رفتن به محتوا

Avatar X

یکپارچه‌سازی

شناسه مدل mirage-api/avatar-x/text-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/mirage-api/avatar-x/text-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "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"

این درخواست: ≈⁨‎$۵۴٫۰۰⁩ ۵۴٬۰۰۰ اعتبار API · ≈ ⁨‎₽۵٬۸۰۹٫۳۰⁩ اجرای آن در این صفحه

دریافت کلید API
Mirage همگام‌سازی لب و آواتارها ورودی‌های مرجعهمگام‌سازی لب #avatar#lipsync#talking-head

ویدئوی آواتار سخنگو از روی متن، با آواتار آماده یا ویدئو و صدای مرجع شما

Mirage · 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 88 / 1500

اسکریپتی که هم با تعداد نویسه و هم با مدت تولید محدود می‌شود: گفتار نباید از 180 ثانیه بیشتر شود، حتی اگر سرعت گفتار باعث شود اسکریپت کوتاه‌تری از این حد عبور کند. بین 50 تا 1,500 نویسه ارائه کنید؛ حداقل 50 نویسه معمولاً حدود چهار ثانیه گفتار تولید می‌کند.

پیشرفته avatar · video_reference_url · audio_reference_url
پیش‌فرض Jasmine

انتخاب ظاهر و صدای آماده؛ وقتی هر دو video_reference_url و audio_reference_url ارائه شوند لازم نیست، زیرا این مراجع کاملاً جایگزین آن می‌شوند. برای تنظیم‌نشده‌ماندن آواتار از None استفاده کنید، یا پس از پیش‌نمایش همه گزینه‌ها در [کاتالوگ آواتار](https://captions.ai/help/docs/api/actor-catalog) مقدار دقیق Avatar را کپی کنید.

URL ویدیوی مرجع که جایگزین آواتار انتخاب‌شده می‌شود و به audio_reference_url نیاز دارد؛ هر صوت تعبیه‌شده در ویدیو نادیده گرفته می‌شود. رسانه باید 1 تا 120 ثانیه طول داشته باشد، حداکثر 1 GiB باشد و نسبت تصویر نمایش آن در محدوده 5٪ از 9:16 یا 16:9 قرار گیرد؛ ترکیب‌های کدک/کانتینر پشتیبانی‌شده H.264، H.265/HEVC یا ProRes در .mp4، .mov یا .m4v، و VP8 یا VP9 در .webm هستند. دریافت باید به‌صورت عمومی از طریق HTTPS و بدون کوکی یا سربرگ مجوز انجام شود.

URL HTTPS مرجع صدا که به video_reference_url همراه نیاز دارد و باعث نادیده‌گرفتن آواتار انتخاب‌شده می‌شود؛ دریافت باید به‌صورت عمومی و بدون سربرگ مجوز یا کوکی انجام شود. پردازش فقط از 60 ثانیه نخست استفاده می‌کند، اما فایل باید 10 تا 180 ثانیه طول داشته باشد، حداکثر 64 MiB باشد و شامل یک جریان مونو یا استریو با نرخ 8 تا 48 kHz باشد. قالب‌های پذیرفته‌شده شامل FLAC، MP3، PCM WAV یا AIFF، AAC یا ALAC و Opus یا Vorbis هستند.

POST /run/mirage-api/avatar-x/text-to-video?wait=20 قیمت → ⁨‎$۵۴٫۰۰⁩
# 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/mirage-api/avatar-x/text-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "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"

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 Avatar X

یک `script` شامل 50 تا 1,500 نویسه را به ویدیوی آواتار سخنگو تبدیل می‌کند و گفتار تولیدشده به 180 ثانیه محدود است. یک `avatar` آماده مانند Jasmine، Luke یا Maya انتخاب کنید؛ انواع 16:9 نیز در دسترس‌اند. همچنین می‌توانید هم `video_reference_url` و هم `audio_reference_url` را ارائه دهید تا از ویدیو و نمونه صدای خودتان استفاده شود؛ در این حالت، آواتار آماده نادیده گرفته می‌شود.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
scriptالزامی
نوعstring
≤ ۱٬۵۰۰ نویسه≥ ۵۰ نویسه
اسکریپتی که هم با تعداد نویسه و هم با مدت تولید محدود می‌شود: گفتار نباید از 180 ثانیه بیشتر شود، حتی اگر سرعت گفتار باعث شود اسکریپت کوتاه‌تری از این حد عبور کند. بین 50 تا 1,500 نویسه ارائه کنید؛ حداقل 50 نویسه معمولاً حدود چهار ثانیه گفتار تولید می‌کند.
avatarاختیاری
نوعenum
پیش‌فرضJasmine
NoneAyeshaAyesha (16:9)FarhanFarhan (16:9)GiuliaGiulia (16:9)JasmineJasmine (16:9)LukeLuke (16:9)MayaMaya (16:9)MichaelMichael (16:9)Neha
+5 مورد دیگرNeha (16:9)TariqTariq (16:9)ValerieValerie (16:9)
انتخاب ظاهر و صدای آماده؛ وقتی هر دو video_reference_url و audio_reference_url ارائه شوند لازم نیست، زیرا این مراجع کاملاً جایگزین آن می‌شوند. برای تنظیم‌نشده‌ماندن آواتار از None استفاده کنید، یا پس از پیش‌نمایش همه گزینه‌ها در [کاتالوگ آواتار](https://captions.ai/help/docs/api/actor-catalog) مقدار دقیق Avatar را کپی کنید.
video_reference_urlاختیاری
نوعstring | null
URL ویدیوی مرجع که جایگزین آواتار انتخاب‌شده می‌شود و به audio_reference_url نیاز دارد؛ هر صوت تعبیه‌شده در ویدیو نادیده گرفته می‌شود. رسانه باید 1 تا 120 ثانیه طول داشته باشد، حداکثر 1 GiB باشد و نسبت تصویر نمایش آن در محدوده 5٪ از 9:16 یا 16:9 قرار گیرد؛ ترکیب‌های کدک/کانتینر پشتیبانی‌شده H.264، H.265/HEVC یا ProRes در .mp4، .mov یا .m4v، و VP8 یا VP9 در .webm هستند. دریافت باید به‌صورت عمومی از طریق HTTPS و بدون کوکی یا سربرگ مجوز انجام شود.
audio_reference_urlاختیاری
نوعstring | null
URL HTTPS مرجع صدا که به video_reference_url همراه نیاز دارد و باعث نادیده‌گرفتن آواتار انتخاب‌شده می‌شود؛ دریافت باید به‌صورت عمومی و بدون سربرگ مجوز یا کوکی انجام شود. پردازش فقط از 60 ثانیه نخست استفاده می‌کند، اما فایل باید 10 تا 180 ثانیه طول داشته باشد، حداکثر 64 MiB باشد و شامل یک جریان مونو یا استریو با نرخ 8 تا 48 kHz باشد. قالب‌های پذیرفته‌شده شامل FLAC، MP3، PCM WAV یا AIFF، AAC یا ALAC و Opus یا Vorbis هستند.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "mirage-api/avatar-x/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": 54000,
    "usd": "54.00",
    "charged": 54000,
    "refunded": 0
  },
  "input": {
    "script": "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
    }
  },
  "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}

مدل‌های بیشتر: همگام‌سازی لب و آواتارها

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/mirage-api/avatar-x/text-to-video.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt