, nie cytowane.

W skrócie

Dźwięk w każdym klipie

Najważniejsza cecha to ścieżka dźwiękowa dołączona do każdego klipu. Sterujesz nią wewnątrz promptu, zwykle ostatnim zdaniem zaczynającym się od „Audio:”. Na każdym wyniku potwierdziliśmy, że plik zawiera stereofoniczne AAC 24 kHz. Wydawca wymienia ograniczenie: dźwięk bez mowy może mieć niższą jakość, a trzymanie się promptu mocno zależy od stylu promptowania.

Oto klip tekst-na-wideo zbudowany wokół dźwięku:

LTX-2 19B, tekst na wideo, 16:9, 720p, 6 sekund, seed 201. Klatki na początku, w środku i na końcu. Powolny najazd odbywa się tak, jak prosiliśmy.

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.

Obraz i strukturę oceniliśmy klatka po klatce. Nie oceniliśmy jakości dźwięku, więc każdą obietnicę dotyczącą głosu czy miksu traktuj jako coś do sprawdzenia na własnym klipie.

Drugi przykład umieszcza dźwięk w akcji:

Tekst na wideo, 16:9, 720p, 5 sekund, 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.

Potrząsanie, nalewanie i uśmiech nastąpiły po kolei. Etykiety na butelkach są dekoracyjne, a nie czytelne.

Rozmiar, długość i szybkość

Tekst na wideo przyjmuje proporcje 16:9 lub 9:16 i buduje kadr z nich oraz z resolution. Obraz na wideo podąża za zdjęciem: zdjęcie 16:9 dało 832 x 448, 1216 x 704 lub 1856 x 1088, a zdjęcie 2:3 512 x 768 w 480p.

Tekst na wideo, 9:16, 720p (704 x 1280), 5 sekund, seed 203, z prośbą o dźwięk fal i śmiech.

Ta szybkość to druga połowa historii: LTX-2 19B zwracał klip 720p w sekundy, podczas gdy cięższy model, taki jak HunyuanVideo 1.5, potrzebuje minut. Szkicuj w 480p, sprawdź dźwięk i kadrowanie, a potem uruchom ponownie wybrany klip w 720p albo 1080p. Strony rodzin pokazują aktualną cenę za sekundę dla każdej rozdzielczości.

Obraz na wideo: opisz, co dzieje się dalej

Pierwsza klatka klipu z obrazu na wideo to twoje zdjęcie. Niebezpieczny jest prompt opisujący inne miejsce. W naszym teście portret 2:3 piosenkarki na scenie sparowano z promptem o łóżku, a klip po pierwszej klatce przeciął się na ujęcie sypialni. Model poszedł za słowami i porzucił zdjęcie.

Rozwiązaniem jest opisanie, co dzieje się dalej na obrazie:

Obraz na wideo, 720p, 5 sekund, seed 204, kamera statyczna.

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.

Otoczenie, jej strój i światło zostały. Ruch nie odpowiadał użytemu słowu: wycisnęła sztangę nad głowę zamiast martwego ciągu z podłogi, więc gdy to ważne, nazwij ruch prostymi fizycznymi krokami (chwyta, unosi do klatki piersiowej, wyciska nad głowę).

Obraz na wideo, 720p, 6 sekund, 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.”

Obraz na wideo wymaga promptu: w przeciwieństwie do niektórych modeli wymagane są zarówno image_url, jak i prompt.

LoRA kamery: ruchy Dolly

Prompt w rodzaju „the camera dollies in” to prośba. LoRA kamery robi z niej nawyk. Lightricks publikuje oficjalne LoRA do sterowania kamerą dla modelu LTX-2 19B: Dolly In, Dolly Out, Dolly Left i Dolly Right, plus Jib Up, Jib Down i Static. W rodzinie LTX-2 19B LoRA podajesz bezpośredni link do pliku .safetensors w tablicy loras:

{
  "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 i Dolly Left mają po 327 MB i wczytały się bez problemu przy scale 1. Opisz, gdzie kamera ma skończyć, tak jak robi to powyższy prompt zdaniem „until her face fills the frame”.

LoRA Dolly In przy scale 1, tekst na wideo, 720p, 5 sekund, seed 301. Kamera kończy na jej twarzy, tak jak prosił prompt. Mężczyzna po lewej na pierwszej klatce był dodatkiem naszego modelu.

LoRA Dolly Out przy scale 1, tekst na wideo, 720p, 5 sekund, seed 302: „Starting close on a man... the camera dollies out to reveal the whole boat heeling over on a deep blue sea.”

Trzecie ujęcie na scenie koncertowej zaczyna się z tyłu sali i najeżdża na pianistę:

LoRA Dolly In przy scale 1, tekst na wideo, 720p, 5 sekund, seed 307.

Ruch jest mocną stroną. Drobiazgi dryfują: napis na fortepianie wyszedł zniekształcony.

Który kierunek do jakiego zadania

Obraz na wideo z LoRA kamery

Zdjęcie ustala osobę i garderobę, a LoRA ustala ruch:

LoRA Dolly In przy scale 1, obraz na wideo, 720p, 5 sekund, seed 304. Pierwsza klatka to zdjęcie; klip kończy się zbliżeniem jej twarzy.

LoRA Dolly Out przy scale 1, obraz na wideo, 720p, 5 sekund, seed 305.

Dwa inne klipy pokazują, gdzie ruch na bok się rozluźnia:

LoRA Dolly Left przy scale 1, tekst na wideo, 9:16, 720p, seed 303. Kamera przesuwa się w lewo, tak jak prosiliśmy, a obsada na końcu nie jest obsadą, od której zaczęliśmy.

LoRA Dolly Left przy scale 1, obraz na wideo, 720p, 5 sekund, seed 306. Prosiliśmy, by dalej grał; kamera odjechała, a on opuścił kadr.

Wniosek: LoRA kamery czyni ruch niezawodnym, a nie podmiot. Gdy podmiot musi zostać, poproś o krótszy ruch albo utrzymaj prostą akcję.

LoRA w stylu anime, łączenie i scale

Wypróbowaliśmy też społecznościową LoRA w stylu anime (428 MB) z frazą wyzwalającą na początku promptu, za każdym razem na tym samym seedzie i prompcie.

Zaczynaj styl LoRA od 0.5 i podnoś małymi krokami. Słowa wyzwalające z karty modelu LoRA umieść na samym początku promptu, a potem wysyłaj tę samą tablicę loras z każdym promptem w serii, żeby ujęcia do siebie pasowały. Łącz styl z plikiem kamery przy umiarkowanych siłach; w jednym żądaniu mieszczą się do trzech LoRA, a liczba LoRA nie zmienia ceny. Klatek stylu nie umieściliśmy na tej stronie, bo to materiał testowy, a nie gotowe klipy.

Dlaczego LoRA się nie wczytuje

Pole loras przyjmuje bezpośredni link do pobrania jednego pliku .safetensors. Wszystko inne, co próbowaliśmy, zawodziło w przewidywalny sposób, a nieudane żądanie nie jest rozliczane:

Ostatni wiersz jest niebezpieczny, bo nic nie mówi, że niczego nie zrobiło. Uruchom parę z plikiem i bez, na tym samym seedzie. Jeśli oba klipy zgadzają się w kompozycji, garderobie i ruchu, plik wytrenowano pod inny model. Gdy LoRA jest za duża, poszukaj mniejszego eksportu tej samej LoRA albo takiej wytrenowanej z niższą rangą.

Jak daleko to sięga

Nic nie filtruje promptu, plików LoRA ani wyniku. Uruchomiliśmy tę samą drabinę siedmiu prób co dla pozostałych modeli, w 480p i 5 sekundach, wszystkie postacie dorosłe. W obrazie na wideo zdjęcia startowe przedstawiały ubranych dorosłych. Wersja z LoRA bez wczytanej LoRA zgadzała się z bazową na tych samych seedach. Wyniki streszczamy poziomami i nie drukujemy promptów prób.

Zero odmów, zero błędów, bez zamazywania. Tekst na wideo dostarczył 4 z 7 prób, a obraz na wideo 2 z 7, więc obraz na wideo wstrzymywał więcej. Z wczytaną LoRA w stylu anime próba L3 wróciła jako postać bez cech, więc LoRA stylu złagodziła ją jeszcze bardziej. Jedna próba na komórkę to próbka, a nie wskaźnik.

Gdzie zawodzi

• Obraz na wideo ucina scenę, gdy prompt opisuje inne miejsce.
• Podmioty dryfują pod silnymi ruchami kamery, w ubraniu i w tym, kto jest w kadrze.
• Pliki LoRA powyżej 2 GiB zawodzą, a kilka popularnych ma taki rozmiar.
• LoRA do złej bazy zawodzi po cichu.
• Dźwięk jest sterowany promptem i przez nas nieoceniany; wydawca zaznacza niższą jakość dźwięku bez mowy.
• Brak przełącznika dźwięku. Każdy klip niesie ścieżkę.
• Obraz na wideo jest łagodniejszy wobec treści dla dorosłych niż tekst na wideo.

LTX-2 19B czy wersja z LoRA

Zacznij od modelu bazowego i przejdź na wersję z LoRA, gdy prompt wciąż pudłuje w ruchu kamery albo stylu. Jeśli potrzebujesz cięższego, niemego modelu do twarzy, zobacz nasz test HunyuanVideo 1.5, a ogólne podejście do LoRA znajdziesz w uruchamianiu własnej LoRA przez API.

FAQ

Czy LTX-2 19B generuje dźwięk?

Tak, każdy klip ma stereofoniczną ścieżkę AAC 24 kHz i nie da się jej wyłączyć. Dźwiękiem sterujesz zdaniem „Audio:” w prompcie, a wydawca zaznacza, że dźwięk bez mowy może mieć niższą jakość.

Jak długi może być klip?

Dowolna pełna sekunda od 5 do 20, w 480p, 720p lub 1080p. 20-sekundowy klip 480p wrócił w 36 sekund. Żądania 4 lub 21 sekund są odrzucane przy wysyłaniu.

Dlaczego mój klip z obrazu na wideo przeciął się na inną scenę?

Prompt opisywał inne otoczenie niż twoje zdjęcie. W naszym teście portret ze sceny plus prompt o łóżku przeciął się na sypialnię. Opisz zamiast tego, co dzieje się dalej na obrazie.

Które LoRA kamery działały?

Oficjalne LoRA Lightricks Dolly In, Dolly Out i Dolly Left, po 327 MB każda, wczytały się i poruszały kamerą przy scale 1. Jib Up i Static mają 2,2 GB, powyżej limitu.

Jaki jest limit rozmiaru pliku LoRA?

2 GiB, czyli 2 147 483 648 bajtów. Większe pliki kończą się błędem „Failed to load LoRA”, a nieudane żądanie nie jest rozliczane. Linkuj bezpośrednio do pliku .safetensors, a nie do strony repozytorium.

Czy mogę łączyć kilka LoRA?

Tak, do trzech na żądanie, każda z własnym scale od 0 do 4. LoRA stylu i LoRA kamery Dolly In, obie przy 1, działały razem w naszym teście, a styl się utrzymał.

Skąd wiem, że moja LoRA faktycznie coś zrobiła?

Uruchom ten sam seed i prompt z nią i bez niej. LoRA wytrenowana pod inny model bazowy wczytała się w naszym teście bez błędu i niczego widocznego nie zmieniła.

Czy LTX-2 19B jest bez cenzury?

Tak, nic nie filtruje promptu, LoRA ani wyniku. Na naszej drabinie tekst na wideo dostarczył 4 z 7 prób, a obraz na wideo 2 z 7, bez odmów, a resztę złagodził sam model.