رفتن به محتوا

Longcat Single Avatar · Image Audio to Video

یکپارچه‌سازی

شناسه مدل longcat-single-avatar/image-audio-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/longcat-single-avatar/image-audio-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

فایل‌هایی مانند نمونه: ⁨‎$۰٫۹۰⁩ ۹۰۰ اعتبار API · ≈ ⁨‎₽۹۶٫۸۲⁩ فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Meituan همگام‌سازی لب و آواتارها همگام‌سازی لبحداکثر 720p #audio-to-video#image-to-video

تصویر پرتره ارائه‌شده را با پیروی از قطعه صوتی به ویدیوی سخنگوی هماهنگ با حرکت لب تبدیل می‌کند

Meituan · ویدیو

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

پیش‌فرض A person is talking n...

پرامپت هدایت‌کننده تولید ویدیو.

•الزامی image_url
یک فایل بیندازید، یا

URL تصویر در حال انیمیشن.

•الزامی audio_url
یک فایل بیندازید، یا

URL فایل صوتی برای هدایت آواتار.

resolution پیش‌فرض 480p

وضوح ویدیوی خروجی، 480p یا 720p.

پیش‌فرض 1

تعداد بخش‌های ویدیو؛ بخش نخست تقریباً 5.8s و هر بخش بعدی 5s است—یعنی تقریباً 5 ثانیه ویدیو برای هر بخش.

پیشرفته negative_prompt · num_inference_steps · text_guidance_scale · audio_guidance_scale · seed · enable_safety_checker · enable_prompt_expansion
پیش‌فرض Close-up, Bright tone...

پرامپت منفی مشخص‌کننده مواردی که تولید ویدیو باید از آن‌ها اجتناب کند.

پیش‌فرض 50

تعداد گام‌های استنتاج انجام‌شده.

پیش‌فرض 4

مقیاس راهنمایی متنی اعمال‌شده در راهنمایی بدون طبقه‌بندی.

پیش‌فرض 4

تنظیم صوتی راهنمایی که با افزایش آن می‌تواند حرکت دهان را اغراق‌آمیز کند.

مقدار seed که تولید اعداد تصادفی را آغاز می‌کند.

POST /run/longcat-single-avatar/image-audio-to-video?wait=20 قیمت → ⁨‎$۰٫۹۰⁩
# 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/longcat-single-avatar/image-audio-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Longcat Single Avatar · Image Audio to Video

`image_url` را برای متحرک‌سازی با `audio_url` که گفتار را هدایت می‌کند ترکیب می‌کند تا آواتار ظاهر تصویر شما را حفظ کند. وضوح 480p یا 720p است و `num_segments` از 1 تا 10 طول کلیپ را افزایش می‌دهد: حدود 5.8 ثانیه برای بخش اول و 5 ثانیه برای هر بخش بعدی. `text_guidance_scale` و `audio_guidance_scale` (هر دو از 1 تا 10) و `num_inference_steps` (از 10 تا 100) را تنظیم کنید.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
image_urlالزامی image
نوعurl · image
URL تصویر در حال انیمیشن.
audio_urlالزامی audio
نوعurl · audio
URL فایل صوتی برای هدایت آواتار.
promptاختیاری
نوعstring
پیش‌فرضA person is talking naturally with natural expressions and movements.
پرامپت هدایت‌کننده تولید ویدیو.
negative_promptاختیاری
نوعstring
پیش‌فرضClose-up, Bright tones, overexposed, static, blurred details, subtitles, style, works, paintings, images, static, overall gray, worst quality, low quality, JPEG compression residue, ugly, incomplete, extra fingers, poorly drawn hands, poorly drawn faces, deformed, disfigured, misshapen limbs, fused fingers, still picture, messy background, three legs, many people in the background, walking backwards
پرامپت منفی مشخص‌کننده مواردی که تولید ویدیو باید از آن‌ها اجتناب کند.
num_inference_stepsاختیاری
نوعinteger
پیش‌فرض50
۱۰ – ۱۰۰
تعداد گام‌های استنتاج انجام‌شده.
text_guidance_scaleاختیاری
نوعnumber
پیش‌فرض4
۱ – ۱۰
مقیاس راهنمایی متنی اعمال‌شده در راهنمایی بدون طبقه‌بندی.
audio_guidance_scaleاختیاری
نوعnumber
پیش‌فرض4
۱ – ۱۰
تنظیم صوتی راهنمایی که با افزایش آن می‌تواند حرکت دهان را اغراق‌آمیز کند.
resolutionاختیاری
نوعenum
پیش‌فرض480p
480p720p
وضوح ویدیوی خروجی، 480p یا 720p.
num_segmentsاختیاری
نوعinteger
پیش‌فرض1
۱ – ۱۰
تعداد بخش‌های ویدیو؛ بخش نخست تقریباً 5.8s و هر بخش بعدی 5s است—یعنی تقریباً 5 ثانیه ویدیو برای هر بخش.
seedاختیاری
نوعinteger | null
مقدار seed که تولید اعداد تصادفی را آغاز می‌کند.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
کلید بررسی ایمنی وابسته به مجوز حساب؛ بررسی برای درخواست‌های غیرمجاز الزامی می‌ماند و غیرفعال‌کردن آن به مجوز نیاز دارد.
enable_prompt_expansionاختیاری
نوعboolean
پیش‌فرضfalse
کلید گسترش پرامپت مبتنی بر LLM برای بهبود کیفیت ویدیو با پرامپت تقویت‌شده.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "longcat-single-avatar/image-audio-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": 900,
    "usd": "0.90",
    "charged": 900,
    "refunded": 0
  },
  "input": {
    "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
    },
    "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"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
video
object {url, content_type, file_name, file_size}فایل ویدیویی تولیدشده.
seed
integerمقدار Seed اعمال‌شده هنگام تولید.

مدل‌های بیشتر: همگام‌سازی لب و آواتارها

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/longcat-single-avatar/image-audio-to-video.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt