KeyFrame內部研究專用

LTX Director 2 CS v 0.21 - Character Sheet - Prompt Zones - Prompt Zones

RedShade·7月12日週日·8 min英文

三句話摘要

介紹 LTX Director 2 CS 改進版時間軸影片製作節點,教學如何用角色表、影像錨點等功能保持角色一致性並精確控制影片生成。 LTX Director 2 CS 透過角色表、影像錨點和提示詞區域等創新,將 AI 影片製作從多提示詞管理的混亂轉變為可視化、可控的時間軸工作流,大幅提升複雜多角色場景的製作效率與一致性。 角色一致性是生成的核心挑戰 — 相機角度改變時模型容易失去一致性。角色表透過在提示詞中注入詳細身份信息(用 @char 語法),讓模型每次都參考相同的角色描述,從而維持視覺一致性。

重點整理

重點
  • 1

    角色一致性是生成的核心挑戰 — 相機角度改變時模型容易失去一致性。角色表透過在提示詞中注入詳細身份信息(用 @char 語法),讓模型每次都參考相同的角色描述,從而維持視覺一致性。

  • 2

    影像錨點是工作流創新 — 傳統設計將圖片和提示詞綁在一起,新功能將它們分離。圖片可放在時間軸任何位置,自動借用當前提示詞運行,無需創建新提示詞,大幅簡化複雜場景製作。

  • 3

    提示詞區域提供可視化控制 — 時間軸上不同顏色的塊顯示每個提示詞的影響範圍,虛線標示交接點,讓製作者清楚看到哪個提示詞在掌控影片。

  • 4

    兩種參考系統各有優劣 — Ghostmask 需詳細描述但品質穩定(強度 0.8),Lycon MSR 可直接呼叫角色無需描述(強度 1),都支援 MSR LoRA,可根據場景選擇。

實用技巧與重點

乾貨
  • 安裝:ComfyUI → custom_nodes 資料夾 → 開終端 → `git clone [repo link]`(連結在置頂留言)
  • LLM 選項:Ollama(推薦輕量快速模型)、LM Studio、任何 OpenAI 相容模型
  • 角色表語法:提示詞中輸入 `@char1`、`@char2` 等自動展開為完整描述
  • 輔助工具:Glide Picture(一鍵從單張圖片生成角色表和 Image Key)
  • 參考系統
  • Ghostmask:強度 0.8
  • Lycon MSR:強度 1
  • 故障排查:按「reanalyze」重新生成描述;遇重複角色改用 RES 採樣器
  • 圖片操作:右鍵選「convert to anchor」轉換為錨點圖片

結論

結論

LTX Director 2 CS 透過角色表、影像錨點和提示詞區域等創新,將 AI 影片製作從多提示詞管理的混亂轉變為可視化、可控的時間軸工作流,大幅提升複雜多角色場景的製作效率與一致性。

完整解析

詳細

LTX Director 2 CS 是針對 ComfyUI 的專門影片製作節點,直指 AI 影片生成的核心難題:保持角色一致性同時精確控制複雜場景。

傳統 AI 影片生成工作流中,當相機角度改變或角色從不同視角出現時,模型經常因信息不足而生成外觀不一致的角色。LTX Director 2 CS 透過「角色表」功能解決這個問題。使用者上傳參考圖片後,系統用多模態模型(如 Ollama)自動分析並生成詳細描述。製作提示詞時,用 `@char1`、`@char2` 等語法引用角色,系統自動展開為完整描述。這樣模型每次生成都獲得一致的身份信息。

另一項核心創新是「影像錨點」功能。傳統工作流中圖片和提示詞緊密綁定、必須同時開始。新功能將兩者分離,允許在時間軸任何位置放置圖片,它會自動使用當前運行的提示詞。這意味著製作者可用一個長提示詞搭配多張錨點圖片,避免頻繁切換提示詞導致的一致性丟失。在製作複雜多角色場景時特別有用——例如製作角色跳躍場景時,可在跳躍前放置一張錨點圖片,只用一個提示詞和一張角色表就能完成。

時間軸介面也重新設計了。「提示詞區域」用不同顏色視覺化顯示每個提示詞的影響範圍,虛線表示交接點,使用者能一眼看出哪個提示詞在掌控哪個時間段。系統支援兩種參考系統:Ghostmask 需詳細描述但品質穩定(強度 0.8),Lycon MSR 可直接呼叫角色無需長描述(強度 1)。

實際應用中細節調整至關重要。若生成的描述不夠精確(如漏掉眼鏡等細節),按「reanalyze」重新分析即可。若出現重複角色,可切換採樣器到 RES。這些小調整往往決定最終品質。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。