LTX-2.3 22B

LTX-2.3 22B przekształca pojedyncze pisemne polecenie w gotowy klip wideo kompletny z własnym zsynchronizowanym dźwiękiem. Zamiast generować cichy klip i potem szukać efektów dźwiękowych lub muzyki do nałożenia później, opisujesz scenę, jaką chcesz, a model dostarcza poruszające się obrazy i pasujący dźwięk w jednym przejściu. To czyni go idealnym rozwiązaniem dla filmowców tworzących szybkie prewizualizacje, twórców treści produkujących krótkie klipy społecznościowe, projektantów motion eksplorujących pomysły oraz każdego artysty, który chce zobaczyć koncepcję w ruchu i z dźwiękiem bez ingerencji w oś czasu.

W swej istocie model odczytuje twoje tekstowe polecenie i buduje z niego wideo. Dobre polecenie opisuje nie tylko to, co pojawia się na ekranie, ale także jak to wygląda — na przykład: „Kowboj idący przez zakurzone miasteczko w południe, kamera podążająca z tyłu, kinowa głębia, realistyczne oświetlenie, nastrój westernu, 4K film grain.” Im więcej opisujesz nastroju, oświetlenia, zachowania kamery i tekstury, tym bliższy ideału jest rezultat. Model może także automatycznie rozszerzyć twoje polecenie, dodając kinowe detale, dzięki czemu nawet krótszy opis produkuje bogaty, spójny kadr.

Masz szeroką kontrolę nad kształtem i długością klipu. Wideo może trwać od krótkiego momentu 9 klatek do 481 klatek, a klatkaż możesz ustawić od 1 do 60 klatek na sekundę, z domyślnym 24 klatkami na sekundę — klasycznym rytmem filmowym. Domyślny klip to 121 klatek w orientacji poziomej 16:9, naturalnie pasującej do widescreenu i wideo społecznościowego, ale możesz wybrać inne proporcje do swojego projektu. Prędkość odtwarzania i długość działają razem, więc dłuższa liczba klatek przy niższym klatkażu daje wolniejszy, bardziej rozwlekły moment, podczas gdy wyższy klatkaż zapewnia płynniejszy ruch.

Jednym z wyróżniających się narzędzi kreatywnych jest bezpośrednia kontrola kamery. Zamiast liczyć, że model zinterpretuje frazę typu „push in on the subject”, możesz wybrać z zestawu rzeczywistych ruchów kamery: dolly in, dolly out, dolly left, dolly right, jib up, jib down lub statyczny locked-off shot. To daje celowy, powtarzalny język kamery, na którym polegają filmowcy, a możesz regulować siłę ruchu, by był subtelny lub dramatyczny. Ułatwia to uzyskanie zamierzonego ruchu wspierającego narrację zamiast losowego dryfu.

Dźwięk jest generowany równolegle z wideo domyślnie, a możesz go wyłączyć, jeśli potrzebujesz tylko cichego materiału. Masz też osobne regulatory kreatywne dla tego, jak ściśle dźwięk i wideo trzymają się twojego polecenia oraz jak się między sobą równoważą — przydatne, gdy chcesz, by ścieżka dźwiękowa była prominentna lub by skupić się wyłącznie na wizualach.

Aby poprawić ogólną spójność i detale, model stosuje podejście wielkoskalowe. Najpierw szkicuje wideo w mniejszej skali, potem używa tego szkicu do kierowania większym, bardziej szczegółowym ostatecznym renderem. Rezultat to lepsza spójność i czystsze detale niż generowanie w pełnym rozmiarze za jednym zamachem. Możesz dodatkowo dostroić, jak ściśle model trzyma się polecenia w porównaniu do swobody kreatywnej, dostosować poziom dopracowania dla równowagi między prędkością a jakością oraz użyć opcji kontrolowanej wariacji, która poprawia jakość w trudnych scenach.

Negatywne polecenie pozwala ominąć niechciane style. Domyślnie unika estetyki kreskówkowej i video-game, tekstu na ekranie, watermarków, logo, napisów, slow motion oraz statycznego, płaskiego materiału — kierując wyniki ku bardziej kinowemu, live-action feel. Możesz je przepisać pod swoje cele estetyczne.

Pod względem wyjścia możesz eksportować w kilku formatach pasujących do workflow: standardowy MP4, WebM, ProRes dla high-endowych pipeline'ów edycyjnych lub animowany GIF do lekkiego udostępniania. Poziomy jakości od niskiego do maksymalnego, a możesz biasować plik ku szybszemu zapisowi, mniejszemu rozmiarowi lub zrównoważonemu środkowi. Ustawienia akceleracji pozwalają handlować prędkością generowania za wierność, w zależności od tego, czy iterujesz szybko, czy finalizujesz hero shot.

Dla powtarzalności możesz ustawić seed, by to samo polecenie i ustawienia dały ten sam rezultat — przydatne przy małych, kontrolowanych zmianach zamiast startu od zera za każdym razem. Wbudowany safety checker jest włączony domyślnie.

LTX-2.3 22B najlepiej nadaje się do krótkich form kinowych wideo: mood pieces, concept shots, social clips, animatics i eksploracji pomysłów, gdzie wbudowany zsynchronizowany dźwięk oszczędza krok edycji. Ponieważ klipy mierzy się w klatkach i generuje jako samodzielne momenty, błyszczy w pojedynczych sugestywnych ujęciach zamiast długich, wielo-scenowych narracji. Maksymalne wykorzystanie sprowadza się do pisania opisowych, kinowych poleceń, wyboru zamierzonego ruchu kamery i pozwolenia na pracę multi-scale render i refinement. Z połączeniem prompt-driven video, natywnego audio i precyzyjnej kontroli kamery daje twórcom szybką ścieżkę od pisanej idei do poruszającej się, brzmiącej sceny.