LTX-2.3: ID LoRA

Генерируйте персонализированные видео с синхронизированным аудио из текстового промпта, референсного изображения и короткого аудиоклипа. Используйте ID-LoRA для адаптации внешнего вида и голоса человека в единой генеративной модели.

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

Попробовать пример

Об этом рабочем процессе

Этот рабочий процесс ComfyUI создаёт персонализированные видеоклипы с липсинком, задавая условие для LTX-2.3 по трём входам: референсному изображению (внешность), короткому аудиоклипу (тайминг и вокальная манера) и структурированному промпту (сцена, транскрипт и звуковой контекст). Основная логика упакована в подграф (пользовательская нода с ID 98ee9e5b-467b-40aa-a534-36033f27d0b4), который оркестрирует генерацию LTX-2.3 с conditioning идентичности через ID-LoRA. LoadImage даёт референс лица/позы, LoadAudio или RecordAudio подаёт вашу речь, а SaveVideo записывает итоговое видео. MarkdownNote на холсте резюмирует формат структурированного промпта и содержит ссылки на ресурсы LTX-2.3 и ID-LoRA.

Технически ID-LoRA внедряет лёгкий адаптер идентичности в процесс video diffusion LTX-2.3, чтобы сгенерированный человек соответствовал референсному изображению без полного fine-tune. Промпт разбит на три тега, которые ожидает подграф: [VISUAL] (сцена и внешность), [SPEECH] (точный текст, который нужно произнести) и [SOUNDS] (манера речи и фоновые звуки). Аудио задаёт формы рта и тайминг, а [SPEECH] помогает модели уточнять детали на уровне фонем для более чёткой артикуляции. В результате получается короткое видео, где ваш персонаж произносит заданную фразу, визуально согласован с референсным изображением и синхронизирован по времени с аудио.

Вопросы и ответы