LTX 2.5: długie ujęcia z dźwiękiem, niestabilne twarze

Nie publikujemy naszych przebiegów skali treści; poniższa galeria to codzienny rejestr, wzięty z opublikowanych, bezpiecznych do pracy przykładów ze strony modelu LTX 2.5.

Od zachodu słońca do blasku ognia, w jednym zapytaniu. Dwie osoby na plaży o zachodzie słońca lądują, dzięki klatce końcowej, owinięte w koc przy ognisku nocą — prompt musi opisać tylko przejście między dwoma kadrami, nie cel.

Świece i unosząca się para. Z kadru początkowego w oświetlonej świecami łazience zanurza się w parującą wodę, ręce przeczesują mokre włosy — kadr dostarcza pokój, prompt dostarcza tylko to, co się zmienia.

Upadek w tył do basenu. Odchyla się do tyłu z wyłożonej płytkami krawędzi, bąbelki unoszą się obok niej, gdy kamera opada razem z nią, a odbicia świetlne wciąż marszczą się na kolumnach — rodzaj beatu fizycznego, który zwykle rozbija animowany kadr.

Dwudziestosekundowe nieprzerwane przejście przez tłum. Jeden ciągły ruch w stylu Steadicam od bramy stadionu przez zbity tłum, napisany w całości z tekstu bez cięć, w pełnej dwudziestosekundowej długości tego endpointu.

Marmurowe schody, zejście w jednym ujęciu. Kobieta w szmaragdowej jedwabnej sukni schodzi po schodach pustej opery, gdy światło żyrandola łapie materiał — pełny łuk zejścia, ruch tkaniny i ruch dźwigu z jednego akapitu.

Stragan ramenowy w deszczu, w stylu cel-shading. Anime, malowane ręcznie tła: kobieta schyla się pod zasłoną noren, otrzepuje parasolkę i siada — styl niesiony w całości słowami, bo nie ma osobnego pola stylu.

Ułóż zdanie jako podmiot, akcja, kamera, światło, a potem dowolne ograniczenie, i zmieniaj jedną zmienną naraz przy naprawianiu nieudanego ujęcia. W obrazie na wideo pozwól, żeby klatka początkowa (i końcowa) niosła tożsamość i strój, a prompt zostaw tylko ruchowi.

1. Przypięte zakończenie, opisane jako przejście (obraz na wideo, dostarczona klatka końcowa).

Cast: one man and one woman. Begin on the two of them on the beach at sunset and end on the supplied final frame: the same two at night wrapped in one blanket by a bonfire, sparks rising. Close: wet swimwear still clinging at sunset, then opening onto firelight.

Uruchom ten prompt w LTX 2.5 →

2. Długie ujęcie, napisane jako jeden nieprzerwany ruch (tekst na wideo).

Cast: a mixed crowd of men and women of different ages and skin tones. The camera stays at chest height in the crush of bodies the whole way through. One continuous 20-second Steadicam take: from the arena gate, through a packed crowd, no cuts.

Uruchom ten prompt w LTX 2.5 →

Słabo: opisywanie szybkiej, złożonej akcji fizycznej (przelot nad kanionem, rzut jedzeniem w woku nad płomieniem) z ciężkim ruchem kamery i drobnym detalem w tym samym zdaniu — to właśnie ta kombinacja dawała najostrzejsze artefakty. Mocno: spowolnij to, albo podziel skomplikowaną akcję na mniej jednoczesnych zmian kamery i tematu.

Między 16 a 24 września 2026 puściliśmy naszą pięciopoziomową skalę treści na obu zadaniach LTX 2.5. Obraz na wideo renderował L1 Sugestywny, L2 Dojrzałe motywy, L3 Mocny i L4 Intensywny czysto w każdym przebiegu, a próba L5 Ekstremalny (dobrowolne krępowanie i gra z bodźcem bólowym między dorosłymi) też renderowała się czysto; nie testowaliśmy na tej rodzinie próby L5 Ekstremalny (kinowe gore). Tekst na wideo dorównał temu, poza jednym z przebiegów L4 Intensywny, który wrócił złagodzony. Żadne z zadań nie nosi własnego filtra treści; etykieta strony to Bez cenzury.

Uwaga o dźwięku i dialogach. Nasze testy audio na tekście na wideo pokazały wyniki nierówne, a nie jednolicie dobre czy złe: scena dialogowa w kawiarni dostarczyła naturalny śmiech i w większości zgrane w czasie kwestie z jednym niedokładnym momentem synchronizacji ust; emocjonalny monolog trafił emocjonalny beat, ale z lekko sztuczną twarzą; bliska kwestia „stęskniłem się za tobą” miała dobrą synchronizację ust obok dziwnych artefaktów kształtu ust w połowie; scena z ulicznym muzykiem dała słyszalne brzdąkanie przy nieco powtarzalnym ruchu; prompt z efektem tłuczonego szkła zrenderował zły obiekt (szklankę zamiast kieliszka do wina) z niejasnym rozbiciem. Przejrzyj ścieżkę dźwiękową w każdym klipie, zanim go opublikujesz — nie ma pola, żeby wyłączyć generowanie dźwięku, jeśli scena go nie wymaga.

Jeszcze nie testowaliśmy: próby L5 Ekstremalny (gore) na żadnym z zadań; czy dostarczona klatka końcowa zmniejsza problem odjeżdżania twarzy zgłaszany przez niezależnych testerów; scen z dwoma mężczyznami na skali; czy spowolnienie promptu ze złożonym ruchem unika zniekształceń kolorystycznych widzianych przy kanionie i woku.

Tylko dorośli, w każdym prompcie, kadrze i wyniku. Nigdy nie przedstawiaj prawdziwej, rozpoznawalnej osoby bez jej zgody i miej prawa do każdego zdjęcia wgrywanego jako klatka.

Reakcja na LTX 2.5 dzieli się niemal dokładnie tak, jak wskazały nasze własne testy. Po pozytywnej stronie jeden użytkownik Hugging Face testujący na sprzęcie konsumenckim napisał, że „szybkość generowania i jakość wizualna były bardzo imponujące na moim RTX 5070 Ti”, szczególnie przy krajobrazach i zdjęciach produktowych.

Skargi skupiają się wokół spójności. Dyskusja zatytułowana „Spójność postaci w i2v to katastrofa” zgłosiła, że to samo zdjęcie referencyjne renderuje się jako wyraźnie inna osoba między LTX 2.3 a LTX 2.5. Drugi wątek, zatytułowany „Nie używajcie LTX 2.5 do teledysków! Zostańcie przy LTX 2.3”, wskazał na koder tekstu w nowszej wersji jako źródło słabszej synchronizacji ust przy śpiewie i dialogach.

Nasze własne przebiegi lądują po obu stronach tego podziału: codzienne sceny jazz-klubu i schodów, które puściliśmy, trzymały się dobrze, podczas gdy skargi na odjeżdżanie twarzy i synchronizację ust ze społeczności zgadzają się z tym, co zobaczyliśmy w naszych własnych testach audio i porównaniach.

• Potrzebujesz twarzy, która się trzyma, i nie przeszkadza ci rezygnacja z natywnego dźwięku? LTX 2.3 Spicy uruchamia starszą, lepiej sprawdzoną pod kątem spójności generację LTX z wbudowanymi presetami LoRA, od $0.019 za sekundę.
• Chcesz zamiast tego otwartowagowej bazy z głębokim lokalnym ekosystemem LoRA? Wan 2.2 zamienia format długiego pojedynczego ujęcia na stały pięciosekundowy klip za płaskie $0.24.
• Dłuższe ujęcia z reżyserią wieloujęciową? Wan 3.0 działa do 30 sekund, wyceniony za sekundę od $0.045 w 480p.
• Inny otwartowagowy rywal z własną społecznością? MiniMax H3 to rodzina, z którą niezależni testerzy najczęściej porównują LTX.