LTX-2.5 آپریشن میں

LTX-2.5، LTX کا اوپن سورس AI ویڈیو جنریشن فاؤنڈیشن ماڈل ہے، جس میں 22B پیرامیٹرز ہیں اور ریلیز کے ساتھ ہی اس کے وزن دستیاب کر دیے گئے ہیں۔ ماڈل مقامی ملٹی شاٹ جنریشن، 4K HDR اور RAW/EXR پروفیشنل ورک فلو کو سپورٹ کرتا ہے، آڈیو بھی بیک وقت تیار کر سکتا ہے اور اس میں درست ویڈیو ایڈیٹنگ کی صلاحیت موجود ہے۔ ایسے وقت میں جب کلوزڈ سورس ماڈلز مسلسل مہنگے ہو رہے ہیں، LTX-2.5 اوپن ایکو سسٹم کی حکمتِ عملی کے ذریعے AI ویڈیو کے شعبے کو پروفیشنل معیار کا اوپن سورس متبادل فراہم کرتا ہے۔

مقامی ملٹی شاٹ جنریشن: ایک ہی بار میں مختلف کیمرہ زاویوں اور شاٹ سائزز کے متعدد مسلسل شاٹس تیار کیے جا سکتے ہیں۔ شاٹس کی تبدیلی کے دوران کرداروں کی ظاہری شکل، ماحول، روشنی کے حالات اور آواز میں اعلیٰ یکسانیت برقرار رہتی ہے، جس سے AI کہانی سازی میں شاٹس کے تسلسل کا بنیادی مسئلہ حل ہوتا ہے۔
ڈفیوژن فڈیلیٹی رینڈرنگ: منظر کی پیچیدگی کے مطابق رینڈرنگ کی کمپیوٹنگ طاقت خودکار طور پر تقسیم کرتا ہے۔ پیچیدہ متحرک شاٹس کو زیادہ وسائل ملتے ہیں، جبکہ ساکن یا سادہ مناظر میں خودکار طور پر وسائل بچائے جاتے ہیں، یوں تصویر کے معیار کو برقرار رکھتے ہوئے مجموعی کارکردگی بہتر ہوتی ہے۔
درست ویڈیو ایڈیٹنگ: اصل لائیو ایکشن مواد کی حرکتی راہ اور مقامی ساخت برقرار رکھتے ہوئے اعلیٰ درستگی کے ساتھ انداز میں تبدیلی، منظر کی دوبارہ تخلیق اور کرداروں کی تبدیلی ممکن بناتا ہے، جس سے ”لائیو ایکشن ڈھانچہ + AI اسٹائلائزڈ تہہ“ پر مبنی قابلِ کنٹرول تخلیق حاصل ہوتی ہے۔
خودکار دورانیے کی پیش گوئی: Duration Head ماڈیول شامل ہے، جو پرامپٹ میں موجود ایکشن کی تفصیل پڑھ کر کلپ کی موزوں ترین لمبائی خودکار طور پر طے کرتا ہے، لہٰذا تخلیق کار کو بار بار تجربہ کرنے کی ضرورت نہیں رہتی۔
پروفیشنل معیار کے آؤٹ پٹ فارمیٹس: مقامی 4K HDR، RAW اور EXR لاس لیس فارمیٹس میں آؤٹ پٹ سپورٹ کرتا ہے، جسے براہِ راست پروفیشنل فلم کلر گریڈنگ، ویژول ایفیکٹس کمپوزٹنگ اور پوسٹ پروڈکشن ایڈیٹنگ پائپ لائنز میں شامل کیا جا سکتا ہے۔
ہم وقت آڈیو جنریشن: ایک آزاد Audio VAE ماڈیول کے ذریعے ویڈیو کے ساتھ مطابقت رکھنے والا آڈیو ٹریک بھی تیار کرتا ہے۔
IC-LoRA کی درست کنٹرول صلاحیت: Canny کناروں، Depth گہرائی اور Pose پوز کے تین ریفرنس ویڈیو کنٹرول موڈز فراہم کرتا ہے، تاکہ تیار کردہ نتیجہ ریفرنس مواد کی کمپوزیشن، مقامی ساخت یا کرداروں کی حرکات کی سختی سے پیروی کرے۔

وی چیٹ پر فالو کریں اور ”اوپن سورس“ کا جواب دے کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
Gemma 4 12B ٹیکسٹ انکوڈر: Lightricks کا LTX کے لیے خصوصی طور پر تیار کردہ بڑے زبان کا ماڈل انکوڈر، جو پیچیدہ اور طویل پرامپٹس میں متعدد کرداروں کے باہمی تعلقات، حرکات کی تفصیلات، روشنی کی وضاحت اور کیمرہ سمت کو مکمل طور پر برقرار رکھ سکتا ہے، اور پرامپٹ طویل ہونے پر ذیلی جملوں کی معلومات ضائع نہیں کرتا۔
Prompt Enhancer: ایک ہلکا پھلکا معاون ماڈل، جو صارف کے مختصر ان پٹ کو خودکار طور پر تفصیلی سنیما معیار کی ہدایات میں تبدیل کرتا ہے۔ یہ پرامپٹ انجینئرنگ کی رکاوٹ کم کرتا ہے اور اس کی کمپیوٹنگ لاگت بھی نہایت کم ہے۔
Diffusion Video Decoder: روایتی VAE ڈیکوڈر کی جگہ نیا فنِ تعمیر، جو خاص طور پر تیز حرکات والے مناظر کے لیے بہتر بنایا گیا ہے۔ یہ تصویر کے دھندلے پن اور مصنوعی نقائص کو نمایاں طور پر کم کرتا ہے، چہروں کو زیادہ واضح اور متن کو زیادہ قابلِ مطالعہ بناتا ہے۔
Audio VAE: آزاد آڈیو لیٹنٹ اسپیس انکوڈر، جو ویڈیو کے مواد کو مطابقت رکھنے والی آڈیو نمائندگی میں تبدیل کرتا ہے، یوں تصویر اور آواز بیک وقت تیار ہوتی ہیں۔
Diffusion Fidelity Rendering: ”پہلے ساخت، پھر تفصیل“ کی دو مرحلوں والی رینڈرنگ حکمتِ عملی استعمال کرتا ہے۔ پہلے مرحلے میں 8× ٹائم کمپریشن والی لیٹنٹ اسپیس میں حرکت، کمپوزیشن اور شاٹ کا فریم ورک تیار کیا جاتا ہے، اور اعلیٰ فڈیلیٹی والے کلیدی فریم خودکار طور پر بنائے جاتے ہیں؛ دوسرے مرحلے میں ساخت اور کلیدی فریموں کو مشترکہ طور پر ڈفیوژن رینڈرنگ کے ذریعے حتمی ویڈیو میں تبدیل کیا جاتا ہے، جہاں ٹیکسچر، مواد اور چہرے کی تفصیلات کو پکسل سطح کی درستگی سے سمجھا جاتا ہے۔
Duration Head: ڈفیوژن کے عمل سے پہلے تعینات پیش گوئی کا ماڈیول، جو پرامپٹ میں موجود ایکشن کی معنوی معلومات سمجھ کر ویڈیو کا موزوں ترین دورانیہ خودکار طور پر اخذ کرتا ہے، جس سے ماڈل میں بیانیہ رفتار کا ابتدائی ادراک پیدا ہوتا ہے۔

راستہ منتخب کریں: طے کریں کہ API کلاؤڈ سروس استعمال کرنی ہے یا ComfyUI کی مقامی تعیناتی۔
API انضمام: LTX کی آفیشل ویب سائٹ پر API Key حاصل کریں، پھر انٹرفیس کے ذریعے Fast یا Pro درجے کا انتخاب کریں۔
نوڈ انسٹال کریں: مقامی تعیناتی کے لیے ComfyUI کو تازہ ترین ورژن پر اپ ڈیٹ کریں اور Manager کے ذریعے ComfyUI-LTXVideo نوڈ پیکیج انسٹال کریں۔
ماڈل ڈاؤن لوڈ کریں: ComfyUI کے ٹیمپلیٹ براؤزر میں “LTX-2.5″ تلاش کریں، متعلقہ ورک فلو منتخب کریں اور تمام ماڈل فائلیں ایک کلک سے ڈاؤن لوڈ کریں۔
پیرامیٹرز ترتیب دیں: چوڑائی اور اونچائی 32 کے مضرب رکھیں، فریمز 1+8 کے مضرب رکھیں، فریم ریٹ 24/25/48/50fps منتخب کریں، اور 2× اپ اسکیلنگ فعال کرنے کے لیے بنیادی ریزولوشن کو ہدف کے نصف پر رکھیں۔
پرامپٹ لکھیں: ایک مربوط نثری عبارت میں شاٹ سائز، منظر کی روشنی، کرداروں کی حرکات، کیمرہ موومنٹ اور آڈیو بیان کریں؛ ٹیگز کے ڈھیر یا وزن والی گرامر سے گریز کریں۔
جنریشن چلائیں: رن پر کلک کریں۔ ٹیکسٹ ٹو ویڈیو براہِ راست ویڈیو تیار کرے گا، امیج ٹو ویڈیو کے لیے ابتدائی فریم اپ لوڈ کرنا ہوگا، جبکہ ابتدائی و آخری فریم موڈ میں دونوں فریم اپ لوڈ کرنے ہوں گے۔
درست کنٹرول: جدید صارفین Canny، Depth یا Pose موڈ والا IC-LoRA لوڈ کر کے ریفرنس ویڈیو شامل کر سکتے ہیں، تاکہ کمپوزیشن یا حرکات کو لاک کیا جا سکے۔
ماڈل منتخب کریں: تیز iteration کے لیے distilled ماڈل استعمال کریں، جبکہ حتمی ویڈیو کے لیے زیادہ باریک تفصیلات حاصل کرنے کی خاطر مکمل dev ماڈل استعمال کریں۔

بیانیہ تسلسل: مقامی Multishot ملٹی شاٹ جنریشن کی صلاحیت ایک ہی آؤٹ پٹ میں کرداروں کی ظاہری شکل، ماحول، روشنی کے حالات اور آواز میں اعلیٰ یکسانیت برقرار رکھتی ہے، جس سے AI کہانی سازی میں شاٹس کے تسلسل کا سب سے بڑا مسئلہ بنیادی طور پر حل ہوتا ہے۔
کنٹرول میں نمایاں اضافہ: درست ویڈیو ایڈیٹنگ اصل لائیو ایکشن مواد کی حرکتی راہ اور مقامی ساخت برقرار رکھتی ہے۔ Canny/Depth/Pose کے تین IC-LoRA کنٹرول موڈز کے ساتھ مل کر یہ ”اندھا انتخاب“ سے ”لائیو ایکشن ڈھانچہ + AI اسٹائلائزڈ تہہ“ پر مبنی قابلِ کنٹرول پیداوار کی طرف منتقلی ممکن بناتی ہے۔
صنعتی معیار کا ورک فلو: مقامی RAW/HDR/EXR آؤٹ پٹ کو براہِ راست پروفیشنل کلر گریڈنگ، ویژول ایفیکٹس کمپوزٹنگ اور پوسٹ پروڈکشن ایڈیٹنگ پائپ لائنز میں شامل کیا جا سکتا ہے۔ کمپریشن یا ٹرانس کوڈنگ کی ضرورت نہیں رہتی، اور فلمی صنعت کے لاس لیس مواد سے متعلق سخت تقاضے پورے ہوتے ہیں۔
خود موافق کارکردگی: Diffusion Fidelity Rendering ٹیکنالوجی منظر کی پیچیدگی کے مطابق رینڈرنگ کی کمپیوٹنگ طاقت متحرک طور پر تقسیم کرتی ہے۔ پیچیدہ متحرک شاٹس کو باریک بینی سے رینڈر کیا جاتا ہے، جبکہ ساکن اور سادہ مناظر میں وسائل خودکار طور پر بچائے جاتے ہیں، یوں پکسل سطح کے معیار کے ساتھ مجموعی جنریشن کی کارکردگی بھی بہتر ہوتی ہے۔

پروجیکٹ کی آفیشل ویب سائٹ: https://ltx.io/model/ltx-2-5
HuggingFace ماڈل لائبریری: https://huggingface.co/Lightricks/LTX-2.5

پروفیشنل فلم اور ٹی وی پوسٹ پروڈکشن: مقامی 4K HDR، RAW اور EXR لاس لیس آؤٹ پٹ کو براہِ راست کلر گریڈنگ، ویژول ایفیکٹس کمپوزٹنگ اور ایڈیٹنگ پائپ لائنز میں شامل کیا جا سکتا ہے۔ یہ سینما اور اسٹریمنگ معیار کی پوسٹ پروڈکشن کی ضروریات پوری کرتا ہے اور کمپریسڈ MP4 کی کلر گریڈنگ کی مشکلات سے بچاتا ہے۔
AI مختصر ڈرامے اور اینیمیٹڈ ڈرامے: Multishot ملٹی شاٹ جنریشن ایک ہی بار میں مربوط بیانیہ اسٹوری بورڈ تیار کرتی ہے، جبکہ درست ویڈیو ایڈیٹنگ ”حقیقی اداکاری کی حرکات کا ڈھانچہ + AI کرداروں کی تبدیلی اور اسٹائلائزڈ تہہ“ کو سپورٹ کرتی ہے، جس سے شاٹس کے تسلسل اور حرکات کے کنٹرول کے دو بڑے مسائل بنیادی طور پر حل ہوتے ہیں۔
اشتہارات اور برانڈ مواد: اعلیٰ معیار کی کمرشل ویڈیوز کی تیز iteration ممکن بناتا ہے۔ Prompt Enhancer پرامپٹ انجینئرنگ کی رکاوٹ کم کرتا ہے، Distilled ماڈل تیز پیش نظارہ فراہم کرتا ہے، جبکہ مکمل ماڈل حتمی ویڈیو تیار کرتا ہے، یوں کارکردگی اور معیار دونوں برقرار رہتے ہیں۔
فزیکل AI اور روبوٹکس: Physical AI Checkpoint embodied intelligence ٹیموں کو ورلڈ ماڈل کی بنیاد فراہم کرتا ہے، روبوٹ سسٹمز کو طبعی دنیا اور حرکت کے اصول سمجھنے میں مدد دیتا ہے، اور خالص مواد تخلیق کی حدود سے آگے بڑھتا ہے۔