LTX-2.3: ID LoRA

Gere vídeos personalizados com áudio sincronizado a partir de um prompt de texto, imagem de referência e um pequeno clip de áudio. Use ID-LoRA para adaptar a aparência e a voz de uma pessoa em um 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

Experimente um exemplo

Sobre este fluxo de trabalho

Este workflow ComfyUI cria clipes de vídeo personalizados com lip sync ao condicionar LTX-2.3 em três entradas: uma imagem de referência (aparência), um clipe curto de áudio (timing e estilo vocal) e um prompt estruturado (cena, transcrição e contexto sonoro). A lógica central está encapsulada em um subgrafo (o nó personalizado com ID 98ee9e5b-467b-40aa-a534-36033f27d0b4), que orquestra a geração do LTX-2.3 com condicionamento de identidade ID-LoRA. LoadImage fornece a referência de rosto/pose, LoadAudio ou RecordAudio fornece sua fala e SaveVideo grava o vídeo final. Um MarkdownNote no canvas resume o formato do prompt estruturado e linka para os recursos do LTX-2.3 e do ID-LoRA.

Tecnicamente, o ID-LoRA injeta um adaptador leve de identidade no processo de difusão de vídeo do LTX-2.3 para que a pessoa gerada corresponda à imagem de referência sem um fine-tune completo. O prompt é dividido em três tags que o subgrafo espera: [VISUAL] (cena e aparência), [SPEECH] (as palavras exatas a serem ditas) e [SOUNDS] (estilo de fala e pistas de ambiente). O áudio conduz os movimentos da boca e o timing, enquanto [SPEECH] ajuda o modelo a resolver detalhes em nível de fonema para uma articulação labial mais clara. O resultado é um vídeo curto do seu sujeito dizendo a frase fornecida, visualmente alinhado à imagem de referência e sincronizado temporalmente com o áudio.

Perguntas e respostas