LTX 2.3 クローズアップショット: ポートレート画像からネイティブオーディオ付きビデオへ#
LTX 2.3 クローズアップショットは、RunComfy対応のComfyUIワークフローで、単一のポートレートをネイティブオーディオと共に生成したシネマティックで顔向けのクリップに変換します。「クローズアップショット」はフレーミングの目標とプロンプトスタイルを説明するものであり、別のLTXモデルバリアントやLoRAではありません。グラフは、アクティブなディテールLoRAを使用せずに、2ステージの潜在的なパイプラインとx2の空間アップスケーラーを使用して、安定したアイデンティティ、自然なリップシンク、鮮明なクローズフレーミングを提供する蒸留されたLTX 2.3 v1.1 GGUFパスを実行します。
ファッションポートレート、対話のビート、インタビュー、洗練されたソーシャルクリップ向けに設計されたこのComfyUIビルドは、タイトな構成と一貫したオーディオビデオモーションを強調しています。LTX 2.3 クローズアップショットでは、静止画像と簡潔なシーン記述を提供し、ワークフローがモーション、タイミング、ボイスを処理して共有可能なMP4を生成します。
Comfyui LTX 2.3 クローズアップショットワークフローの主なモデル#
- LTX-2.3 22B Distilled 1.1 (Transformer-only)。品質を維持しつつ、推論を高速化しメモリを削減するために蒸留されたコアビデオオーディオジェネレーター。ソース: Lightricks/LTX-2.3。
- LTX-2.3 x2 Spatial Upscaler 1.1。ネイティブの潜在アップスケーラーで、2回目のパス中に詳細を鮮明にし、モーションの安定性を向上させます。LTX 2.3リリースにパッケージされています: Lightricks/LTX-2.3。
- LTX-2.3 Video VAE (bf16)とLTX-2.3 Audio VAE (bf16)。ビデオとオーディオの潜在をフレームと波形に変換し、同期を保ちながらデコードします。キュレーションされた重み: Kijai/LTX2.3_comfy。
- LTX 2.3 22B 1.1用の量子化されたGGUF重み。メモリ効率の高いUNet/トランスフォーマーとテキストスタックで、CPUオフロードや低VRAM GPUに最適化されています。配布: QuantStack/LTX-2.3-GGUF。
- Gemma 3 12B InstructテキストエンコーダーとLTXテキストプロジェクション。堅牢なプロンプト理解とタイミングトークンを両モダリティに提供し、ComfyUIのCLIPインターフェースに接続されています。GGUFパックに含まれています: QuantStack/LTX-2.3-GGUF。
- 高速プレビュー用のオプションの小型VAE。反復中のサンプラープレビューに便利です: madebyollin/taehv。
Comfyui LTX 2.3 クローズアップショットワークフローの使用方法#
このワークフローは、2つの調整されたステージで実行されます。最初のパスでは、基本サイズでクローズアップの動きとネイティブオーディオを確立します。2回目のパスでは、空間的にアップサンプルし、アイデンティティとリップシンクを洗練し、ビデオとオーディオをデコードしてマルチプレクスします。
- モデル 蒸留されたLTX 2.3 22B 1.1モデルをGGUFでロードし、Gemma 3ベースのテキストスタックとLTXビデオおよびオーディオVAEをロードします。また、スムーズな反復のためにシーケンス並列とプレビュー補助を有効にします。デフォルトでアクティブなディテールLoRAはなく、LTX 2.3 クローズアップショットの外観をクリーンで一貫したものに保ちます。
- ビデオ設定 ここで目標の幅、高さ、フレームレート、クリップの長さを設定します。グラフは内部で有効な寸法を強制しますが、生産に適した値を選択すると、より安定した結果とスムーズな再生が得られます。迅速に反復する予定がある場合は、控えめに始め、2回目のパスでスケールアップします。
- T2V — テキストからビデオへのモード テキストのみから生成したい場合は、提供されたテキストからビデオへのスイッチを切り替えます。LTX 2.3 クローズアップショットのデフォルトパスは画像からビデオへのもので、アイデンティティとフレーミングをポートレートに固定します。
- 入力画像 顔が遮られないクリーンなポートレート静止画を提供します。ワークフローは画像を事前処理し、サイズを変更した後、
LTXVImgToVideoInplace(#161)を使用してアイデンティティとレンズジオメトリを固定します。背景の乱雑さを最小限に抑え、ゆっくりとしたプッシュインが自然に感じられるように少しのヘッドルームを確保します。 - プロンプト 時間をかけてショットを説明するために1つの簡潔なポジティブプロンプトを使用し、行読み、呼吸、マイクロジェスチャー、聞こえるイベントを含めます。ネガティブプロンプトはアーティファクトの除去に焦点を当て、スタイルのポリシングには焦点を当てません。参照画像に既に表示されている詳細を繰り返さないでください。それが忠実度と安定性を低下させる可能性があります。
- LTX潜在の準備 グラフは設定に一致する空のビデオとオーディオの潜在を作成し、それらを単一のAV潜在にマージし、選択したフレームレートでポジティブおよびネガティブのコンディショニングを添付します。これにより、開始時からタイミング、モーション、およびオーディオが同期されます。
- サンプラー — ファーストパス ファーストパスでは、スピード最適化されたサンプラーを使用して、一貫した低解像度のAV潜在を生成します。このステージでは、クローズアップのカメラ動作、スピーチのリズム、および基本的なリップシンクを固定します。これは、何が起こるかを確立する物語のパスと考えてください。
- サンプラー — セカンドパスアップスケール AV潜在は分割され、ビデオパスは
LTXVLatentUpsampler(#118)を使用してx2にアップスケールされます。アイデンティティはLTXVImgToVideoInplace(#160)で再投影され、高いサイズで顔を安定させ、オーディオとビデオが再結合され、忠実度に焦点を当てたサンプラーで洗練されます。このパスは詳細を強化し、ちらつきを減らし、LTX 2.3 クローズアップショットの外観を磨きます。 - デコード ビデオフレームはメモリ効率のためにタイル化されたVAEでデコードされ、オーディオはオーディオVAEを介してデコードされ、
VHS_VideoCombineがすべてを標準4:2:0ピクセルフォーマットのH.264 MP4にマルチプレクスします。反復中にオーディオをプレビューし、生成されたスピーチに一致するように最終的な期間をトリムできます。 - オプション VRAMが厳しい場合は、スピードを少し犠牲にして安定性を向上させるチャンクフィードフォワードオプションを有効にします。より速いルックデブには、小型プレビューVAEを使用します。マルチGPUユーザーは、長いシーケンスをスムーズに保つためにシーケンス並列パッチャーを利用できます。
Comfyui LTX 2.3 クローズアップショットワークフローの主要ノード#
LTXVImgToVideoInplace(#161 and #160) 顔が安定したまま微妙なプッシュインとマイクロムーブメントが再生されるように、ポートレートを潜在ビデオに固定します。画像からビデオへの変換時にはアクティブに保ちます。テキストからビデオへのモードを使用する場合にのみ、そのbypassを切り替えます。最高のLTX 2.3 クローズアップショットの結果を得るためには、シャープで均一に照らされた参照から始め、口の覆いを避けてください。LTXVLatentUpsampler(#118)
2回目のパス改良の前に潜在空間でネイティブLTX 2.3 x2空間アップスケーラーを適用します。これにより、動作の一貫性を保ちながら詳細が増加します。クローズアップでは、通常x2のアップスケールを維持することでシャープネスと安定性の最適なバランスが得られます。
CFGGuider(#129 and #103) ポジティブおよびネガティブコンディショニングを両モダリティの統一されたガイダンス信号に組み合わせます。ガイダンスの強度を微調整することで、スクリプトやフレーミングへの適合度を調整できます。ガイダンスを増やす場合は、表現を過度に制約しないようにネガティブリストを少し柔らげることを検討してください。SamplerCustomAdvanced(#113 and #119) ファーストパスは、モーションとオーディオを迅速に確立するためにスピード志向の戦略を採用し、セカンドパスは詳細をシャープにするために忠実度志向の戦略に切り替えます。サンプラー戦略を変更する場合は、ファーストパスを速く、セカンドパスを正確に保って、LTX 2.3 クローズアップショットのシネマティックな磨きを維持してください。LTX2_NAG(#342) ビデオとオーディオのコンディショニングをバランスさせるノイズアウェアガイダンスを導入します。ビデオの強調を上げるとフレーミングとポーズが強化され、オーディオの強調を上げるとリップシンクが強化されます。CFGGuiderと一緒に保守的に調整して過度の制約を避けてください。LTXVConditioning(#107 and #22) プロンプトとフレームレートを潜在タイムラインに結びつけます。シーンレベルのポジティブプロンプトを1つ維持し、コンパクトなネガティブプロンプトを使用して最もクリーンなアライメントを実現します。添付されたフレームレートは、スピーチのペーシングとモーションのリズムが一致していることを保証します。VHS_VideoCombine(#140) 標準の再生設定で最終結果をMP4にエンコードします。配信のために、crfを下げて品質を向上させ、編集のためにtrim_to_audioを有効にしてクリップの長さを生成されたスピーチに正確に一致させます。
オプションのエクストラ#
- LTX 2.3 クローズアップショットのフレーミングのヒント 目が上部の三分の一に近づくようにクロップし、少しのヘッドルームを残し、口を完全に見えるようにしてリップシンクを改善します。強い逆光や重いフィルターを参照に使用しないでください。
- 効果的なプロンプト 時間をかけて何が起こるかを書き、呼吸、笑い、部屋のトーンなどの聞こえる瞬間を含めます。画像に既に存在する属性は省略してください。ネガティブリストを短く実用的に保ちます。
- サイズとパフォーマンス VRAMが少ない場合は、最初に中程度の基本サイズを試し、次に2回目のパスでアップスケールします。LTXのグリッド制約に従った寸法は、より予測可能にサンプルされ、高いフレームレートはより多くの計算を要求します。
- 反復ワークフロー 画像とプロンプトをロックし、モーションとリードが正しく感じられるまでファーストパスを反復し、次にディテールのためにセカンドパスに移行します。チェックを高速化するために小型プレビューVAEを使用し、エクスポートの準備が整ったときにのみ完全なデコードを有効にします。
- T2Vを使用するタイミング ナレーションによって純粋に駆動されるBロールや抽象的なクローズアップには、テキストからビデオへのモードに切り替えます。アイデンティティ駆動のショットには、ポートレートパスをオンにしてLTX 2.3 クローズアップショットの美学を保ちます。
謝辞#
このワークフローは、以下の作品とリソースをjson 実装および構築しています。私たちは、LightricksにLTX‑2.3モデル、LTX DocsにImage‑to‑Video Workflow Guide、QuantStackにLTX‑2.3‑GGUFの量子化、およびiiTzMYUNGにLTX 2.3ソースショーケースの貢献と保守に感謝しています。詳細については、以下にリンクされたオリジナルのドキュメントとリポジトリを参照してください。
リソース#
- Lightricks/LTX-2.3
- GitHub: Lightricks/LTX-2
- Hugging Face: Lightricks/LTX-2.3
- arXiv: arXiv:2601.03233
- LTX Docs/Image-to-Video Workflow Guide
- GitHub: Lightricks/ComfyUI-LTXVideo
- Docs / Release Notes: Image-to-Video Workflow Guide
- QuantStack/LTX-2.3-GGUF
- Hugging Face: QuantStack/LTX-2.3-GGUF
- iiTzMYUNG/LTX 2.3 Close-Up Shots Are Absolutely Insane!
- Docs / Release Notes: LTX 2.3 Close-Up Shots Are Absolutely Insane!
注意: 参照されたモデル、データセット、およびコードの使用は、それぞれの著者と管理者によって提供されたライセンスと条件に従います。