কনটেন্টে যান

Wan-2.2 Speech-to-Video 14B

ইন্টিগ্রেট করুন

মডেল id wan/v2.2-14b/speech-to-video
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/wan/v2.2-14b/speech-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

উদাহরণের মতো ফাইল: ০.৫০$ ৫০০ API ক্রেডিট · ≈ ৫৩.৬৬₽ চালানোর আগে আপনার ফাইল মাপা হয় এই পেজে চালান

API কী পান
Alibaba লিপসিঙ্ক ও অ্যাভাটার লিপসিঙ্ক720p পর্যন্ত #audio-to-video#talking-head

একটি স্থির ছবি ও অডিও ফাইল থেকে টেক্সট প্রম্পটের নির্দেশনায় কথা বলার ভিডিও তৈরি করে

Doitong-এ তৈরি

Doitong কমিউনিটির Wan v22 Large দিয়ে তৈরি পাবলিক কাজ। এক ক্লিকে একটি প্রম্পট পুনরায় ব্যবহার করুন।

দেখানো পাবলিক কাজ: 3
Создай 30-секундный обучающий музыкальный ролик для детей 3–5 лет. Тема: транспорт. Яркая 2D-аним... ভিডিও

Создай 30-секундный обучающий музыкальный ролик для детей 3–5 лет. Тема: транспорт. Яркая 2D-анимация, весёлый водитель в кепке, крупные машины, пастельные цвета. 0:00–0:10 приветствие под музыку; 0:10–0:30 песенка: "Машина едет би-би, би-би", "Поезд едет ту-ту, ту-ту". Бодрая детская музыка...

Создай 30-секундный обучающий музыкальный ролик для детей 3–5 лет. Тема: транспорт. Яркая 2D-аним... ভিডিও

Создай 30-секундный обучающий музыкальный ролик для детей 3–5 лет. Тема: транспорт. Яркая 2D-анимация, тот же весёлый водитель в кепке, самолёт. 0:00–0:15 песенка: "Самолёт летит вж-ж-ж, вж-ж-ж"; 0:15–0:25 интерактивная пауза: водитель спрашивает "Как гудит машина?", пауза; 0:25–0:30 финальный...

# PROMPT: Animated Mother’s Day greeting card **Format:** vertical video 9:16 **Duration:** 12–15... ভিডিও

# PROMPT: Animated Mother’s Day greeting card **Format:** vertical video 9:16 **Duration:** 12–15 seconds **Style:** high‑quality Pixar‑inspired 3D animation, cinematic, warm, emotional, charming animated movie aesthetic. ### The main character is a child Use the attached image as the only and...

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক

ভিডিও জেনারেট করতে ব্যবহৃত টেক্সট প্রম্পট।

•আবশ্যক image_url
একটি ফাইল ড্রপ করুন, অথবা

সোর্স ছবির URL; নির্বাচিত অ্যাসপেক্ট রেশিও অনুযায়ী প্রিপ্রসেসিং প্রয়োজন কি না নির্ধারিত হয়: অমিল থাকলে রিসাইজ করার পর সেন্টার ক্রপ করা হয়।

•আবশ্যক audio_url
একটি ফাইল ড্রপ করুন, অথবা

অডিও ফাইলের দিকে নির্দেশ করা URL।

resolution ডিফল্ট 480p

আউটপুট ভিডিওর রেজোলিউশন: 480p, 580p অথবা 720p।

ডিফল্ট 80

40–120-এর মধ্যে 4-এর গুণিতক বেছে নিয়ে কতটি ফ্রেম জেনারেট হবে তা নির্ধারণ করুন।

অ্যাডভান্সড negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
ডিফল্ট

ভিডিও জেনারেশনের সময় প্রয়োগ করা negative প্রম্পট।

video_quality ডিফল্ট high

আউটপুট ভিডিওর গুণমানের সেটিং, যা বাড়ালে বড় ফাইলের বিনিময়ে দৃশ্যমানতা উন্নত হয়।

video_write_mode ডিফল্ট balanced

ভিডিও লেখার মোড, যেখানে balanced গতি ও গুণমানের মধ্যে সমন্বয় করে। সবচেয়ে ছোট ফাইল ও ধীরতম লেখার জন্য small বেছে নিন; দ্রুত লেখা ফলাফল আগে ফেরত দেয়, তবে বড় ফাইল তৈরি করে।

ডিফল্ট 16

জেনারেট করা ভিডিওর ফ্রেম হার, 4 থেকে 60 পর্যন্ত মান গ্রহণ করে; `adjust_fps_for_interpolation` false সেট করলে এই হার অপরিবর্তিত থাকে। ইন্টারপোলেশন ব্যবহৃত হলে এবং `adjust_fps_for_interpolation` true থাকলে (এটি ডিফল্ট), চূড়ান্ত FPS পেতে এই হারকে ইন্টারপোলেট করা ফ্রেম সংখ্যার সঙ্গে 1-এর যোগফল দিয়ে গুণ করুন। উদাহরণস্বরূপ, 1টি ইন্টারপোলেট করা ফ্রেমসহ 16 FPS হয়ে যায় 32 FPS।

ডিফল্ট 27

Sampling step-এর সংখ্যা; সংখ্যা বাড়ার সঙ্গে processing time বাড়ে এবং quality উন্নত হয়।

ডিফল্ট 3.5

Classifier-free guidance-এর শক্তি; scale বাড়ার সঙ্গে সম্ভাব্য quality loss-এর বিনিময়ে প্রম্পটের সঙ্গে আরও ঘনিষ্ঠ মিল পাওয়া যায়।

ডিফল্ট 5

ভিডিও শিফট সেটিং, যার অনুমোদিত পরিসর 1.0–10.0।

পুনরুৎপাদনযোগ্য জেনারেশনের জন্য সিড। এটিকে None সেট করলে এলোমেলোভাবে একটি সিড নির্বাচন করা হয়।

POST /run/wan/v2.2-14b/speech-to-video?wait=20 মূল্য → ০.৫০$
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/wan/v2.2-14b/speech-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Wan-2.2 Speech-to-Video 14B সম্পর্কে

`prompt`, একটি উৎস `image_url` এবং একটি `audio_url` প্রয়োজন, এবং অডিও-নির্দেশিত ছবির বিষয়ের ভিডিও তৈরি করে। `num_frames` 40 থেকে 120 পর্যন্ত, 4-এর গুণিতকে, ডিফল্ট 16 fps-এ চলে। `resolution` 480p, 580p বা 720p হতে পারে। স্যাম্পলিং স্টেপ, গাইডেন্স, ইন্টারপোলেশন এবং একটি `negative_prompt` সমন্বয় করা যায়।

প্যারামিটার

ক্যানোনিকাল নাম অথবা নেটিভ নাম—দুটো একসঙ্গে নয়—পাঠান। ক্যানোনিকাল নামগুলো

নামধরন ডিফল্টঅনুমোদিত বিবরণ
promptআবশ্যক
ধরনstring
ভিডিও জেনারেট করতে ব্যবহৃত টেক্সট প্রম্পট।
negative_promptঐচ্ছিক
ধরনstring
ডিফল্ট
ভিডিও জেনারেশনের সময় প্রয়োগ করা negative প্রম্পট।
num_framesঐচ্ছিক
ধরনinteger
ডিফল্ট80
৪০ – ১২০
40–120-এর মধ্যে 4-এর গুণিতক বেছে নিয়ে কতটি ফ্রেম জেনারেট হবে তা নির্ধারণ করুন।
frames_per_secondঐচ্ছিক
ধরনinteger | null
ডিফল্ট16
৪ – ৬০
জেনারেট করা ভিডিওর ফ্রেম হার, 4 থেকে 60 পর্যন্ত মান গ্রহণ করে; `adjust_fps_for_interpolation` false সেট করলে এই হার অপরিবর্তিত থাকে। ইন্টারপোলেশন ব্যবহৃত হলে এবং `adjust_fps_for_interpolation` true থাকলে (এটি ডিফল্ট), চূড়ান্ত FPS পেতে এই হারকে ইন্টারপোলেট করা ফ্রেম সংখ্যার সঙ্গে 1-এর যোগফল দিয়ে গুণ করুন। উদাহরণস্বরূপ, 1টি ইন্টারপোলেট করা ফ্রেমসহ 16 FPS হয়ে যায় 32 FPS।
seedঐচ্ছিক
ধরনinteger | null
পুনরুৎপাদনযোগ্য জেনারেশনের জন্য সিড। এটিকে None সেট করলে এলোমেলোভাবে একটি সিড নির্বাচন করা হয়।
resolutionঐচ্ছিক
ধরনenum
ডিফল্ট480p
480p580p720p
আউটপুট ভিডিওর রেজোলিউশন: 480p, 580p অথবা 720p।
num_inference_stepsঐচ্ছিক
ধরনinteger
ডিফল্ট27
২ – ৪০
Sampling step-এর সংখ্যা; সংখ্যা বাড়ার সঙ্গে processing time বাড়ে এবং quality উন্নত হয়।
enable_safety_checkerঐচ্ছিক
ধরনboolean
ডিফল্টfalse
প্রসেসিংয়ের আগে ইনপুট সেফটি স্ক্রিনিং, যা কেবল অনুমোদিত অ্যাকাউন্ট বন্ধ করতে পারে। অনুমোদনহীন রিকোয়েস্ট সবসময় স্ক্রিন করা হয়; অন্যথায় true মান স্ক্রিনিং সক্রিয় করে।
enable_output_safety_checkerঐচ্ছিক
ধরনboolean
ডিফল্টfalse
জেনারেট করা ভিডিওর সেফটি স্ক্রিনিং নিয়ন্ত্রণ করে; true সেট করলে জেনারেশনের পর পরীক্ষা সক্রিয় হয়।
guidance_scaleঐচ্ছিক
ধরনnumber
ডিফল্ট3.5
১ – ১০
Classifier-free guidance-এর শক্তি; scale বাড়ার সঙ্গে সম্ভাব্য quality loss-এর বিনিময়ে প্রম্পটের সঙ্গে আরও ঘনিষ্ঠ মিল পাওয়া যায়।
shiftঐচ্ছিক
ধরনnumber
ডিফল্ট5
১ – ১০
ভিডিও শিফট সেটিং, যার অনুমোদিত পরিসর 1.0–10.0।
video_qualityঐচ্ছিক
ধরনenum
ডিফল্টhigh
lowmediumhighmaximum
আউটপুট ভিডিওর গুণমানের সেটিং, যা বাড়ালে বড় ফাইলের বিনিময়ে দৃশ্যমানতা উন্নত হয়।
video_write_modeঐচ্ছিক
ধরনenum
ডিফল্টbalanced
fastbalancedsmall
ভিডিও লেখার মোড, যেখানে balanced গতি ও গুণমানের মধ্যে সমন্বয় করে। সবচেয়ে ছোট ফাইল ও ধীরতম লেখার জন্য small বেছে নিন; দ্রুত লেখা ফলাফল আগে ফেরত দেয়, তবে বড় ফাইল তৈরি করে।
image_urlআবশ্যক image
ধরনurl · image
সোর্স ছবির URL; নির্বাচিত অ্যাসপেক্ট রেশিও অনুযায়ী প্রিপ্রসেসিং প্রয়োজন কি না নির্ধারিত হয়: অমিল থাকলে রিসাইজ করার পর সেন্টার ক্রপ করা হয়।
audio_urlআবশ্যক audio
ধরনurl · audio
অডিও ফাইলের দিকে নির্দেশ করা URL।
আবশ্যক ক্যানোনিকাল নাম, এটিও গ্রহণযোগ্য

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "wan/v2.2-14b/speech-to-video",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 500,
    "usd": "0.50",
    "charged": 500,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image_url": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "video": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp4",
      "content_type": "video/mp4",
      "file_name": "0-output.mp4",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "video",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp4",
      "content_type": "video/mp4",
      "file_size": 1843200,
      "width": 1280,
      "height": 720,
      "duration": 5,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
video
object {url, content_type, file_name, file_size}জেনারেশনের মাধ্যমে তৈরি ভিডিও ফাইল।

আরও মডেল: লিপসিঙ্ক ও অ্যাভাটার

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/wan/v2.2-14b/speech-to-video.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt