LTX-2 19B e LoRAs de câmera: som, travellings e limites testados

O LTX-2 19B faz um clipe de 5 a 20 segundos que já vem com uma trilha de som estéreo, e a versão com LoRA permite carregar até três arquivos LoRA para dirigir a câmera ou redesenhar o clipe inteiro em outro estilo. Nos nossos testes de 5 de outubro de 2026, as LoRAs de câmera oficiais Dolly In, Dolly Out e Dolly Left funcionaram com scale 1, uma LoRA comunitária de estilo anime mudou o visual com scale 0.5, e qualquer arquivo de LoRA acima de 2 GiB falhou ao carregar. Nada foi recusado nem filtrado, e a imagem para vídeo segurou mais que o texto para vídeo na nossa escada de conteúdo adulto.

O LTX-2 19B vem da Lightricks e é um modelo aberto de áudio e vídeo que gera imagem e som juntos. Rodamos o modelo base pela família LTX-2 19B e a versão com LoRA pela família LTX-2 19B LoRA. Os prompts abaixo são cenas do dia a dia com adultos vestidos; as nossas sondas de conteúdo são resumidas por nível, não citadas.

Visão geral

Som em cada clipe

O recurso principal é que cada clipe chega com uma trilha de áudio. Você a conduz dentro do prompt, em geral com uma frase final que começa com "Audio:". Confirmamos em todas as saídas que o arquivo traz AAC estéreo a 24 kHz. Quem publica lista uma limitação: o áudio sem fala pode ter qualidade menor, e a aderência ao prompt depende muito do estilo de prompt.

Aqui está um clipe de texto para vídeo construído em torno do som:

LTX-2 19B, texto para vídeo, 16:9, 720p, 6 segundos, seed 201. Quadros do início, do meio e do fim. A aproximação lenta acontece como pedido.

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.

Avaliamos imagem e estrutura quadro a quadro. Não pontuamos a qualidade do áudio, então trate qualquer promessa sobre uma voz ou uma mixagem como algo a conferir no seu próprio clipe.

Um segundo exemplo põe o som na ação:

Texto para vídeo, 16:9, 720p, 5 segundos, 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.

A agitada, o servir e o sorriso aconteceram em ordem. Os rótulos das garrafas são decorativos, não legíveis.

Tamanho, duração e velocidade

O texto para vídeo aceita uma proporção 16:9 ou 9:16 e monta o quadro a partir dela e de resolution. A imagem para vídeo segue a foto: uma foto 16:9 deu 832 x 448, 1216 x 704 ou 1856 x 1088, uma foto 2:3 deu 512 x 768 em 480p.

Texto para vídeo, 9:16, 720p (704 x 1280), 5 segundos, seed 203, com som de ondas e uma risada pedidos.

Essa velocidade é a outra metade da história: o LTX-2 19B devolveu um clipe de 720p em segundos, enquanto um modelo mais pesado como o HunyuanVideo 1.5 leva minutos. Faça o rascunho em 480p, confira o som e o enquadramento e depois rode o escolhido em 720p ou 1080p. As páginas das famílias mostram o preço atual por segundo para cada resolução.

Imagem para vídeo: descreva o que acontece em seguida

O primeiro quadro de um clipe de imagem para vídeo é a sua foto. O perigo é um prompt que descreve outro lugar. No nosso teste, um retrato 2:3 de uma cantora em um palco foi combinado com um prompt sobre uma cama, e o clipe cortou para uma cena de quarto depois do primeiro quadro. O modelo seguiu as palavras e abandonou a foto.

A solução é descrever o que acontece em seguida na imagem:

Imagem para vídeo, 720p, 5 segundos, seed 204, câmera estática.

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.

O cenário, a roupa dela e a luz ficaram. O movimento não correspondeu à palavra que usamos: ela levou a barra acima da cabeça em vez de um levantamento terra a partir do chão; portanto, nomeie o movimento em passos físicos simples (agarra, leva até o peito, empurra acima da cabeça) quando isso importar.

Imagem para vídeo, 720p, 6 segundos, 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."

A imagem para vídeo precisa de um prompt: ao contrário de alguns modelos, image_url e prompt são obrigatórios.

LoRAs de câmera: os movimentos Dolly

Um prompt como "the camera dollies in" é um pedido. Uma LoRA de câmera o transforma em hábito. A Lightricks publica LoRAs oficiais de controle de câmera para o modelo LTX-2 19B: Dolly In, Dolly Out, Dolly Left e Dolly Right, além de Jib Up, Jib Down e Static. Na família LTX-2 19B LoRA você passa um link de download direto para o arquivo .safetensors no array 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 e Dolly Left têm 327 MB cada e carregaram sem problemas com scale 1. Descreva onde a câmera deve terminar, como o prompt acima faz com "until her face fills the frame".

LoRA Dolly In com scale 1, texto para vídeo, 720p, 5 segundos, seed 301. A câmera termina no rosto dela, como o prompt pediu. Um homem à esquerda do primeiro quadro foi uma adição do nosso modelo.

LoRA Dolly Out com scale 1, texto para vídeo, 720p, 5 segundos, seed 302: "Starting close on a man... the camera dollies out to reveal the whole boat heeling over on a deep blue sea."

Um terceiro plano em um palco de concerto parte do fundo do salão e se aproxima do pianista:

LoRA Dolly In com scale 1, texto para vídeo, 720p, 5 segundos, seed 307.

O movimento é a parte forte. Pequenos detalhes se desviam: as letras no piano saíram embaralhadas.

Qual direção para qual trabalho

Imagem para vídeo com uma LoRA de câmera

A foto fixa a pessoa e o figurino, e a LoRA fixa o movimento:

LoRA Dolly In com scale 1, imagem para vídeo, 720p, 5 segundos, seed 304. O primeiro quadro é a foto; o clipe termina em um close do rosto dela.

LoRA Dolly Out com scale 1, imagem para vídeo, 720p, 5 segundos, seed 305.

Outros dois clipes mostram onde um movimento lateral se solta:

LoRA Dolly Left com scale 1, texto para vídeo, 9:16, 720p, seed 303. A câmera desliza para a esquerda, como pedido, e o elenco no final não é o elenco com que começamos.

LoRA Dolly Left com scale 1, imagem para vídeo, 720p, 5 segundos, seed 306. Pedimos que ele continuasse tocando; a câmera deslizou para longe e ele saiu do quadro.

A conclusão: uma LoRA de câmera torna o movimento confiável, não o sujeito. Quando o sujeito precisa ficar, peça um movimento mais curto ou mantenha a ação simples.

Uma LoRA de estilo anime, combinação e scale

Também testamos uma LoRA comunitária de estilo anime (428 MB) com uma frase-gatilho no começo do prompt, com o mesmo seed e o mesmo prompt a cada vez.

Comece uma LoRA de estilo em 0.5 e aumente em passos pequenos. Coloque as palavras-gatilho do cartão do modelo da LoRA bem no começo do prompt e depois envie o mesmo array loras com cada prompt de uma série para que os planos combinem. Combine um estilo com um arquivo de câmera em intensidades moderadas; até três LoRAs cabem em uma requisição, e o número de LoRAs não altera o preço. Deixamos os quadros de estilo fora desta página, pois são material de teste e não clipes finalizados.

Por que uma LoRA falha ao carregar

O campo loras recebe um link de download direto para um único arquivo .safetensors. Tudo o mais que tentamos falhou de forma previsível, e uma requisição que falha não é cobrada:

A última linha é a perigosa, porque nada avisa que ela não fez nada. Rode um par com e sem a LoRA, com o mesmo seed. Se os dois clipes coincidirem em composição, figurino e movimento, o arquivo foi treinado para outro modelo. Quando uma LoRA é grande demais, procure uma exportação menor da mesma LoRA, ou uma treinada com rank mais baixo.

Até onde ele vai

Nada filtra o prompt, os arquivos de LoRA nem o resultado. Rodamos a mesma escada de sete sondas dos outros modelos, em 480p e 5 segundos, todos os sujeitos adultos. Em imagem para vídeo, as fotos iniciais eram de adultos vestidos. A versão com LoRA sem nenhuma LoRA carregada coincidiu com a base nos mesmos seeds. Resumimos os resultados por nível e não imprimimos os prompts das sondas.

Zero recusas, zero erros, nenhum borrão. O texto para vídeo entregou 4 de 7 sondas e a imagem para vídeo 2 de 7, então a imagem para vídeo segurou mais. Com a LoRA de estilo anime carregada, a sonda L3 voltou como uma figura sem traços, ou seja, uma LoRA de estilo a suavizou ainda mais. Uma sonda por célula é uma amostra, não uma taxa.

Onde ele fica devendo

• A imagem para vídeo corta para outra cena quando o prompt descreve outro lugar.
• Os sujeitos se desviam sob movimentos de câmera fortes, na roupa e em quem está no quadro.
• Arquivos de LoRA acima de 2 GiB falham, e várias das populares têm esse tamanho.
• Uma LoRA para o modelo base errado falha em silêncio.
• O som é conduzido pelo prompt e não foi pontuado por nós; quem publica avisa de qualidade menor para áudio sem fala.
• Sem chave de áudio. Todo clipe leva uma trilha.
• A imagem para vídeo é mais branda com conteúdo adulto do que o texto para vídeo.

LTX-2 19B ou a versão com LoRA

Comece pelo modelo base e passe para a versão com LoRA quando um prompt continuar errando o movimento de câmera ou o estilo. Se você precisa de um modelo mais pesado e silencioso para rostos, veja o nosso teste do HunyuanVideo 1.5 e, para uma abordagem geral de LoRAs, veja como usar a sua própria LoRA por API.

FAQ

O LTX-2 19B gera som?

Sim, todo clipe tem uma trilha AAC estéreo a 24 kHz e não há como desligá-la. Você conduz o som com uma frase "Audio:" no prompt, e quem publica observa que o áudio sem fala pode ter qualidade menor.

Qual a duração máxima de um clipe?

Qualquer segundo inteiro de 5 a 20, em 480p, 720p ou 1080p. Um clipe de 20 segundos em 480p voltou em 36 segundos. Pedidos de 4 ou 21 segundos são rejeitados no envio.

Por que o meu clipe de imagem para vídeo cortou para outra cena?

O prompt descrevia um cenário diferente do da sua foto. No nosso teste, um retrato de palco mais um prompt sobre uma cama cortou para um quarto. Descreva, em vez disso, o que acontece em seguida na imagem.

Quais LoRAs de câmera funcionaram?

As LoRAs oficiais da Lightricks Dolly In, Dolly Out e Dolly Left, de 327 MB cada, carregaram e moveram a câmera com scale 1. Jib Up e Static têm 2,2 GB, acima do limite.

Qual é o limite de tamanho do arquivo de LoRA?

2 GiB, ou 2.147.483.648 bytes. Arquivos maiores falham com "Failed to load LoRA", e uma requisição que falha não é cobrada. Aponte o link direto para o arquivo .safetensors, não para a página do repositório.

Posso combinar várias LoRAs?

Sim, até três por requisição, cada uma com o seu próprio scale de 0 a 4. Uma LoRA de estilo e a LoRA de câmera Dolly In, ambas com 1, funcionaram juntas no nosso teste e o estilo se manteve.

Como sei se a minha LoRA realmente fez alguma coisa?

Rode o mesmo seed e o mesmo prompt com e sem ela. Uma LoRA treinada para outro modelo base carregou sem erro no nosso teste e não mudou nada visível.

O LTX-2 19B é sem censura?

Sim, nada filtra o prompt, a LoRA nem o resultado. Na nossa escada, o texto para vídeo entregou 4 de 7 sondas e a imagem para vídeo 2 de 7, sem recusas, e o próprio modelo suavizou o restante.