图像转视频（语音参考）

LTX 2.3 图像转视频（支持语音参考） 将任意静态图像转换为逼真的说话视频，并根据你的音频进行自然的语音同步。 使用方法 上传参考图像 上传你希望赋予生命的人物或角色的图像。 上传语音参考音频 上传一段简短的音频片段（理想时长 5–15 秒），包含你希望复刻的嗓音音色、口音与风格。 选择画面比例 选择竖屏（纵向）或横屏（横向）。 编写你的提示词 描述场景、机位、表情、动作、情绪，尤其是人物应该说的话。 选择视频时长 选择视频的期望长度。 生成 应用将基于你的参考音频，生成高质量的视频，实现语音同步与自然的说话动作。 最佳效果重要指南 在提示词中尽可能详细。包含姿势、表情、光线、镜头运动、情绪以及声音语调等信息。 口述文本必须与所选视频时长保持一致；如果语音过长，结尾将被截断。 始终在提示词中注明：视频时长应比所选时长短约 2–3 秒。这个安全余量有助于避免结尾音频被截断。 超过 20 秒的视频往往会逐渐丢失角色一致性。为获得最佳效果，建议将视频保持在 20 秒或更短。 在需要时清楚指定语言、口音和说话风格（例如：“使用巴西葡萄牙语，Porto Alegre 口音”）。 使用清晰且一致的语音参考音频，以获得更好的声音克隆与同步质量。 示例提示词 "人物站立，中景，置于摄影棚。用英语创作一段独白，时长约 15 秒（用于 18 秒的视频），邀请所有人体验应用 'LTX 2.3 Image to Video with Voice Reference'，并以这句结束：'Welcome to the world of NLTYI. No Limits To Your Imagination'."