Czy LTX-2 19B generuje dźwięk?

Tak, w każdym klipie. Lightricks zbudował go jako jeden model dla obrazu i dźwięku, a każdy plik MP4 zawiera stereofoniczny dźwięk AAC 24 kHz, który podąża za promptem. Dźwięku nie da się wyłączyć, a wydawca zaznacza, że dźwięk bez mowy może mieć niższą jakość.

Jak długi może być klip?

Dowolna pełna sekunda od 5 do 20. Żądanie 4 lub 21 sekund jest odrzucane przy wysyłaniu. Żądanie 5 sekund zwraca plik o długości 5,04 sekundy, bo liczba klatek to sekundy razy 24 plus jedna.

Jakie rozdzielczości i kształty dostanę?

480p, 720p i 1080p. W trybie tekst na wideo w 16:9 to 832 x 448, 1280 x 704 i 1920 x 1024, a 9:16 zamienia boki. Obraz na wideo podąża za twoim zdjęciem: zdjęcie 16:9 wróciło w 832 x 448, 1216 x 704 i 1856 x 1088.

Czy jest bez cenzury?

Tak. Nic nie filtruje ani promptu, ani obrazu, ani wyniku. Większość naszych testów treści wygenerowała się zgodnie z opisem, a najmocniejszy wrócił złagodzony przez model. Wszyscy widoczni na ekranie muszą być dorośli, a prawa i zgody do wszystkiego, co generujesz, pozostają po twojej stronie.

5-sekundowy klip 720p zajął w naszych przebiegach od 14 do 25 sekund czasu modelu, 1080p od 31 do 44, a 20-sekundowy klip 480p 36. 5-sekundowy klip 480p trwał od 7 do 9 sekund na rozgrzanym modelu i od 45 do 118, gdy był zimny lub kolejkowany.

Dlaczego mój klip z obrazu na wideo przeskakuje do innej sceny?

Pierwszą klatką jest twoje zdjęcie, ale prompt opisujący inne miejsce może sprawić, że klip przeskoczy do nowego ujęcia. Opisz to, co dzieje się dalej w obrębie obrazu.

Czy prompt jest wymagany w trybie obraz na wideo?

Tak, w tym modelu wymagane są i obraz, i prompt, w przeciwieństwie do HunyuanVideo 1.5, gdzie prompt jest opcjonalny.

Czy potrzebuję LoRA do ruchów kamery albo stylów?

Tylko wtedy, gdy chcesz mieć taką kontrolę. LTX-2 19B LoRA to ten sam model z maksymalnie trzema plikami LoRA na żądanie, na przykład oficjalnymi LoRA do sterowania kamerą; endpointy z tej strony nie mają pola loras.

API LTX-2 19B: wideo NSFW z dźwiękiem bez cenzury, 5–20 s

lightricks/ltx-2-19b/text-to-video

Tekst na wideo w LTX-2 19B generuje z jednego promptu klip o długości od 5 do 20 sekund wraz ze ścieżką stereo, w 480p, 720p lub 1080p, w 16:9 albo 9:16. Głosy, muzyka i efekty wynikają z promptu, rozliczenie jest za sekundę, a filtra treści nie ma.

Od $0.014/s

Uruchom model Zobacz API

Wejście

Tekst na wideo

Prompt

Proporcje obrazu

Rozdzielczośćwpływa na cenę

Czas trwaniawpływa na cenę

Seed

Filtr bezpieczeństwaWyłączony

SpicyAPI nie uruchamia przy tym modelu żadnego filtra bezpieczeństwa. Twój prompt i media trafiają do modelu w takiej postaci, w jakiej je zapisałeś, a o tym, co wraca, decyduje sam model.

Sprawdzamy twoje konto, zanim odblokujemy wysyłkę i wycenę.

Wyjście

Gotowe do nowego uruchomienia

Wynik przykładowy

Wydłuż

Upscaling wideo

Edycja wideo

{
  "model": "lightricks/ltx-2-19b/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "duration_seconds": 6,
    "seed": 530511,
    "prompt": "Night on the open-air rear balcony of the last carriage of a vintage passenger train racing across a dark plain, the steel tracks streaming away behind it. An adult Japanese man in his mid-thirties in a long wool overcoat worn open over a white shirt with the collar undone grips the brass rail as the wind tears at his coat and hair; the rails run away behind him into the dark, lit red by the tail lamp. A level crossing flashes past, its lights strobing across his face, and he turns to the camera with a slow, dangerous smile. Handheld 35mm, slight push-in, cold blue night with red tail-lamp glow, film grain. Audio: the fast clatter of wheels over rail joints, roaring wind, a crossing bell rising and fading as it passes, then one long horn from the locomotive far ahead."
  }
}

Wprowadzenie

LTX-2 19B Tekst na wideo zamienia jeden prompt w klip z własną ścieżką dźwiękową. LTX-2 to otwarty fundamentalny model audio-wideo od Lightricks z 19 miliardami parametrów; ten endpoint zwraca od 5 do 20 sekund w 480p, 720p lub 1080p, w 16:9 albo 9:16, z dźwiękiem stereo w tym samym pliku MP4. Platforma nie nakłada filtra treści.

Wybierz tryb według materiału wyjściowego

Co masz	Tryb
opis tekstowy	LTX-2 19B Tekst na wideo
zdjęcie do animacji	LTX-2 19B Obraz na wideo
własne pliki LoRA	LTX-2 19B LoRA Tekst na wideo

Najważniejsze funkcje

Obraz i dźwięk razem

Głosy, śpiew, instrumenty, efekty i dźwięk pomieszczenia powstają razem z klatkami, więc pasują do akcji.

Od 5 do 20 sekund

Dowolna pełna sekunda z tego zakresu, rozliczana za sekundę.

Szybki w 720p

W naszych testach pięciosekundowy klip w 720p zajął od 14 do 25 sekund czasu modelu.

Bez cenzury

Żadnego filtra na prompt ani klip. Nasze sondy treści o średnim poziomie zostały odtworzone tak, jak napisano; najmocniejsza wróciła złagodzona.

Parametry żądania

Parametry żądania: LTX-2 19B · Text to Video
Parametr	Wymagane	Uwaga
`prompt`	Tak	Opisz scenę, akcję i kamerę, a potem dźwięk w osobnej linii „Audio:”: głosy, muzyka, efekty, tło. od 1 znaków
`aspect_ratio`	Nie	16:9 dla poziomu (domyślnie) albo 9:16 dla pionu. Kształt kadru nie zmienia ceny. `16:9` · `9:16` · Domyślnie: `16:9`
`resolution`	Nie	480p (832 x 448), 720p (1280 x 704, domyślnie) albo 1080p (1920 x 1024). Każdy stopień kosztuje za sekundę więcej. `480p` · `720p` · `1080p` · Domyślnie: `720p`
`duration_seconds`	Nie	Dowolna pełna sekunda od 5 do 20, rozliczana za sekundę. `≥ 5` · `≤ 20` · Domyślnie: `5`
`seed`	Nie	Pozwala porównywać przebiegi, gdy zmieniasz jedną rzecz naraz. Nie gwarantuje klipu identycznego co do klatki. `≥ 0` · `≤ 2147483647`

Cennik

Rozliczane za sekundę wyniku przy wybranej rozdzielczości. Proporcje obrazu nie zmieniają ceny, a ścieżka dźwiękowa jest wliczona.

Cennik
Specyfikacja	Cena
`480p`	$0.0144 / sekundę
`720p`	$0.0192 / sekundę
`1080p`	$0.0288 / sekundę

Zastosowania

Klipy z występami

Wokaliści, muzycy i tancerze z własnym dźwiękiem w jednym pliku.

Dłuższe ujęcia

Dwadzieścia sekund wystarczy na scenę z początkiem i końcem.

Klipy dla platform bez filtra

Bez filtra treści, z dźwiękiem, a na ekranie wyłącznie osoby pełnoletnie.

Poznaj najważniejsze poradniki zastosowań

Wskazówki

Dźwięk w osobnej linii

Zakończ słowem „Audio:” i wymień, co ma być słychać.

Mowa wypada mocniej niż tło

Wydawca zaznacza, że dźwięk bez mowy może mieć niższą jakość; głos albo piosenka niosą lepiej.

Szkicuj w 5 sekundach

Znajdź ujęcie w 5 sekundach i 480p, a potem zwiększ długość albo rozdzielczość.

Licz się z nieco niższymi klatkami

720p to 1280 x 704, a 1080p to 1920 x 1024; zaplanuj przycięcia odpowiednio.

Szybki start z API

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
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: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "lightricks/ltx-2-19b/text-to-video",
  "input": {
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "duration_seconds": 5
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.

Powiązane modele i kolejne zadania

Brakuje modelu, którego potrzebujesz?

Napisz, co dodać i do czego chcesz tego użyć. Zgłoszenia trafiają do osób, które decydują o kolejności wdrożeń.

Jedno żądanie, jeden gotowy klip z obrazem i dźwiękiem

LTX-2 19B to otwarty model audio-wideo od Lightricks i zwraca każdy klip jako gotowy plik MP4 ze stereofoniczną ścieżką dźwiękową wygenerowaną w tym samym przebiegu. Tekst na wideo i obraz na wideo działają od 5 do 20 sekund w 480p, 720p albo 1080p, a 5-sekundowy klip 720p zajmował w naszych przebiegach od 14 do 25 sekund czasu modelu. Głosy, śpiew, efekty i tło dźwiękowe podążają za twoim promptem, a dźwięku nie da się wyłączyć. Nic nie filtruje ani promptu, ani obrazu, ani wyniku.

Otwórz playground

Jedno żądanie, jeden gotowy klip z obrazem i dźwiękiem

Model: Lightricks LTX-2 19B, otwarty model audio-wideo, który tworzy obraz i dźwięk razem
Długość klipu: Dowolna pełna sekunda od 5 do 20; 4 i 21 są odrzucane przy wysyłaniu
Rozdzielczość: 480p 832 x 448, 720p 1280 x 704, 1080p 1920 x 1024 w 16:9; 9:16 zamienia boki
Dźwięk: Stereo AAC 24 kHz w każdym klipie, bez możliwości wyłączenia
Szybkość: 5 s w 720p: od 14 do 25 sekund; w 1080p: od 31 do 44; 20 s w 480p: 36 sekund
Filtr treści: Brak; większość naszych testów wygenerowała się zgodnie z opisem, a najmocniejszy wrócił złagodzony

Dźwięk: Dźwięk jest częścią klipu, a nie dodatkowym krokiemKażdy klip wracał ze stereofonicznym dźwiękiem AAC: ballada piosenkarki w lounge’u, shaker barmana, gitara na schodach werandy. Dodaj linijkę zaczynającą się od „Audio:” i wymień, co ma być słychać, żeby to ukierunkować; bez niej model i tak dodaje dźwięk, ale masz nad nim mniejszą kontrolę.
Długość: Do 20 sekund w jednym przebieguWybierz dowolną pełną sekundę od 5 do 20. Klip 480p o długości 20 sekund powstał w naszym przebiegu w 36 sekund czasu modelu, wystarczająco długi na całą scenę, a nie urywek. Liczba klatek to sekundy razy 24 plus jedna, więc żądanie 5 sekund daje plik o długości 5,04 sekundy.
Ograniczenia: Czego model nie zrobiBrak przełącznika dźwięku i brak rozmiarów co do klatki: 1080p to 1920 x 1024, a 720p to 1280 x 704. Tekst na wideo oferuje tylko 16:9 i 9:16, a obraz na wideo wymaga zarówno zdjęcia, jak i promptu. Wydawca zaznacza, że dźwięk bez mowy może mieć niższą jakość.

Praca z LTX-2 19B

Daj dźwiękowi osobną linijkę

Zakończ prompt frazą „Audio:” i nazwij to, co ma być słychać, na przykład „ice rattling in the shaker, low bar chatter, soft music”. Piosenkarka i barman w galerii mieli w promptach linijkę Audio, więc najpierw opisz czynność, a dopiero potem dźwięk.

Wybierz długość i kształt w każdym żądaniu

Tekst na wideo przyjmuje 16:9 albo 9:16, a arkusz pokazuje trzy momenty jednego pionowego klipu do feedów. Czas trwania to dowolna pełna sekunda od 5 do 20, więc szkicuj w 5 i wydłużaj pomysł dopiero wtedy, gdy ujęcie działa.

Szkicuj w 480p, dostarczaj w 720p lub 1080p
Rozgrzany 5-sekundowy przebieg w 480p kończył się w 7 do 9 sekund, choć zimne lub kolejkowane trwały od 45 do 118. 720p to w naszych testach złoty środek, od 14 do 25 sekund, a 1080p zajmowało od 31 do 44.
W trybie obraz na wideo zostań w obrębie zdjęcia
Pierwszą klatką jest twoje zdjęcie, a klip podąża za jego kształtem. Jeśli prompt opisuje inne miejsce, klip może przeskoczyć do nowego ujęcia: w naszym teście zdjęcie śpiewaczki na scenie z promptem o innym pomieszczeniu przeszło w to pomieszczenie. Opisz to, co dzieje się dalej na wysłanym obrazie.
Jedna scena na klip
Jedna postać, jedna czynność i jedno miejsce, a potem linijka z dźwiękiem. Długie klipy pozwalają scenie oddychać, ale upchnięcie kilku zdarzeń w jednym prompcie sprawia, że model wybiera za ciebie.

Kto używa LTX-2 19B

Twórcy fitnessu i lifestyle’u
Klipy, które od razu brzmią dobrze
Kobieta przy sztandze w przyciemnionej siłowni: obraz na wideo zaczyna od zdjęcia, ona chwyta, unosi i trzyma, a linijka Audio w prompcie prosi o dźwięki sali. Żadnej osobnej ścieżki dźwiękowej do synchronizowania.
Muzycy i twórcy teledysków
Występy z prawdziwym dźwiękiem
Mężczyzna brzdąkający na gitarze na schodach werandy i nucący o zachodzie słońca wrócił z obrazem i dźwiękiem razem. W linijce Audio opisz nastrój piosenki, a nie melodię.
Zespoły modowe i portretowe
Zdjęcie, które porusza wiatr
Mężczyzna opierający się o balustradę dachu odwrócił się do kamery, gdy wieczorny wiatr złapał jego białą lnianą koszulę i włosy. Zdjęcie ustala twarz i garderobę, a prompt dodaje tylko ruch.
Twórcy platform bez filtra
Bez cenzury, z dźwiękiem w zestawie
Brak filtra na prompt, obraz i wynik, a dźwięk jest w pakiecie. Wszyscy widoczni na ekranie muszą być dorośli, a w naszych testach najmocniejsze testy i tak wróciły złagodzone.

Od pierwszego klipu do gotowej partii z LTX-2 19B

Wybierz tekst albo zdjęcie
Tekst na wideo dla pomysłu w 16:9 lub 9:16, obraz na wideo, gdy twarz albo miejsce muszą pozostać bez zmian.
Napisz obraz, potem dźwięk
Jedna scena, jedna czynność, a potem linijka zaczynająca się od „Audio:” z tym, co ma być słychać.
Szkicuj w 480p przez 5 sekund
Sprawdź dźwięk i pierwszą klatkę, zanim wydasz więcej na długość albo rozdzielczość.
Podnieś rozdzielczość i długość
Puść zwycięzcę ponownie w 720p lub 1080p i wydłuż czas do 20 sekund, jeśli czynność tego potrzebuje.
Uważaj na przeskoki do innego ujęcia
W trybie obraz na wideo trzymaj prompt w obrębie sceny ze zdjęcia; inne miejsce może wywołać nowe ujęcie.

Prompty do LTX-2 19B, które warto skopiować

Występ z własnym dźwiękiem

Dla trybu tekst na wideo w 16:9, 720p, 6 sekund.

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.

Scena uliczna w pionie

Dla trybu tekst na wideo w 9:16.

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.

Ruch z portretu przy oknie

Dla trybu obraz na wideo z portretu dorosłej osoby przy oknie. Zostań w obrębie miejsca ze zdjęcia.

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.

Więcej pytań o LTX-2 19B

Używaj go, gdy klip ma brzmieć dobrze

Napisz jedną scenę, dodaj linijkę Audio z tym, co ma być słychać, i szkicuj w 480p przez 5 sekund.

Puść zwycięzcę ponownie w 720p lub 1080p, wydłuż do 20 sekund, a w trybie obraz na wideo trzymaj prompt w obrębie sceny ze zdjęcia, żeby klip nie przeskoczył do innego ujęcia.

Wszystkie modele LTX6

LTX 2.5Tekst na wideo · Obraz na wideoOd $0.09za sekundę wyniku
LTX 2.3 SpicyObraz na wideo · Przedłużenie wideoCena katalogowa Spicy: $0.02Od $0.019za sekundę wyniku
LTX 2.3 Spicy LoRAObraz na wideo · Przedłużenie wideoCena katalogowa Spicy: $0.03Od $0.029za sekundę wyniku
LTX-2.3 LoRATekst na wideo · Obraz na wideoOd $0.024za sekundę wyniku
LTX-2 19BBieżącyTekst na wideo · Obraz na wideo · +1Od $0.014za sekundę wyniku
LTX-2 19B LoRATekst na wideo · Obraz na wideoOd $0.018za sekundę wyniku

Obszar roboczy