LTX-2.3 : ID LoRA

Générez des vidéos personnalisées avec un audio synchronisé à partir d'un prompt textuel, d'une image de référence et d'un court clip audio. Utilisez ID-LoRA pour adapter l'apparence et la voix d'une personne dans un seul modèle génératif.

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

Essayer un exemple

À propos de ce workflow

Ce workflow ComfyUI crée des clips vidéo personnalisés synchronisés sur les lèvres en conditionnant LTX-2.3 sur trois entrées : une image de référence (apparence), un court extrait audio (timing et style vocal) et une invite structurée (scène, texte et contexte sonore). La logique principale est encapsulée dans un sous-graphe (le nœud personnalisé avec l'ID 98ee9e5b-467b-40aa-a534-36033f27d0b4), qui orchestre la génération LTX-2.3 avec conditionnement d'identité ID-LoRA. LoadImage fournit la référence visage/pose, LoadAudio ou RecordAudio fournit votre voix, et SaveVideo enregistre la vidéo finale. Une MarkdownNote dans le canevas résume le format d'invite structurée et propose des liens vers les ressources LTX-2.3 et ID-LoRA.

Techniquement, ID-LoRA injecte un adaptateur d'identité léger dans le processus de diffusion vidéo LTX-2.3 afin que la personne générée corresponde à l'image de référence sans nécessiter un fine-tuning complet. L'invite est divisée en trois balises attendues par le sous-graphe : [VISUAL] (scène et apparence), [SPEECH] (texte exact à prononcer) et [SOUNDS] (style vocal et indices d'ambiance). L'audio pilote les mouvements de la bouche et le timing, tandis que [SPEECH] aide le modèle à résoudre les détails phonémiques pour une articulation labiale plus claire. Le résultat est une courte vidéo de votre sujet prononçant la phrase fournie, visuellement alignée sur l'image de référence et synchronisée temporellement avec l'audio.

Questions-réponses