رفتن به محتوا

LTX-2.3 22B · Audio to Video

یکپارچه‌سازی

شناسه مدل ltx-2.3-22b/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/ltx-2.3-22b/audio-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",
    "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: ⁨‎$۰٫۳۵۸⁩ ۳۵۸ اعتبار API · ≈ ⁨‎₽۳۸٫۵۱⁩ فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Lightricks · 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.

•الزامی

پرامپت استفاده‌شده به‌عنوان مبنای تولید ویدیو.

•الزامی audio_url
یک فایل بیندازید، یا

نشانی اینترنتی صوت منبع مورد استفاده برای تولید ویدیو.

image_url
یک فایل بیندازید، یا

نشانی اینترنتی اختیاری تصویر که فریم آغازین ویدیو را مشخص می‌کند.

video_size پیش‌فرض landscape_16_9

ابعاد ویدیو؛ در صورت ارائه تصویر، اندازه‌گذاری تصویر ورودی از طریق 'auto' در دسترس است.

پیش‌فرض 121

تعداد فریم خروجی تولیدشده.

پیش‌فرض 24

نرخ فریم ویدیوی خروجی، برحسب فریم بر ثانیه.

پیشرفته negative_prompt · end_image · scheduler · acceleration · camera_lora · video_output_type · video_quality · video_write_mode · num_inference_steps · video_cfg_scale · video_stg_scale · video_rescaling_scale · video_modality_scale · audio_cfg_scale · audio_stg_scale · audio_rescaling_scale · audio_modality_scale · gradient_estimation_gamma · camera_lora_scale · distill_lora_first_pass_scale · distill_lora_second_pass_scale · image_strength · end_image_strength · audio_strength · seed · use_multiscale · use_restart_sampling · enable_prompt_expansion · enable_safety_checker · preprocess_audio
پیش‌فرض news broadcast, 3d an...

پرامپت منفی مورد استفاده هنگام تولید ویدیو.

end_image_url
یک فایل بیندازید، یا

نشانی اینترنتی تصویر که فریم پایانی ویدیو را مشخص می‌کند.

scheduler پیش‌فرض ltx2

انتخاب زمان‌بند.

acceleration پیش‌فرض regular

سطح شتاب اعمال‌شده به پردازش.

camera_lora پیش‌فرض none

انتخاب LoRA دوربین برای کنترل دقیق‌تر حرکت در ویدیوی تولیدشده نسبت به پرامپت‌های صرفاً حرکتی دوربین.

video_output_type پیش‌فرض X264 (.mp4)

نوع خروجی ویدیوی حاصل.

video_quality پیش‌فرض high

سطح کیفیت ویدیوی حاصل.

video_write_mode پیش‌فرض balanced

حالت نوشتن ویدیوی حاصل.

پیش‌فرض 40

تعداد گام‌های استنتاج انجام‌شده.

پیش‌فرض 3

تنظیم هدایت ویدیو: برای انسجام و تمرکز بیشتر در محتوای تولیدشده، آن را افزایش دهید. از هدایت بدون طبقه‌بند (CFG) استفاده می‌کند.

پیش‌فرض 0

کنترل انسجام و تمرکز ویدیو از طریق مقیاس هدایت Spatiotemporal (STG)؛ برای تقویت هر دو ویژگی، این مقدار را افزایش دهید.

پیش‌فرض 0.7

تنظیم باز‌مقیاس‌گذاری ویدیو برای متعادل‌سازی هدایت بدون طبقه‌بند و هدایت فضازمانی به‌صورت نسبت.

پیش‌فرض 3

تنظیم وجه ویدیو برای متعادل‌سازی سهم ویدیو و صوت به‌صورت نسبت.

پیش‌فرض 7

تنظیم هدایت صوت: برای انسجام و تمرکز بیشتر در محتوای تولیدشده، آن را افزایش دهید. از هدایت بدون طبقه‌بند (CFG) استفاده می‌کند.

پیش‌فرض 0

کنترل انسجام و تمرکز صوت از طریق مقیاس هدایت Spatiotemporal (STG)؛ برای تقویت هر دو ویژگی، این مقدار را افزایش دهید.

پیش‌فرض 0.7

تنظیم باز‌مقیاس‌گذاری صوت برای متعادل‌سازی هدایت بدون طبقه‌بند و هدایت فضازمانی به‌صورت نسبت.

پیش‌فرض 3

تنظیم وجه صوت برای متعادل‌سازی سهم ویدیو و صوت به‌صورت نسبت.

پیش‌فرض 2

تنظیم برآورد گرادیان حذف نویز: مقدار 0 برآورد را خاموش می‌کند؛ در غیر این صورت، مقدار ارائه‌شده گاما را مشخص می‌کند.

پیش‌فرض 1

قدرت LoRA دوربین برای کنترل دقیق‌تر حرکت در ویدیوی تولیدشده نسبت به پرامپت‌های صرفاً حرکتی دوربین.

پیش‌فرض 0.2

مقیاس LoRA تقطیر گذر اول را کنترل می‌کند؛ برای خاموش کردن آن از 0 استفاده کنید.

پیش‌فرض 0.5

مقیاس LoRA تقطیر را برای هر گذر پس از گذر اول کنترل می‌کند.

پیش‌فرض 1

شدت تأثیر تصویر بر تولید ویدیو.

پیش‌فرض 1

میزان تأثیر تصویر پایانی بر ویدیوی تولیدشده را کنترل می‌کند.

پیش‌فرض 1

شدت شرطی‌سازی صوت؛ مقدار دقیقاً 1.0 ورودی را بدون تغییر حفظ می‌کند. مدل ممکن است در مقادیر کمتر از 1.0 صوت را تغییر دهد.

مقدار seed که تولید اعداد تصادفی را آغاز می‌کند.

POST /run/ltx-2.3-22b/audio-to-video?wait=20 قیمت → ⁨‎$۰٫۳۵۸⁩
# 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/ltx-2.3-22b/audio-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",
    "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 LTX-2.3 22B · Audio to Video

به یک `prompt` و `audio_url` نیاز دارد. به‌طور پیش‌فرض تعداد فریم از طول صوت به‌دست می‌آید (`match_audio_length`)؛ در غیر این صورت `num_frames` (از 9 تا 481) اعمال می‌شود. `image_url` و `end_image_url` می‌توانند فریم اول و آخر را تعیین کنند. کنترل‌های نمونه‌برداری متعددی مانند مقیاس‌های هدایت، `scheduler`، `camera_lora` و قالب‌های خروجی شامل mp4، webm، mov و GIF را ارائه می‌کند.

پارامترها

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

نامنوع پیش‌فرضمجاز توضیحات
promptالزامی
نوعstring
پرامپت استفاده‌شده به‌عنوان مبنای تولید ویدیو.
audio_urlالزامی audio
نوعurl · audio
نشانی اینترنتی صوت منبع مورد استفاده برای تولید ویدیو.
image_urlاختیاری image
نوعurl · image
نشانی اینترنتی اختیاری تصویر که فریم آغازین ویدیو را مشخص می‌کند.
end_image_urlاختیاری end_image
نوعurl · image
نشانی اینترنتی تصویر که فریم پایانی ویدیو را مشخص می‌کند.
match_audio_lengthاختیاری
نوعboolean
پیش‌فرضtrue
کلید انتخاب تعداد فریم: حالت غیرفعال از num_frames استفاده می‌کند و حالت فعال تعداد را از FPS و مدت صوت محاسبه می‌کند.
num_framesاختیاری
نوعinteger
پیش‌فرض121
۹ – ۴۸۱
تعداد فریم خروجی تولیدشده.
video_sizeاختیاری
نوعobject
پیش‌فرضlandscape_16_9
autosquare_hdsquareportrait_4_3portrait_16_9landscape_4_3landscape_16_9
ابعاد ویدیو؛ در صورت ارائه تصویر، اندازه‌گذاری تصویر ورودی از طریق 'auto' در دسترس است.
use_multiscaleاختیاری
نوعboolean
پیش‌فرضtrue
کلید فعال‌سازی تولید چندمقیاسی برای بهبود انسجام و جزئیات. با True، یک ویدیوی مقدماتی کوچک‌تر تولید می‌شود تا تولید دوم را هدایت کند؛ اندازه تولید دوم با ابعاد درخواستی برابر یا بزرگ‌تر است.
fpsاختیاری
نوعnumber
پیش‌فرض24
۱ – ۶۰
نرخ فریم ویدیوی خروجی، برحسب فریم بر ثانیه.
num_inference_stepsاختیاری
نوعinteger
پیش‌فرض40
۸ – ۵۰
تعداد گام‌های استنتاج انجام‌شده.
video_cfg_scaleاختیاری
نوعnumber
پیش‌فرض3
۱ – ۲۰
تنظیم هدایت ویدیو: برای انسجام و تمرکز بیشتر در محتوای تولیدشده، آن را افزایش دهید. از هدایت بدون طبقه‌بند (CFG) استفاده می‌کند.
video_stg_scaleاختیاری
نوعnumber
پیش‌فرض0
۰ – ۲۰
کنترل انسجام و تمرکز ویدیو از طریق مقیاس هدایت Spatiotemporal (STG)؛ برای تقویت هر دو ویژگی، این مقدار را افزایش دهید.
video_rescaling_scaleاختیاری
نوعnumber
پیش‌فرض0.7
۰ – ۱
تنظیم باز‌مقیاس‌گذاری ویدیو برای متعادل‌سازی هدایت بدون طبقه‌بند و هدایت فضازمانی به‌صورت نسبت.
video_modality_scaleاختیاری
نوعnumber
پیش‌فرض3
۰ – ۱۰
تنظیم وجه ویدیو برای متعادل‌سازی سهم ویدیو و صوت به‌صورت نسبت.
audio_cfg_scaleاختیاری
نوعnumber
پیش‌فرض7
۱ – ۲۰
تنظیم هدایت صوت: برای انسجام و تمرکز بیشتر در محتوای تولیدشده، آن را افزایش دهید. از هدایت بدون طبقه‌بند (CFG) استفاده می‌کند.
audio_stg_scaleاختیاری
نوعnumber
پیش‌فرض0
۰ – ۲۰
کنترل انسجام و تمرکز صوت از طریق مقیاس هدایت Spatiotemporal (STG)؛ برای تقویت هر دو ویژگی، این مقدار را افزایش دهید.
audio_rescaling_scaleاختیاری
نوعnumber
پیش‌فرض0.7
۰ – ۱
تنظیم باز‌مقیاس‌گذاری صوت برای متعادل‌سازی هدایت بدون طبقه‌بند و هدایت فضازمانی به‌صورت نسبت.
audio_modality_scaleاختیاری
نوعnumber
پیش‌فرض3
۰ – ۱۰
تنظیم وجه صوت برای متعادل‌سازی سهم ویدیو و صوت به‌صورت نسبت.
gradient_estimation_gammaاختیاری
نوعnumber
پیش‌فرض2
۰ – ۱۰
تنظیم برآورد گرادیان حذف نویز: مقدار 0 برآورد را خاموش می‌کند؛ در غیر این صورت، مقدار ارائه‌شده گاما را مشخص می‌کند.
use_restart_samplingاختیاری
نوعboolean
پیش‌فرضfalse
کلید نمونه‌برداری مجدد برای بهبود احتمالی کیفیت ویدیو: فعال‌سازی آن در هر گام حذف نویز کمی نویز وارد می‌کند.
schedulerاختیاری
نوعenum
پیش‌فرضltx2
ltx2linear_quadraticbeta
انتخاب زمان‌بند.
accelerationاختیاری
نوعenum
پیش‌فرضregular
noneregularhighfull
سطح شتاب اعمال‌شده به پردازش.
camera_loraاختیاری
نوعenum
پیش‌فرضnone
dolly_indolly_outdolly_leftdolly_rightjib_upjib_downstaticnone
انتخاب LoRA دوربین برای کنترل دقیق‌تر حرکت در ویدیوی تولیدشده نسبت به پرامپت‌های صرفاً حرکتی دوربین.
camera_lora_scaleاختیاری
نوعnumber
پیش‌فرض1
۰ – ۱
قدرت LoRA دوربین برای کنترل دقیق‌تر حرکت در ویدیوی تولیدشده نسبت به پرامپت‌های صرفاً حرکتی دوربین.
negative_promptاختیاری
نوعstring
پیش‌فرضnews broadcast, 3d animation, computer graphics, pc game, console game, video game, cartoon, childish, watermark, logo, text, on screen text, subtitles, titles, signature, slowmo, static
پرامپت منفی مورد استفاده هنگام تولید ویدیو.
seedاختیاری
نوعinteger | null
مقدار seed که تولید اعداد تصادفی را آغاز می‌کند.
enable_prompt_expansionاختیاری
نوعboolean
پیش‌فرضtrue
مشخص می‌کند گسترش پرامپت فعال باشد یا نه.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
مشخص می‌کند بررسی ایمنی فعال باشد یا نه.
video_output_typeاختیاری
نوعenum
پیش‌فرضX264 (.mp4)
X264 (.mp4)VP9 (.webm)PRORES4444 (.mov)GIF (.gif)
نوع خروجی ویدیوی حاصل.
video_qualityاختیاری
نوعenum
پیش‌فرضhigh
lowmediumhighmaximum
سطح کیفیت ویدیوی حاصل.
video_write_modeاختیاری
نوعenum
پیش‌فرضbalanced
fastbalancedsmall
حالت نوشتن ویدیوی حاصل.
distill_lora_first_pass_scaleاختیاری
نوعnumber
پیش‌فرض0.2
۰ – ۱
مقیاس LoRA تقطیر گذر اول را کنترل می‌کند؛ برای خاموش کردن آن از 0 استفاده کنید.
distill_lora_second_pass_scaleاختیاری
نوعnumber
پیش‌فرض0.5
۰ – ۱
مقیاس LoRA تقطیر را برای هر گذر پس از گذر اول کنترل می‌کند.
image_strengthاختیاری
نوعnumber
پیش‌فرض1
۰ – ۱
شدت تأثیر تصویر بر تولید ویدیو.
end_image_strengthاختیاری
نوعnumber
پیش‌فرض1
۰ – ۱
میزان تأثیر تصویر پایانی بر ویدیوی تولیدشده را کنترل می‌کند.
audio_strengthاختیاری
نوعnumber
پیش‌فرض1
۰ – ۱
شدت شرطی‌سازی صوت؛ مقدار دقیقاً 1.0 ورودی را بدون تغییر حفظ می‌کند. مدل ممکن است در مقادیر کمتر از 1.0 صوت را تغییر دهد.
preprocess_audioاختیاری
نوعboolean
پیش‌فرضtrue
کنترل می‌کند که آیا صوت پیش از استفاده برای شرطی‌سازی پیش‌پردازش شود.
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": "ltx-2.3-22b/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": 358,
    "usd": "0.358",
    "charged": 358,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "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,
      "width": 1024,
      "height": 768,
      "fps": 1.0,
      "duration": 5,
      "num_frames": 1
    },
    "seed": 42,
    "prompt": "A woman speaks to the camera"
  },
  "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, width, height, fps, duration, num_frames}ویدیوی تولیدشده توسط مدل.
seed
integerمقدار seed برای مقداردهی اولیه تولید اعداد تصادفی.
prompt
stringپرامپت مورد استفاده برای هدایت تولید.

مدل‌های بیشتر: همگام‌سازی لب و آواتارها

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/ltx-2.3-22b/audio-to-video.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt