LTX-2.3 Video-API
API-Referenz
Basis-URL: https://api.ltx.video/v1
Authentifizierung: Authorization: Bearer <API_KEY>
Antwort: MP4-Binärdatei (direkter Download, kein Polling)
Endpunkte
| Endpunkt | Eingabe | Verwendung |
|---|---|---|
/v1/text-to-video | Prompt | Video aus Text generieren |
/v1/image-to-video | image_uri + Prompt | Ein Standbild animieren |
/v1/audio-to-video | audio_uri + image_uri + Prompt | Lippen-synchrones Video aus Audio + Bild |
/v1/extend | video_uri + Prompt | Ein Video am Anfang oder Ende erweitern |
/v1/retake | video_uri + Zeitbereich | Einen Abschnitt eines Videos neu generieren |
Modelle
| Modell | Geschwindigkeit | Qualität |
|---|---|---|
ltx-2-3-fast | ~17s | Gut (für Tests) |
ltx-2-3-pro | ~30-60s | Beste (für finale Ergebnisse) |
Unterstützte Auflösungen
1920x1080(Querformat 16:9)1080x1920(Hochformat 9:16 – natives Hochformat, trainiert auf Hochformatdaten)1440x1080,4096x2160(nur Text-zu-Video)
Audio-zu-Video unterstützt nur: 1920x1080 oder 1080x1920
Schnellbeispiele
Text zu Video
curl -X POST "https://api.ltx.video/v1/text-to-video" \
-H "Authorization: Bearer $LTX_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"prompt": "Ein Mann in einem dunkelblauen Anzug sitzt an einem Tisch in einem Luxusrestaurant...",
"model": "ltx-2-3-pro",
"duration": 8,
"resolution": "1920x1080"
}' -o output.mp4
Audio zu Video (Lippensynchronisation)
curl -X POST "https://api.ltx.video/v1/audio-to-video" \
-H "Authorization: Bearer $LTX_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"audio_uri": "https://example.com/voice.mp3",
"image_uri": "https://example.com/portrait.jpg",
"prompt": "Ein Mann spricht direkt in die Kamera...",
"model": "ltx-2-3-pro",
"resolution": "1920x1080"
}' -o output.mp4
Python-Wrapper
import requests
def ltx_audio_to_video(audio_url, image_url, prompt, api_key,
model="ltx-2-3-pro", resolution="1920x1080",
output_path="output.mp4"):
r = requests.post(
"https://api.ltx.video/v1/audio-to-video",
headers={"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json"},
json={"audio_uri": audio_url, "image_uri": image_url,
"prompt": prompt, "model": model, "resolution": resolution},
timeout=300, stream=True
)
if r.status_code != 200:
raise RuntimeError(f"LTX-Fehler {r.status_code}: {r.text}")
with open(output_path, "wb") as f:
for chunk in r.iter_content(8192): f.write(chunk)
return output_path
⚠️ Kritische Regeln (aus Erfahrung gelernt)
Dateihostung
- URLs müssen HTTPS sein – HTTP wird abgelehnt
- Dateien müssen den korrekten MIME-Typ zurückgeben (nicht
application/octet-stream) - uguu.se funktioniert: Hochladen mit
curl -F "files[][email protected]" https://uguu.se/upload - Audio: als MP3 hochladen (nicht WAV) → uguu gibt
audio/mpegzurück ✅ - 4K-Bilder schlagen fehl → vor dem Hochladen auf 1920x1080 verkleinern
# MP3 auf uguu.se hochladen
AUDIO_URL=$(curl -s -F "files[][email protected]" "https://uguu.se/upload" | \
python3 -c "import sys,json; print(json.load(sys.stdin)['files'][0]['url'])")
# Bild hochladen
IMAGE_URL=$(curl -s -F "files[][email protected]" "https://uguu.se/upload" | \
python3 -c "import sys,json; print(json.load(sys.stdin)['files'][0]['url'])")
Bildgrößenbeschränkung
# Große Bilder vor dem Hochladen verkleinern
ffmpeg -y -i input_4k.png -vf "scale=1920:1080" output_1080.jpg
Gesichtskonsistenz
- Vermeide Prompts, bei denen die Figur nach unten schaut – bricht die Gesichtskonsistenz
- Kopf waagerecht halten und Blickkontakt durchgehend nach vorne gerichtet
- Objekte bereits im Bild platzieren, anstatt die Figur unterhalb des Bildes greifen zu lassen
Letztes Bild
- LTX unterstützt kein natives erstes+letztes Bild
- Workaround: Clip A generieren, Clip B generieren und dann mit
/v1/extendverketten
Prompting-Leitfaden (LTX-2.3)
LTX-2.3 hat einen deutlich stärkeren Text-Konnektor. Spezifität gewinnt.
1. Verben statt Nomen verwenden
❌ "Ein dramatisches Porträt eines stehenden Mannes"
✅ "Ein Mann steht auf einem Dach. Sein Mantel flattert im Wind. Er richtet seinen Kragen und tritt nach vorne, während die Kamera nach rechts schwenkt."
2. Szene wie ein Regisseur blocken
- Links vs. rechts, Vordergrund vs. Hintergrund angeben
- Beschreiben, wer sich bewegt, was sich bewegt, wie sie sich bewegen, was die Kamera macht
- Räumliche Beziehungen werden jetzt respektiert
3. Audio explizit beschreiben (für Text-zu-Video)
- Benenne die Art des Tons: Dialog, Umgebungsgeräusche, Musik
- Gib Tonfall und Intensität an
- Beispiel:
"Seine Stimme ist klar und warm. Restaurant-Atmosphäre leise im Hintergrund."
4. Statische, fotoähnliche Prompts vermeiden
- Wenn der Prompt wie ein Standbild klingt → verhält sich die Ausgabe auch so
- Wind, Bewegung, Atmung, Gesten, Kamerabewegung hinzufügen
5. Textur und Material beschreiben
- Haare, Stoff, Oberflächenbeschaffenheit, Lichtabfall
"Einzelne Haarsträhnen sichtbar im Gegenlicht"→ wird jetzt korrekt dargestellt
6. Porträt (9:16) nativ
resolution: "1080x1920"→ auf Hochformatdaten trainiert- Absichtlich im Hochformat einrahmen, nicht als beschnittenes Querformat behandeln
7. Komplexe Aufnahmen funktionieren jetzt
- Mehrere Aktionen schichten:
"Er hebt die Banane auf, hält sie sich ans Ohr und grinst" - Figurenperformance + Umgebung + Kamerabewegung kombinieren
Lippen-Synchronisations-Prompt-Vorlage
Eine [Beschreibung der Person] sitzt/steht [Ort]. Er/sie spricht direkt
in die Kamera, Lippen bewegen sich perfekt synchron zur Stimme. [Gesten-Details].
Kopf bleibt waagerecht und Blickkontakt bleibt durchgehend auf die Kamera gerichtet.
[Umgebungsbeschreibung leicht unscharf im Hintergrund].
[Beleuchtung]. [Kamera: ruht auf Augenhöhe, frontal].
ComfyUI-Node
Benutzerdefinierte Nodes für ComfyUI (keine manuellen API-Aufrufe):
cd ComfyUI/custom_nodes
git clone https://github.com/PauldeLavallaz/comfyui-ltx-node
Nodes: LTX Text to Video, LTX Image to Video, LTX Extend Video
Kategorie: LTX Video
API-Key
Pauls Key: gespeichert in ~/clawd/.env als LTX_API_KEY
ltxv_RfSU5hdKJb_g5dwbECZWnilE1P8dJzbavz6niP_0LQJ942ARHIVhrBCfebcytEL1efLVx_63S_PJyWTzicrBcWEkOXfCbGTl8JSzlJJk329MwRViEgOoE2KnE9LIA5t6QSFeBy7DLnTIcX0AZNbV9Jv0TuC7qcq2gV33G6ROhUVUDCuN