LTX-2 19B и LoRA камеры: звук, проезды Dolly и ограничения в тесте

LTX-2 19B делает клип на 5–20 секунд со стереозвуком уже внутри, а сборка с LoRA позволяет загрузить до трёх файлов LoRA, чтобы управлять камерой или перестилизовать весь клип. В наших тестах 5 октября 2026 года официальные LoRA камеры Dolly In, Dolly Out и Dolly Left работали при scale 1, LoRA в аниме-стиле от сообщества меняла вид при scale 0.5, а любой файл LoRA больше 2 GiB не загружался. Ничего не было отклонено или отфильтровано, а изображение в видео удержало больше, чем текст в видео, на нашей шкале контента для взрослых.

LTX-2 19B создана Lightricks и представляет собой открытую аудио-видеомодель, которая генерирует картинку и звук вместе. Базовую модель мы прогнали через семейство LTX-2 19B, а сборку с LoRA — через семейство LTX-2 19B LoRA. Промпты ниже — обычные сцены с одетыми взрослыми; наши пробы контента изложены по ступеням, без цитат.

Коротко

Звук в каждом клипе

Главная особенность в том, что каждый клип приходит со звуковой дорожкой. Вы направляете её внутри промпта, обычно заключительным предложением, которое начинается с "Audio:". На каждом результате мы подтвердили, что файл несёт стерео AAC, 24 kHz. Издатель указывает ограничение: звук без речи может быть более низкого качества, а следование промпту сильно зависит от стиля формулировки.

Вот клип «текст в видео», построенный вокруг звука:

LTX-2 19B, текст в видео, 16:9, 720p, 6 секунд, seed 201. Кадры в начале, середине и конце. Медленный наезд происходит, как и просили.

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.

Картинку и структуру мы оценивали кадр за кадром. Качество звука мы не оценивали, поэтому любое обещание про голос или микс проверяйте на своём клипе.

Второй пример помещает звук в действие:

Текст в видео, 16:9, 720p, 5 секунд, 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.

Встряхивание, наливание и ухмылка произошли по порядку. Этикетки на бутылках декоративны, а не читаемы.

Размер, длина и скорость

Текст в видео принимает соотношение 16:9 или 9:16 и строит кадр по нему и по resolution. Изображение в видео следует за фотографией: фото 16:9 дало 832 x 448, 1216 x 704 или 1856 x 1088, фото 2:3 — 512 x 768 при 480p.

Текст в видео, 9:16, 720p (704 x 1280), 5 секунд, seed 203, с запрошенным шумом волн и смехом.

Эта скорость — вторая половина истории: LTX-2 19B вернула клип в 720p за секунды, тогда как более тяжёлой модели вроде HunyuanVideo 1.5 нужны минуты. Набросайте черновик в 480p, проверьте звук и кадрирование, затем перезапустите удачный вариант в 720p или 1080p. Текущая цена за секунду для каждого разрешения показана на страницах семейств.

Изображение в видео: описывайте, что происходит дальше

Первый кадр клипа изображения в видео — ваша фотография. Опасность — промпт, описывающий другое место. В нашем тесте портрет 2:3 певицы на сцене был сопоставлен с промптом про кровать, и клип после первого кадра перескочил на кадр спальни. Модель последовала словам и оставила фото.

Решение — описывать, что происходит дальше в самой картинке:

Изображение в видео, 720p, 5 секунд, seed 204, статичная камера.

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.

Обстановка, наряд и свет сохранились. Движение не совпало со словом, которое мы употребили: она выжала штангу над головой вместо становой тяги с пола, поэтому, когда это важно, называйте движение простыми физическими шагами (берётся, поднимает к груди, выжимает над головой).

Изображение в видео, 720p, 6 секунд, 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."

Изображению в видео нужен промпт: в отличие от некоторых моделей, здесь обязательны и image_url, и prompt.

LoRA камеры: проезды Dolly

Промпт вроде «the camera dollies in» — это просьба. LoRA камеры превращает её в привычку. Lightricks публикует официальные LoRA управления камерой для модели LTX-2 19B: Dolly In, Dolly Out, Dolly Left и Dolly Right, а также Jib Up, Jib Down и Static. В семействе LTX-2 19B LoRA вы передаёте прямую ссылку на скачивание файла .safetensors в массиве 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 и Dolly Left весят по 327 MB и загружались без проблем при scale 1. Описывайте, где камера должна оказаться в конце, как это делает промпт выше словами «until her face fills the frame».

LoRA Dolly In со scale 1, текст в видео, 720p, 5 секунд, seed 301. Камера заканчивает на её лице, как и просил промпт. Мужчина слева в первом кадре — добавление нашей модели.

LoRA Dolly Out со scale 1, текст в видео, 720p, 5 секунд, seed 302: "Starting close on a man... the camera dollies out to reveal the whole boat heeling over on a deep blue sea."

Третий кадр на концертной сцене начинается с конца зала и наезжает на пианиста:

LoRA Dolly In со scale 1, текст в видео, 720p, 5 секунд, seed 307.

Сильная сторона — само движение. Мелочи плывут: надпись на рояле вышла искажённой.

Какое направление для какой задачи

Изображение в видео с LoRA камеры

Фотография задаёт человека и гардероб, а LoRA задаёт движение:

LoRA Dolly In со scale 1, изображение в видео, 720p, 5 секунд, seed 304. Первый кадр — фотография; клип заканчивается крупным планом её лица.

LoRA Dolly Out со scale 1, изображение в видео, 720p, 5 секунд, seed 305.

Два других клипа показывают, где боковое движение выходит из-под контроля:

LoRA Dolly Left со scale 1, текст в видео, 9:16, 720p, seed 303. Камера скользит влево, как и просили, а состав людей в конце — не тот, с которого мы начинали.

LoRA Dolly Left со scale 1, изображение в видео, 720p, 5 секунд, seed 306. Мы просили его продолжать играть; камера уехала, а он покинул кадр.

Вывод: LoRA камеры делает надёжным движение, а не героя. Когда герой должен остаться, просите более короткое движение или держите действие простым.

LoRA в аниме-стиле, сложение и scale

Мы также попробовали LoRA в аниме-стиле от сообщества (428 MB) с триггерной фразой в начале промпта, каждый раз на том же seed и том же промпте.

Начинайте стилевую LoRA со 0.5 и повышайте небольшими шагами. Ставьте триггерные слова из карточки модели LoRA в самое начало промпта, затем отправляйте один и тот же массив loras с каждым промптом серии, чтобы кадры совпадали. Сочетайте стиль с файлом камеры при умеренных значениях; в один запрос помещается до трёх LoRA, а число LoRA на цену не влияет. Кадры со стилем мы на этой странице не показываем: это тестовый материал, а не готовые клипы.

Почему LoRA не загружается

Поле loras принимает прямую ссылку на скачивание одного файла .safetensors. Всё остальное, что мы пробовали, отказывало предсказуемо, а неудавшийся запрос не оплачивается:

Последняя строка опасна, потому что ничто не говорит вам, что она ничего не сделала. Сделайте пару прогонов с файлом и без него на одном seed. Если два клипа совпадают по композиции, гардеробу и движению, файл обучен под другую модель. Когда LoRA слишком велика, поищите меньший экспорт той же LoRA или обученный с более низким рангом.

Как далеко это заходит

Ничто не фильтрует ни промпт, ни файлы LoRA, ни результат. Мы прогнали ту же шкалу из семи проб, что и для других моделей, в 480p и на 5 секунд, все герои — взрослые. Для изображения в видео исходными фотографиями были одетые взрослые. Сборка с LoRA без загруженной LoRA совпала с базовой на тех же seed. Результаты изложены по ступеням, а промпты проб мы не приводим.

Ноль отказов, ноль ошибок, без размытия. Текст в видео выдал 4 пробы из 7, а изображение в видео — 2 из 7, так что изображение в видео удержало больше. С загруженной LoRA в аниме-стиле проба L3 вернулась безликой фигурой, так что стилевая LoRA смягчила её ещё сильнее. Одна проба на ячейку — это выборка, а не частота.

Где она уступает

• Изображение в видео уходит в сторону, когда промпт описывает другое место.
• Герои плывут при сильных движениях камеры — в одежде и в том, кто в кадре.
• Файлы LoRA больше 2 GiB не загружаются, а несколько популярных именно такого размера.
• LoRA для неверной базовой модели отказывает тихо.
• Звук направляется промптом, и мы его не оценивали; издатель отмечает более низкое качество звука без речи.
• Нет выключателя звука. Каждый клип несёт дорожку.
• Изображение в видео мягче с контентом для взрослых, чем текст в видео.

LTX-2 19B или сборка с LoRA

Начните с базовой модели и переходите на сборку с LoRA, когда промпт всё время не попадает в движение камеры или стиль. Если вам нужна более тяжёлая беззвучная модель для лиц, смотрите наш тест HunyuanVideo 1.5, а общий подход к LoRA — в материале как запустить свою LoRA через API.

FAQ

Генерирует ли LTX-2 19B звук?

Да, в каждом клипе есть стереодорожка AAC, 24 kHz, и выключить её нельзя. Вы направляете звук предложением "Audio:" в промпте, а издатель отмечает, что звук без речи может быть более низкого качества.

Какой длины может быть клип?

Любое целое число секунд от 5 до 20, в 480p, 720p или 1080p. 20-секундный клип в 480p вернулся за 36 секунд. Запросы на 4 или 21 секунду отклоняются при отправке.

Почему мой клип изображения в видео перескочил на другую сцену?

Промпт описывал обстановку, отличную от вашей фотографии. В нашем тесте портрет на сцене плюс промпт про кровать перескочили на спальню. Описывайте, что происходит дальше в самой картинке.

Какие LoRA камеры сработали?

Официальные LoRA Lightricks Dolly In, Dolly Out и Dolly Left, по 327 MB каждая, загружались и двигали камеру при scale 1. Jib Up и Static весят 2,2 GB, это выше лимита.

Каков предел размера файла LoRA?

2 GiB, или 2 147 483 648 байт. Более крупные файлы отказывают с "Failed to load LoRA", а неудавшийся запрос не оплачивается. Ссылайтесь прямо на файл .safetensors, а не на страницу репозитория.

Можно ли складывать несколько LoRA?

Да, до трёх на запрос, у каждой свой scale от 0 до 4. Стилевая LoRA и LoRA камеры Dolly In, обе при 1, в нашем тесте работали вместе, и стиль сохранился.

Как узнать, что моя LoRA действительно что-то сделала?

Прогоните тот же seed и промпт с ней и без неё. LoRA, обученная под другую базовую модель, в нашем тесте загрузилась без ошибки и ничего заметно не изменила.

Есть ли у LTX-2 19B цензура?

Нет, ничто не фильтрует ни промпт, ни LoRA, ни результат. На нашей шкале текст в видео выдал 4 пробы из 7, а изображение в видео — 2 из 7, без отказов, а остальное смягчила сама модель.