# Wan v2.2 5B · Text to Video API

> 5B মডেলসহ টেক্সট-থেকে-ভিডিও: 580p বা 720p, 16:9, 9:16 বা 1:1, ঐচ্ছিক ফ্রেম ইন্টারপোলেশন

টেক্সট `prompt` থেকে একটি ভিডিও ক্লিপ তৈরি করে। দৈর্ঘ্য `num_frames` (17 থেকে 161) এবং `frames_per_second` (4 থেকে 60) দিয়ে নির্ধারিত হয়, যেখানে `resolution` 580p বা 720p এবং অ্যাসপেক্ট রেশিও 16:9, 9:16 বা 1:1। film বা rife দিয়ে ফ্রেম ইন্টারপোলেশন সক্রিয় করা যায়, এবং আউটপুটের মান ও ফাইল লেখার মোড সমন্বয়যোগ্য। এটি সর্বোচ্চ 50টি ইনফারেন্স ধাপসহ স্ট্যান্ডার্ড-গাইডেন্স ভ্যারিয়েন্ট।

- Model id: `wan/v2.2-5b/text-to-video`
- Made by: Alibaba
- Category: Text to Video
- Output: video
- Price: $0.15 / video (cheapest run $0.15 (150 API credits))
- Run: `POST https://api.doitong.ru/v1/run/wan/v2.2-5b/text-to-video`
- Quote: `POST https://api.doitong.ru/v1/quote/wan/v2.2-5b/text-to-video`
- Docs page: https://doitong.com/bn/developers/models/wan/v2.2-5b/text-to-video

## Pricing

Price: **$0.15 / video**. Billed once per generated video.

The full example input below costs $0.15 = 150 API credits (1 video × 150 API credits).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.ru/v1/quote/wan/v2.2-5b/text-to-video` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `prompt` |  | string | yes |  |  | ভিডিও জেনারেশন পরিচালনার জন্য টেক্সট নির্দেশনা। |
| `negative_prompt` |  | string | no | `` |  | ভিডিও জেনারেশনের সময় প্রয়োগ করা negative প্রম্পট। |
| `num_frames` |  | integer | no | `81` | 17 – 161 | জেনারেশনের ফ্রেম সংখ্যা, অন্তর্ভুক্ত পরিসর 17–161। |
| `frames_per_second` |  | integer \| null | no | `24` | 4 – 60 | 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। |
| `seed` |  | integer \| null | no |  |  | পুনরুৎপাদনযোগ্য জেনারেশনের জন্য সিড। এটিকে None সেট করলে এলোমেলোভাবে একটি সিড নির্বাচন করা হয়। |
| `resolution` |  | enum (string) | no | `720p` | `580p`, `720p` | আউটপুট ভিডিওর রেজোলিউশন, 580p অথবা 720p। |
| `aspect_ratio` |  | enum (string) | no | `16:9` | `16:9`, `9:16`, `1:1` | আউটপুট ভিডিওর অ্যাসপেক্ট রেশিও, 16:9 অথবা 9:16। |
| `num_inference_steps` |  | integer | no | `40` | 2 – 50 | Sampling step-এর সংখ্যা; সংখ্যা বাড়ার সঙ্গে processing time বাড়ে এবং quality উন্নত হয়। |
| `enable_safety_checker` |  | boolean | no | `false` |  | 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_checker` |  | boolean | no | `false` |  | জেনারেট করা ভিডিওর সেফটি স্ক্রিনিং নিয়ন্ত্রণ করে; true সেট করলে জেনারেশনের পর পরীক্ষা সক্রিয় হয়। |
| `enable_prompt_expansion` |  | boolean | no | `false` |  | একটি large language মডেল-কে বিশদসহ প্রম্পট সমৃদ্ধ করার অনুমতি দেয়। এই সম্প্রসারণ সক্রিয় করলেও প্রম্পটের অর্থ অপরিবর্তিত থাকে। |
| `guidance_scale` |  | number | no | `3.5` | 1 – 10 | Classifier-free guidance-এর শক্তি; scale বাড়ার সঙ্গে সম্ভাব্য quality loss-এর বিনিময়ে প্রম্পটের সঙ্গে আরও ঘনিষ্ঠ মিল পাওয়া যায়। |
| `shift` |  | number | no | `5` | 1 – 10 | ভিডিও শিফট সেটিং, যার অনুমোদিত পরিসর 1.0–10.0। |
| `interpolator_model` |  | enum (string) | no | `film` | `none`, `film`, `rife` | ফ্রেম ইন্টারপোলেশনের সেটিং: ইন্টারপোলেশন এড়াতে None বেছে নিন অথবা এটি সম্পাদন করার জন্য মডেল নির্দিষ্ট করুন। |
| `num_interpolated_frames` |  | integer | no | `0` | 0 – 4 | প্রতিটি দুই জেনারেট করা ফ্রেমের মধ্যবর্তী ফাঁকে 0–4টি ইন্টারপোলেট করা ফ্রেম যুক্ত করুন। |
| `adjust_fps_for_interpolation` |  | boolean | no | `true` |  | ফ্রেম-হারের সমন্বয় টগল: false সরবরাহ করা FPS অপরিবর্তিত রাখে, আর true এটিকে ইন্টারপোলেট করা ফ্রেম সংখ্যার সঙ্গে 1-এর যোগফল দিয়ে স্কেল করে। তাই 1টি ফ্রেম ইন্টারপোলেট করা এবং সমন্বয় সক্রিয় থাকলে 16 FPS হয়ে যায় 32 FPS। |
| `video_quality` |  | enum (string) | no | `high` | `low`, `medium`, `high`, `maximum` | আউটপুট ভিডিওর গুণমানের সেটিং, যা বাড়ালে বড় ফাইলের বিনিময়ে দৃশ্যমানতা উন্নত হয়। |
| `video_write_mode` |  | enum (string) | no | `balanced` | `fast`, `balanced`, `small` | 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। |

## Example input

Required parameters only:

```json
{
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
}
```

A fuller example:

```json
{
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
}
```

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# 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/v2.2-5b/text-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"
  }'

# 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"
```

### JavaScript

```javascript
const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/wan/v2.2-5b/text-to-video?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");
```

### Python

```python
import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/wan/v2.2-5b/text-to-video", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])
```

### MCP

The MCP server at `https://api.doitong.ru/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "wan/v2.2-5b/text-to-video",
      "input": {
        "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
      },
      "wait_seconds": 20
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "wan/v2.2-5b/text-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": 150,
    "usd": "0.15",
    "charged": 150,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  },
  "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
    },
    "prompt": "A medium shot establishes a modern, minimalist office setting: clean lines, muted grey walls, and polished wood surfaces. The focus shifts to a close-up on a woman in sharp, navy blue business attire. Her crisp white blouse contrasts with the deep blue of her tailored suit jacket. The subtle texture of the fabric is visible—a fine weave with a slight sheen. Her expression is serious, yet engaging, as she speaks to someone unseen just beyond the frame. Close-up on her eyes, showing the intensity of her gaze and the fine lines around them that hint at experience and focus. Her lips are slightly parted, as if mid-sentence. The light catches the subtle highlights in her auburn hair, meticulously styled. Note the slight catch of light on the silver band of her watch. High resolution 4k",
    "seed": 42
  },
  "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `video` | object {url, content_type, file_name, file_size} | জেনারেশনের মাধ্যমে তৈরি ভিডিও ফাইল। |
| `prompt` | string | ভিডিও জেনারেট করতে ব্যবহৃত টেক্সট প্রম্পট। |
| `seed` | integer | জেনারেশনের সময় প্রয়োগ করা সিডের মান। |

## Related models

- [Wan · v2.2 5b · Text to Image](https://doitong.com/developers/models/wan/v2.2-5b/text-to-image.md) (`wan/v2.2-5b/text-to-image`): $0.016 / image
- [Wan · v2.2 5b · Text to Video · Distill](https://doitong.com/developers/models/wan/v2.2-5b/text-to-video/distill.md) (`wan/v2.2-5b/text-to-video/distill`): $0.08 / video
- [Wan v2.2 5B · Image to Video](https://doitong.com/developers/models/wan/v2.2-5b/image-to-video.md) (`wan/v2.2-5b/image-to-video`): $0.15 / video
- [Wan 3.0 Text to Video](https://doitong.com/developers/models/alibaba/wan-3.0/text-to-video.md) (`alibaba/wan-3.0/text-to-video`): from $0.05 / second
- [FLUX 3 Max Text to Video](https://doitong.com/developers/models/blackforestlabs/flux-3-max/text-to-video.md) (`blackforestlabs/flux-3-max/text-to-video`): from $0.0425 / second of output video
- [Grok Imagine Video 1.5 Text to Video](https://doitong.com/developers/models/xai/grok-imagine-video/v1.5/text-to-video.md) (`xai/grok-imagine-video/v1.5/text-to-video`): from $0.08 / second
- [Kling 3.0 Pro Text to Video](https://doitong.com/developers/models/kling-video/v3/pro/text-to-video.md) (`kling-video/v3/pro/text-to-video`): from $0.112 / second
- [LTX 2.5 Pro Text to Video](https://doitong.com/developers/models/lightricks/ltx-2.5/text-to-video/pro.md) (`lightricks/ltx-2.5/text-to-video/pro`): from $0.12 / second

## Links

- HTML page: https://doitong.com/developers/models/wan/v2.2-5b/text-to-video
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=wan/v2.2-5b/text-to-video
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.ru/v1/models/wan/v2.2-5b/text-to-video