LTX-2.3: ID LoRA

Genera videos personalizados con audio sincronizado a partir de un prompt de texto, una imagen de referencia y un clip de audio corto. Usa ID-LoRA para adaptar la apariencia y la voz de una persona en un único modelo generativo.

Input

A few seconds of the voice to copy. The video's speech is new, in this voice.

  • 0:00 / 0:00

The first frame: the person who speaks.

Three tagged sections: [VISUAL]: the shot and the movement; [SPEECH]: the exact words; [SOUNDS]: the voice's style and the ambience.

Long enough for the [SPEECH] line.

Pixels, a multiple of 16.

Pixels, a multiple of 16.

Advanced settings

What to avoid.

Leave empty for a new result each run. Enter a number to repeat one.

Output
00:00
Example

Probar un ejemplo

Acerca de este flujo de trabajo

Este flujo de trabajo de ComfyUI crea clips de video personalizados con sincronización labial condicionando LTX-2.3 en tres entradas: una imagen de referencia (apariencia), un clip de audio corto (ritmo y estilo vocal) y una indicación estructurada (escena, transcripción y contexto sonoro). La lógica principal está encapsulada en un subgrafo (nodo personalizado con ID 98ee9e5b-467b-40aa-a534-36033f27d0b4), que orquesta la generación de LTX-2.3 con condicionamiento de identidad ID-LoRA. LoadImage proporciona la referencia facial/pose, LoadAudio o RecordAudio suministra tu voz, y SaveVideo guarda el video final. Un MarkdownNote en el canvas resume el formato de la indicación estructurada y enlaza a los recursos de LTX-2.3 e ID-LoRA.

Técnicamente, ID-LoRA inyecta un adaptador de identidad ligero en el proceso de difusión de video de LTX-2.3 para que la persona generada coincida con la imagen de referencia sin necesidad de un ajuste fino completo. La indicación se divide en tres etiquetas que espera el subgrafo: [VISUAL] (escena y apariencia), [SPEECH] (las palabras exactas a decir) y [SOUNDS] (estilo del hablante y ambiente). El audio dirige las formas de la boca y el ritmo, mientras que [SPEECH] ayuda al modelo a resolver detalles a nivel de fonema para una articulación labial más clara. El resultado es un video corto de tu sujeto diciendo la línea proporcionada, visualmente alineado con la imagen de referencia y sincronizado temporalmente con el audio.

Preguntas y respuestas