LTX-2.3: ID LoRA
Bir metin istemi, referans görüntü ve kısa bir ses klibinden senkronize ses içeren kişiselleştirilmiş videolar oluşturun. Tek bir üretken modelde bir kişinin görünümünü ve sesini uyarlamak için ID-LoRA kullanın.
İş akışının içinde
Kaynak şablonun salt okunur önizlemesi. Düğümleri incelemek ve değişiklik yapmak için Cloud'da açın.
Loading the graph
Open full-size workflow previewBu modeli kodunuzdan çağırın
Aşağıdaki istek, Playground ile aynı hazırlanmış grafiği ve ayarları kullanır. Her gönderim ücretli bir çalıştırma başlatabilir; sonucu bilinmeyen bir gönderimi otomatik olarak yeniden denemeyin.
What you need
- Runs on
- Comfy Cloud
- Anahtar
- COMFY_API_KEY
- Dosyalarınız
- Kod tarafından URL'lerinden yüklenir
Ücretli bir Cloud planı ve kredi gerektirir.
# Python 3.10+: pip install comfy-sdk==0.4.0
import os
from comfy_sdk import Comfy
api_key = os.environ.get("COMFY_API_KEY", "").strip()
if not api_key: raise RuntimeError("Set COMFY_API_KEY")
os.environ.setdefault("COMFY_BASE_URL", "https://cloud.comfy.org")
client = Comfy(api_key=api_key)
workflow = client.workflows.from_json({
"269": {
"class_type": "LoadImage",
"inputs": {
"image": "UPLOADED_image_FILENAME"
},
"_meta": {
"title": "Load Image"
}
},
"276": {
"class_type": "LoadAudio",
"inputs": {
"audio": "UPLOADED_audio_FILENAME"
},
"_meta": {
"title": "Load Audio"
}
},
"341": {
"class_type": "SaveVideo",
"inputs": {
"filename_prefix": "video/LTX_2.3_id_lora",
"format": "auto",
"format.codec": "auto",
"video": [
"340:312",
0
]
},
"_meta": {
"title": "Save Video"
}
},
"340:285": {
"class_type": "RandomNoise",
"inputs": {
"noise_seed": 42
},
"_meta": {
"title": "RandomNoise"
}
},
"340:286": {
"class_type": "RandomNoise",
"inputs": {
"noise_seed": 859064592499272
},
"_meta": {
"title": "RandomNoise"
}
},
"340:287": {
"class_type": "LTXVConcatAVLatent",
"inputs": {
"audio_latent": [
"340:309",
1
],
"video_latent": [
"340:296",
0
]
},
"_meta": {
"title": "Concat AV Latent"
}
},
"340:288": {
"class_type": "KSamplerSelect",
"inputs": {
"sampler_name": "euler_cfg_pp"
},
"_meta": {
"title": "KSamplerSelect"
}
},
"340:289": {
"class_type": "ManualSigmas",
"inputs": {
"sigmas": "0.85, 0.7250, 0.4219, 0.0"
},
"_meta": {
"title": "ManualSigmas"
}
},
"340:290": {
"class_type": "CFGGuider",
"inputs": {
"cfg": 1,
"model": [
"340:293",
0
],
"negative": [
"340:292",
1
],
"positive": [
"340:292",
0
]
},
"_meta": {
"title": "CFG Guider"
}
},
"340:291": {
"class_type": "SamplerCustomAdvanced",
"inputs": {
"guider": [
"340:315",
0
],
"latent_image": [
"340:326",
0
],
"noise": [
"340:286",
0
],
"sampler": [
"340:298",
0
],
"sigmas": [
"340:308",
0
]
},
"_meta": {
"title": "SamplerCustomAdvanced"
}
},
"340:292": {
"class_type": "LTXVCropGuides",
"inputs": {
"latent": [
"340:309",
0
],
"negative": [
"340:307",
1
],
"positive": [
"340:307",
0
]
},
"_meta": {
"title": "LTXVCropGuides"
}
},
"340:293": {
"class_type": "LoraLoaderModelOnly",
"inputs": {
"lora_name": "ltx-2.3-22b-distilled-lora-384.safetensors",
"model": [
"340:317",
0
],
"strength_model": 0.5
},
"_meta": {
"title": "Load LoRA"
}
},
"340:294": {
"class_type": "ResizeImagesByLongerEdge",
"inputs": {
"images": [
"340:297",
0
],
"longer_edge": 1536
},
"_meta": {
"title": "Resize Images by Longer Edge (DEPRECATED)"
}
},
"340:295": {
"class_type": "LTXVLatentUpsampler",
"inputs": {
"samples": [
"340:309",
0
],
"upscale_model": [
"340:313",
0
],
"vae": [
"340:317",
2
]
},
"_meta": {
"title": "LTXVLatentUpsampler"
}
},
"340:296": {
"class_type": "LTXVImgToVideoInplace",
"inputs": {
"bypass": False,
"image": [
"340:334",
0
],
"latent": [
"340:295",
0
],
"strength": 1,
"vae": [
"340:317",
2
]
},
"_meta": {
"title": "LTXVImgToVideoInplace"
}
},
"340:297": {
"class_type": "ResizeImageMaskNode",
"inputs": {
"input": [
"269",
0
],
"resize_type": "scale dimensions",
"resize_type.crop": "center",
"resize_type.height": [
"340:324",
0
],
"resize_type.width": [
"340:330",
0
],
"scale_method": "lanczos"
},
"_meta": {
"title": "Resize Image/Mask"
}
},
"340:298": {
"class_type": "KSamplerSelect",
"inputs": {
"sampler_name": "euler_ancestral_cfg_pp"
},
"_meta": {
"title": "KSamplerSelect"
}
},
"340:299": {
"class_type": "ComfyMathExpression",
"inputs": {
"expression": "a/2",
"values.a": [
"340:330",
0
]
},
"_meta": {
"title": "Math Expression"
}
},
"340:301": {
"class_type": "ComfyMathExpression",
"inputs": {
"expression": "a/2",
"values.a": [
"340:324",
0
]
},
"_meta": {
"title": "Math Expression"
}
},
"340:302": {
"class_type": "EmptyLTXVLatentVideo",
"inputs": {
"batch_size": 1,
"height": [
"340:301",
1
],
"length": [
"340:329",
1
],
"width": [
"340:299",
1
]
},
"_meta": {
"title": "Empty LTXV Latent Video"
}
},
"340:303": {
"class_type": "LTXVAudioVAEDecode",
"inputs": {
"audio_vae": [
"340:335",
0
],
"samples": [
"340:311",
1
]
},
"_meta": {
"title": "LTXV Audio VAE Decode"
}
},
"340:304": {
"class_type": "ComfyMathExpression",
"inputs": {
"expression": "a",
"values.a": [
"340:323",
0
]
},
"_meta": {
"title": "Math Expression"
}
},
"340:306": {
"class_type": "CLIPTextEncode",
"inputs": {
"clip": [
"340:318",
0
],
"text": [
"340:319",
0
]
},
"_meta": {
"title": "CLIP Text Encode (Prompt)"
}
},
"340:307": {
"class_type": "LTXVConditioning",
"inputs": {
"frame_rate": [
"340:304",
0
],
"negative": [
"340:349",
2
],
"positive": [
"340:349",
1
]
},
"_meta": {
"title": "LTXVConditioning"
}
},
"340:308": {
"class_type": "ManualSigmas",
"inputs": {
"sigmas": "1.0, 0.99375, 0.9875, 0.98125, 0.975, 0.909375, 0.725, 0.421875, 0.0"
},
"_meta": {
"title": "ManualSigmas"
}
},
"340:309": {
"class_type": "LTXVSeparateAVLatent",
"inputs": {
"av_latent": [
"340:291",
0
]
},
"_meta": {
"title": "Separate AV Latent"
}
},
"340:310": {
"class_type": "SamplerCustomAdvanced",
"inputs": {
"guider": [
"340:290",
0
],
"latent_image": [
"340:287",
0
],
"noise": [
"340:285",
0
],
"sampler": [
"340:288",
0
],
"sigmas": [
"340:289",
0
]
},
"_meta": {
"title": "SamplerCustomAdvanced"
}
},
"340:311": {
"class_type": "LTXVSeparateAVLatent",
"inputs": {
"av_latent": [
"340:310",
0
]
},
"_meta": {
"title": "Separate AV Latent"
}
},
"340:312": {
"class_type": "CreateVideo",
"inputs": {
"audio": [
"340:303",
0
],
"bit_depth": "auto",
"codec": "none",
"color_space": "sRGB",
"fps": [
"340:304",
0
],
"images": [
"340:316",
0
]
},
"_meta": {
"title": "Create Video"
}
},
"340:313": {
"class_type": "LatentUpscaleModelLoader",
"inputs": {
"model_name": "ltx-2.3-spatial-upscaler-x2-1.1.safetensors"
},
"_meta": {
"title": "Load Latent Upscale Model"
}
},
"340:314": {
"class_type": "CLIPTextEncode",
"inputs": {
"clip": [
"340:318",
0
],
"text": "pc game, console game, video game, cartoon, childish, ugly"
},
"_meta": {
"title": "CLIP Text Encode (Prompt)"
}
},
"340:315": {
"class_type": "CFGGuider",
"inputs": {
"cfg": 1,
"model": [
"340:349",
0
],
"negative": [
"340:307",
1
],
"positive": [
"340:307",
0
]
},
"_meta": {
"title": "CFG Guider"
}
},
"340:316": {
"class_type": "VAEDecodeTiled",
"inputs": {
"overlap": 64,
"samples": [
"340:311",
0
],
"temporal_overlap": 4,
"temporal_size": 4096,
"tile_size": 768,
"vae": [
"340:317",
2
]
},
"_meta": {
"title": "VAE Decode (Tiled)"
}
},
"340:317": {
"class_type": "CheckpointLoaderSimple",
"inputs": {
"ckpt_name": "ltx-2.3-22b-dev-fp8.safetensors"
},
"_meta": {
"title": "Load Checkpoint"
}
},
"340:318": {
"class_type": "LTXAVTextEncoderLoader",
"inputs": {
"ckpt_name": "ltx-2.3-22b-dev-fp8.safetensors",
"device": "default",
"text_encoder": "gemma_3_12B_it_fp4_mixed.safetensors"
},
"_meta": {
"title": "Load LTXV Audio Text Encoder"
}
},
"340:319": {
"class_type": "PrimitiveStringMultiline",
"inputs": {
"value": "[VISUAL]: A medium close-up of the woman with the chin-length black bob and mustard-yellow turtleneck, seated in a warm, softly lit studio with an olive and terracotta backdrop. The camera slowly pushes in toward her face. She looks straight into the lens, raises her eyebrows with a small knowing smile, speaks naturally with clear, relaxed lip movement, tilts her head slightly to one side on the last line and lets out a short, soft laugh.\n[SPEECH]: You know what? I've been thinking about it all week, and I'm finally ready to say it out loud. Let's do it. Let's actually go.\n[SOUNDS]: Warm, confident and slightly playful tone, moderate volume, close to the microphone, quiet room tone, no music."
},
"_meta": {
"title": "Prompt"
}
},
"340:323": {
"class_type": "PrimitiveInt",
"inputs": {
"value": 25
},
"_meta": {
"title": "Frame Rate"
}
},
"340:324": {
"class_type": "PrimitiveInt",
"inputs": {
"value": 720
},
"_meta": {
"title": "Height"
}
},
"340:325": {
"class_type": "LTXVImgToVideoInplace",
"inputs": {
"bypass": False,
"image": [
"340:334",
0
],
"latent": [
"340:302",
0
],
"strength": 0.7,
"vae": [
"340:317",
2
]
},
"_meta": {
"title": "LTXVImgToVideoInplace"
}
},
"340:326": {
"class_type": "LTXVConcatAVLatent",
"inputs": {
"audio_latent": [
"340:348",
0
],
"video_latent": [
"340:325",
0
]
},
"_meta": {
"title": "Concat AV Latent"
}
},
"340:329": {
"class_type": "ComfyMathExpression",
"inputs": {
"expression": "a * b + 1",
"values.a": [
"340:331",
0
],
"values.b": [
"340:323",
0
]
},
"_meta": {
"title": "Math Expression"
}
},
"340:330": {
"class_type": "PrimitiveInt",
"inputs": {
"value": 1280
},
"_meta": {
"title": "Width"
}
},
"340:331": {
"class_type": "PrimitiveFloat",
"inputs": {
"value": 10
},
"_meta": {
"title": "Duration"
}
},
"340:333": {
"class_type": "SolidMask",
"inputs": {
"height": [
"340:324",
0
],
"value": 0,
"width": [
"340:330",
0
]
},
"_meta": {
"title": "Create Solid Mask"
}
},
"340:334": {
"class_type": "LTXVPreprocess",
"inputs": {
"image": [
"340:294",
0
],
"img_compression": 18
},
"_meta": {
"title": "LTXV Preprocess"
}
},
"340:335": {
"class_type": "LTXVAudioVAELoader",
"inputs": {
"ckpt_name": "ltx-2.3-22b-dev-fp8.safetensors"
},
"_meta": {
"title": "Load LTXV Audio VAE"
}
},
"340:346": {
"class_type": "LoraLoaderModelOnly",
"inputs": {
"lora_name": "ltx-2.3-id-lora-talkvid-3k.safetensors",
"model": [
"340:293",
0
],
"strength_model": 1
},
"_meta": {
"title": "Load LoRA"
}
},
"340:348": {
"class_type": "LTXVEmptyLatentAudio",
"inputs": {
"audio_vae": [
"340:335",
0
],
"batch_size": 1,
"frame_rate": [
"340:304",
1
],
"frames_number": [
"340:329",
1
]
},
"_meta": {
"title": "Empty LTXV Latent Audio"
}
},
"340:349": {
"class_type": "LTXVReferenceAudio",
"inputs": {
"audio_vae": [
"340:335",
0
],
"end_percent": 1,
"identity_guidance_scale": 3,
"model": [
"340:346",
0
],
"negative": [
"340:314",
0
],
"positive": [
"340:306",
0
],
"reference_audio": [
"276",
0
],
"start_percent": 0
},
"_meta": {
"title": "LTXV Reference Audio (ID-LoRA)"
}
}
})
workflow.set_input("276", "audio", client.assets.from_url("https://comfy.org/catalog-media/2772b54a-6108-4ec3-a76b-773a45315b2c/29fe5499-d563-4b33-8cb1-cd6781844da9"))
workflow.set_input("269", "image", client.assets.from_url("https://comfy.org/catalog-media/92d08eb8-7bfe-46d5-8763-998fd1e87571/9333bfba-4ff2-4496-a5e1-17cb0c41f904"))
# run() also passes api_key to the partner nodes in this workflow.
job = client.run(workflow, api_key=api_key)
for output in job.get_outputs("341"):
output.to_file(output.name)Bir örnek deneyin
Bu iş akışı hakkında
Bu ComfyUI iş akışı, LTX-2.3 modelini üç girdiye koşullandırarak kişiselleştirilmiş, dudak senkronlu video klipler oluşturur: bir referans görsel (görünüm), kısa bir ses klibi (zamanlama ve vokal tarzı) ve yapılandırılmış bir istem (sahne, metin ve ses bağlamı). Temel mantık, LTX-2.3 üretimini ID-LoRA kimlik koşullandırmasıyla yöneten bir alt grafikte (özelleştirilmiş düğüm, ID: 98ee9e5b-467b-40aa-a534-36033f27d0b4) toplanmıştır. LoadImage yüz/poz referansını sağlar, LoadAudio veya RecordAudio konuşmanızı yükler ve SaveVideo son videoyu kaydeder. Kanvasta bir MarkdownNote, yapılandırılmış istem formatını özetler ve LTX-2.3 ile ID-LoRA kaynaklarına bağlantı verir.
Teknik olarak, ID-LoRA, LTX-2.3 video difüzyon sürecine hafif bir kimlik adaptörü enjekte eder, böylece üretilen kişi referans görsele tam olarak uyar ve tam bir yeniden eğitim gerekmez. İstem, alt grafiğin beklediği üç etikete ayrılır: [VISUAL] (sahne ve görünüm), [SPEECH] (söylenecek tam metin), [SOUNDS] (konuşmacı tarzı ve ortam ipuçları). Ses, ağız şekillerini ve zamanlamayı yönlendirir; [SPEECH] ise modelin fonem düzeyinde ayrıntı çözmesini sağlar ve daha net dudak hareketleri üretir. Sonuç, sağlanan cümleyi konuşan, görsel olarak referans görsele hizalı ve zamansal olarak sesle senkronize kısa bir videodur.
Sorular ve yanıtlar
Tam bir eğitim gerekmez. İş akışı, üretim sırasında uygulanan hafif bir kimlik adaptörü olan ID-LoRA kullanır. Benzerliği artırmak için yüksek kaliteli bir referans görsel sağlayın.
Üç etiket kullanın: [VISUAL] için sahne ve görünüm ayrıntıları, [SPEECH] için söylenecek tam metin (sesinizle eşleşmeli), [SOUNDS] için konuşmacı tarzı ve ortam sesi. Kesin bir [SPEECH] bölümü, daha net dudak hareketleri üretir.
Temiz, arka plan müziği olmayan bir ses kaydı kullanın, sabit bir hızda konuşun ve [SPEECH] metninin sesle tam olarak eşleştiğinden emin olun. Ağız bölgesi net olacak şekilde önden çekilmiş, iyi aydınlatılmış bir referans görsel seçin.
İş akışı, görsel senkronu sesinizden alır. Son video dosyasının gömülü ses içerip içermemesi, SaveVideo ayarlarınıza bağlıdır. Sessiz bir video alırsanız, orijinal sesi bir video düzenleyicide ekleyebilir veya alt grafiği açıp ses birleştirmeyi entegre edebilirsiniz.
İlgili iş akışları
- LTX-2.3
Turn an image into a video
- LTX-2.3
Add camera motion first last frame
- LTX-2.3
Remove an object from a video
- LTX-2.3
Expand a video’s frame
- LTX-2.3
Make your character talk
- LTX-2.3
Animate a scene from a reference sheet
- LTX-2.3
Restore archival footage
- LTX-2.3
Googly Eyes
- LTX-2.3
LTX 2.3 - Anime2Real
- LTX-2.3
LTX 2.3 - EditAnything - İstemle Video Düzenleme
- LTX-2.3
LTX 2.3 - Sıcak Keçe
- LTX-2.3
LTX-2.3 Stil Geçişi