NSFW-видео со звуком: измерены 55 саундтреков LTX-2 19B

Вам нужен короткий клип для взрослых, который уже чем-то звучит: дождь за окном, толпа позади пары, фраза, тихо сказанная в камеру. Многие видеомодели без цензуры по-прежнему отдают беззвучный файл, а звук оставляют второму инструменту.

LTX-2 19B делает картинку и стереозвуковую дорожку за один запрос, без фильтра контента, от $0,0144 за секунду видео. Все 55 клипов, которые мы создали 5 и 6 октября 2026 года, несли стереодорожку AAC на 24 кГц, идущую всю длину картинки, и звук двигался вместе с действием: когда на середине клипа начинал вращаться пропеллер, дорожка до этого момента оставалась почти тихой. Чего вы не получаете — стабильности. Громкость качалась больше чем на 30 LU между seed одного промпта, а 5 из наших 15 контролируемых клипов вернулись с выдуманными субтитрами, вшитыми в кадр.

Слушать так, как слушаете вы, мы не умеем, поэтому каждое утверждение о звуке здесь измерено: громкость во времени, ширина стерео, длина. Мы не оценивали, насколько хорош голос или мелодия. Встроенные клипы воспроизводятся со звуком, так что эту часть вы можете оценить сами. Модели — на странице семейства LTX-2 19B и странице семейства LTX-2 19B LoRA; каждый приведённый здесь промпт — сцена с одетыми взрослыми.

Коротко

Как делается саундтрек

Lightricks описывает LTX-2 как одну модель, генерирующую синхронные видео и звук. На практике это значит:

• Один запрос, один файл. Ни отдельной аудиозадачи, ни шага синхронизации. 5-секундный клип в 720p стоит $0,096 вместе со звуком.
• На входе текст или фотография, но не звук. Дать ей голосовой файл, под который она подстроится, нельзя.
• Звук нельзя отключить. Для беззвучного клипа убавьте звук клипа в видеоредакторе Studio или уберите дорожку после скачивания.

Издатель также предупреждает, что следование промпту сильно зависит от того, как вы его пишете, и что звук без речи может получиться более низкого качества.

Пишите строку Audio

Модель читает картинку и звук из одного промпта. То, что сработало у нас, следует руководству по промптам LTX-2 издателя (от четырёх до восьми предложений одним абзацем) и заканчивается одним предложением, начинающимся с «Audio:» и называющим каждый звук по его источнику. Опубликованный пример — паром, швартующийся ночью:

LTX-2 19B, текст в видео, 16:9, 720p, 6 секунд, seed 510512. Её саундтрек держался между −12,7 и −10,5 dBFS в каждую половину секунды.

The car deck of a night ferry as it docks. Sodium-vapour lamps turn everything orange and rows of parked cars glint. An adult Black woman in her early thirties in a long camel coat worn open over a fitted black bodysuit leans on the bonnet of a vintage car, her hair whipped by wind from the opening bow. The huge steel ramp lowers with a groan and slams onto the quay, showing the harbour lights beyond; she pushes off the car and walks toward the light, glancing back at the camera. Low-angle wide shot, slow dolly forward, sodium orange against black water, anamorphic flares. Audio: the deep thrum of the engines, chains rattling, the ramp groaning down and landing with a heavy metallic boom that echoes through the hold, then the ship horn.

Пять привычек, из руководства издателя и наших прогонов:

1. Называйте то, что издаёт звук. «Chains rattling» указывает на что-то в кадре; «atmospheric audio» не называет источника вовсе.
2. Перечисляйте звуки в порядке, в каком они происходят. В примере с ночным поездом на странице модели порядок такой: колёса, ветер, звонок переезда, который нарастает и затихает, затем гудок далеко впереди.
3. Пусть наряд и взгляды несут настроение, а звук — комнату. Соскальзывающая бретелька, медленная улыбка, дождь по стеклу и саксофон на пластинке достаточны для сцены на мягком краю шкалы.
4. Пишите короткую реплику вместо описания шумов. Возьмите слова в кавычки и скажите как («says softly»). В обсуждении сообщества об LTX-2 сообщалось, что подсказки голосовых звуков превращались в странный смех; мы их не проверяли, а короткая реплика предсказуемее.
5. В изображении в видео давайте звук тому, что есть на фото. Фото задаёт человека и место; описывайте, что происходит дальше и как это звучит. Промпт, описывающий другую комнату, может заставить клип уйти от вашей фотографии.

Что показали 55 саундтреков

Мы измерили 40 клипов из примеров прогонов 5 октября (оба эндпоинта, базовая модель и сборка LoRA) и 15 контролируемых клипов, которые прогнали 6 октября на базовом тексте в видео. Формат и длина взяты из ffprobe, интегральная громкость и истинный пик — из измерителя EBU R128 в ffmpeg, кривые ниже — по уровню каждого 0,1-секундного среза, а ширина стерео — по сравнению двух каналов.

Звук есть всегда, и он той же длины, что картинка

У всех 55 клипов была стереодорожка AAC на 24 кГц, включая два, в промпте которых о звуке вообще не говорилось. Запросы на пять секунд вернули 5,042 секунды картинки и звука, запросы на шесть секунд — 6,042, запрос на двадцать секунд — 20,042. Ни одна дорожка не закончилась раньше картинки.

Звук следует за действием

Пилот садится в самолёт с пропеллером под дождём; в промпте просили визг стартёра, схватывание двигателя и воздушный поток от винта.

Изображение в видео, 720p, 6 секунд, seed 510515. Около −60 dBFS в течение трёх секунд, скачок, когда закрывается дверь, затем около −16 dBFS, когда вращается пропеллер. Второй seed тоже молчал три секунды, затем держал громкий ровный уровень.

Видео: LTX-2 19B, изображение в видео, 720p, 6 секунд, клип с самолётом, измеренный выше, с его сгенерированным саундтреком

Это главная причина генерировать звук вместе с картинкой: громкая часть приходится туда, где меняется кадр.

Сигнал по времени — это просьба, а не партитура

Просить сначала тишину, а затем музыку — менее надёжно. В этом промпте про лофт просили почти тишину, затем опускающуюся иглу и балладу на саксофоне.

Текст в видео, 480p, 6 секунд, seed 610611. Уровень скачет на 5,0 секунде из 6.

Второй seed держался около −45 dBFS все шесть секунд и не менялся. Если звук должен попасть на конкретный кадр, опишите действие, которое его издаёт, как это сделал промпт с самолётом. Если он должен быть точным, добавьте его позже.

Громкость сильно меняется от seed к seed

Это важнее всего, когда вы склеиваете клипы. Сцену на террасе при луне прогнали четыре раза с одной и той же строкой Audio:

LTX-2 19B LoRA с LoRA камеры Dolly Out, текст в видео, 720p, 5 секунд, четыре seed. Строка Audio была одинаковой; в последних двух промптах оба наряда описаны подробнее.

По всем 55 клипам интегральная громкость шла от −42,1 до −8,3 LUFS с медианой −13,2; 35 клипов лежали в пределах 3 LU от медианы, а 7 были тише −20. Ни один клип не превысил −1,6 dBTP, так что ничего не пришло с клиппингом. Формулировка одна это не решает: самый громкий и самый тихий прогоны с террасой имели одну и ту же строку Audio слово в слово.

Поэтому выровняйте громкость, прежде чем склеивать клипы, в редакторе Studio или нормализатором громкости. Шесть из 40 примеров клипов также заканчивались как минимум на 15 дБ тише своего самого громкого момента, все из прогонов с загруженной LoRA камеры, так что проверяйте концовки, прежде чем резать.

«Стерео» иногда оказывается моно

В каждом файле два канала, но в 14 из 55 они практически идентичны (корреляция 0,99 и выше), а в 13 заметно различались (ниже 0,6). Все четыре клипа, построенных вокруг одной произнесённой реплики, оказались фактически моно. Если важна ширина, проверьте в наушниках.

Без строки Audio звук всё равно есть

Мы дважды прогнали сцену маскарада со строкой Audio (струнный квартет, толпа, бокалы, её смех) и дважды без неё, на тех же seed.

Текст в видео, 720p, 5 секунд, seed 610601 и 610602. Два клипа без строки Audio оказались громче.

Без строки дорожка всё равно будет, просто вы не выбираете, что на ней. Оставляйте строку Audio, даже когда звук не главное.

Двадцать секунд выдержаны

На длинных клипах отдельный проход со звуком становится утомительным, поэтому мы прогнали один 20-секундный клип в 480p.

Текст в видео, 16:9, 480p, 20 секунд, seed 610631. Каждые полсекунды звука оставались между −32,6 и −22,9 dBFS.

Видео: LTX-2 19B, текст в видео, 480p, 20 секунд, клип с плавучим домом, измеренный выше

Звук держался все двадцать секунд. Дрейфовала картинка: медленный наезд продолжался, пока она не оказалась в основном скрытой за ним. Клип стоил $0,288. Промпт, как мы его запускали, без фразы «no on-screen text», которую мы больше не рекомендуем (см. следующий раздел):

A houseboat on a river at dusk in light rain. An adult couple in their forties, a woman in a long camel coat and a man in a navy wool sweater, sit close under the canvas awning at the stern sharing a blanket, watching the city lights come on along the bank. He refills her glass of red wine; she leans her head on his shoulder; later a tour boat glides past and its wake rocks them gently. Wide shot, slow push-in, blue dusk with warm string lights, film grain. Audio: rain pattering on the canvas, water lapping against the hull, a distant radio playing old jazz, the low rumble of the passing boat and its wake slapping the side.

Запустить этот промпт в тексте в видео LTX-2 19B →

Реплики и субтитры, о которых никто не просил

Короткая реплика делает клип на мягком краю шкалы личным. Мы попросили женщину в кремовом шёлковом халате посмотреть в камеру и тихо сказать: «Stay. The rain isn't stopping tonight.»

Текст в видео, 9:16, 480p, 6 секунд, seed 610622, без слов о субтитрах в промпте.

Видео: LTX-2 19B, текст в видео, 9:16, 480p, 6 секунд, клип с произнесённой репликой, измеренный выше; послушайте, совпадают ли слова

Два громких участка соответствуют реплике, произнесённой в два приёма, но слова мы не проверяли, так что послушайте, прежде чем полагаться на это. Кривая показывает другое: «ровный дождь по стеклу», о котором мы просили, не лежал под голосом: между всплесками и после них уровень падал примерно до −60 dBFS. Когда есть голос, он может забрать дорожку себе.

Большей неожиданностью оказался текст в кадре. В пяти из наших 15 контролируемых клипов были вшиты выдуманные слова:

A: промпт маскарада со строкой Audio, seed 610601, только первые 0,8 секунды. B и C: промпт с репликой и добавленным «no subtitles, no captions, no on-screen text», оба seed. D: промпт 1080p о паре, танцующей под пластинку; на втором seed вместо этого появился текст песни для подпевания.

Одиннадцать из 15 промптов заканчивались «no subtitles» или «no on-screen text», и все пять клипов с субтитрами оказались среди них; четыре промпта без такой фразы вернулись чистыми. Тот же промпт с репликой на тех же двух seed был чистым без фразы и с субтитрами с ней. Шесть из одиннадцати тоже были чистыми, а в более раннем пакете два пейзажных клипа с «no subtitles» вернулись чистыми, так что на этой небольшой выборке фраза ничего не защищала и, возможно, провоцировала текст. Текст всегда бессмыслица, что соответствует замечанию издателя о том, что LTX-2 не рисует читаемый текст.

• Не пишите слов о субтитрах в промпте. В наших прогонах они ничему не помешали.
• Проверяйте первую и последнюю секунду. В клипе A текст держался 0,8 секунды; обрезка начала всё исправила.
• Смените seed. Второй seed промпта маскарада был чистым.
• Дважды смотрите промпты, построенные вокруг песни. Оба клипа 1080p с парой, танцующей под пластинку, вернулись с титрами или текстом песни.

Встроенный звук или беззвучная модель плюс проход со звуком?

Другой путь — беззвучный клип с эффектами, голосом и музыкой, добавленными позже, как в наших руководствах по добавлению голоса и музыки к NSFW-видео и рабочему процессу звуковых эффектов Foley. Один пятисекундный клип, цены из действующего каталога и оценки нашего индекса:

Freedom — наша оценка от 0 до 100 того, какую часть шкалы контента для взрослых модель выдаёт; слепой тест оценивает качество картинки со скрытыми названиями моделей. Обе взяты из нашего действующего индекса на 5 октября 2026 года; для двухшагового пути это оценки HunyuanVideo.

• Выбирайте LTX-2 19B для множества дешёвых черновиков со звуком. Это самый дешёвый путь в таблице, а пятисекундный клип в 720p занимал в наших прогонах 14–25 секунд. Цена — картинка: её оценка в слепом тесте самая низкая из пяти.
• Выбирайте Wan 3.0, когда качество картинки и диапазон для контента для взрослых важнее цены. Она стоит в несколько раз дороже за секунду и всё равно даёт звук.
• Добавляйте звук потом, когда нужна конкретная произнесённая реплика или вам уже нравится беззвучный клип. Эффекты Foley стоят $0,0012 за секунду.

Структурное ограничение встроенного пути: звук запечён в рендер, так что неверное слово означает повторную оплату картинки.

Как далеко это заходит

LTX-2 19B ничего не фильтрует ни в промпте, ни в результате. На нашей шкале из семи проб (L1 Намёк — бельё или соскальзывающая бретелька; L2 Взрослые темы; L3 Сильный; L4 Интенсивный — сцена близости между двумя взрослыми; L5 Экстрим — согласованное связывание между взрослыми или кинематографичный гор) текст в видео выдал L1, L2, L3 и пробу со связыванием как написано, а L4, пробу с гором и пробу с мужчиной в кадре смягчил. Изображение в видео выдало L1 и L3, а остальное смягчило. Ничего не было отклонено. Полные результаты — в обзоре LTX-2 19B; движение камеры и файлы LoRA — в нашем руководстве по LTX-2 19B LoRA. В шкале не было сигналов, связанных со звуком, и промпты проб мы не приводим.

Ограничения

• Громкость непредсказуема. Нормализуйте каждый клип перед склейкой.
• Могут появляться субтитры, с фразой «no subtitles» и без неё. Проверяйте первую и последнюю секунду каждого удачного клипа.
• Сигналы по времени уплывают или пропадают. Привязывайте звуки к действиям в кадре.
• Ни переключателя звука, ни звука на входе.
• Голоса могут забирать дорожку. В нашем клипе с репликой запрошенного дождя не было.
• Ширина стерео разная. Некоторые клипы фактически моно.
• Картинка отстаёт от более дорогих моделей. Оценка слепого теста 47,5.
• Мы измеряли звук, а не судили о нём. Голоса и музыку оценивать вашим ушам.

FAQ

Генерирует ли LTX-2 19B звук?

Да. В каждом клипе есть стереодорожка AAC на 24 кГц, созданная за тот же проход, что и картинка, в том числе в клипах, в промпте которых о звуке не говорилось.

Как писать промпт для LTX-2 со звуком?

Опишите кадр в четырёх-восьми предложениях, затем закончите одним предложением, начинающимся с «Audio:» и называющим каждый звук по источнику, в порядке их возникновения. Произносимые слова берите в кавычки и делайте короткими.

Какие генераторы видео делают звук и какие из них без цензуры?

На SpicyAPI LTX-2 19B делает его всегда, а Wan 3.0, Seedance 2.0 Fast и MiniMax H3 тоже генерируют звук вместе с клипом. У всех четырёх есть Freedom Score в нашем индексе (от 70,7 до 96); они различаются ценой, качеством картинки и тем, как далеко заходят.

Может ли ИИ сделать видео из аудиофайла?

Не на этом пути: LTX-2 19B принимает промпт или фотографию. Чтобы заставить лицо произнести уже имеющуюся у вас реплику, прогоните синхронизацию губ на готовом клипе, как в нашем руководстве по голосу и музыке.

Какой длины может быть клип со звуком?

От 5 до 20 целых секунд в 480p, 720p или 1080p. В нашем 20-секундном клипе звук был на всю длину, а 20-секундный клип в 480p стоит $0,288.

Можно ли отключить звук?

Нет. Убавьте звук клипа в видеоредакторе или удалите дорожку после скачивания.

Почему в моём ИИ-видео случайные субтитры?

Модель иногда вшивает в кадр выдуманный текст, и в наших прогонах фраза «no subtitles» его не останавливала. Смените seed, обрежьте затронутую секунду и не пишите слов о субтитрах в промпте.