رفتن به محتوا

Wan-2.2 Speech-to-Video 14B

یکپارچه‌سازی

شناسه مدل 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"

فایل‌هایی مانند نمونه: ⁨‎$۰٫۵۰⁩ ۵۰۰ اعتبار API · ≈ ⁨‎₽۵۳٫۷۹⁩ فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Alibaba همگام‌سازی لب و آواتارها همگام‌سازی لبحداکثر 720p #audio-to-video#talking-head

از یک تصویر ثابت و فایل صوتی، با هدایت پرامپت متنی، ویدیوی سخنگو می‌سازد

ساخته‌شده در Doitong

آثار عمومی ساخته‌شده با Wan v22 Large توسط جامعه Doitong. یک پرامپت را با یک کلیک دوباره استفاده کنید.

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

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... ویدیو

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...

ساخت درخواست

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

•الزامی

پرامپت متنی استفاده‌شده برای تولید ویدیو.

•الزامی image_url
یک فایل بیندازید، یا

نشانی اینترنتی تصویر منبع؛ نسبت تصویر انتخاب‌شده تعیین می‌کند پیش‌پردازش لازم است یا نه: ناهماهنگی باعث تغییر اندازه و سپس برش مرکزی می‌شود.

•الزامی audio_url
یک فایل بیندازید، یا

نشانی اینترنتی فایل صوتی.

resolution پیش‌فرض 480p

وضوح ویدیوی خروجی: 480p، 580p یا 720p.

پیش‌فرض 80

مضربی از 4 را در محدوده 40–120 انتخاب کنید تا تعداد فریم‌های تولیدی تعیین شود.

پیشرفته negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
پیش‌فرض

پرامپت منفی اعمال‌شده هنگام تولید ویدیو.

video_quality پیش‌فرض high

تنظیم کیفیت ویدیوی خروجی که با افزایش مقدار، فایل‌های بزرگ‌تر را در ازای جلوه بصری بهتر ایجاد می‌کند.

video_write_mode پیش‌فرض balanced

حالت نوشتن ویدیو؛ balanced سازشی میان سرعت و کیفیت ارائه می‌دهد. برای کوچک‌ترین فایل‌ها و کندترین نوشتن، small را انتخاب کنید؛ نوشتن سریع‌تر زودتر نتیجه می‌دهد اما فایل‌های بزرگ‌تری ایجاد می‌کند.

پیش‌فرض 16

نرخ فریم ویدیوی تولیدشده، با مقادیر 4 تا 60؛ تنظیم `adjust_fps_for_interpolation` روی false این نرخ را بدون تغییر حفظ می‌کند. هنگام استفاده از درون‌یابی و فعال‌بودن true برای `adjust_fps_for_interpolation` (پیش‌فرض آن)، این نرخ را در یک به‌علاوه تعداد فریم‌های درون‌یابی‌شده ضرب کنید تا FPS نهایی به‌دست آید. برای نمونه، 16 FPS با 1 فریم درون‌یابی‌شده به 32 FPS تبدیل می‌شود.

پیش‌فرض 27

تعداد گام‌های نمونه‌برداری؛ با افزایش تعداد، زمان پردازش بیشتر و کیفیت بهتر می‌شود.

پیش‌فرض 3.5

شدت راهنمایی بدون طبقه‌بندی؛ با افزایش مقیاس، احتمال افت کیفیت با تطبیق نزدیک‌تر با پرامپت مبادله می‌شود.

پیش‌فرض 5

تنظیم جابه‌جایی ویدیو، با محدوده مجاز 1.0–10.0.

Seed برای تکرارپذیر کردن تولید. تنظیم آن روی None، Seed را به‌صورت تصادفی انتخاب می‌کند.

POST /run/wan/v2.2-14b/speech-to-video?wait=20 قیمت → ⁨‎$۰٫۵۰⁩
# 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"

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 Wan-2.2 Speech-to-Video 14B

به `prompt`، یک `image_url` منبع و `audio_url` نیاز دارد و ویدیویی از سوژه تصویر تولید می‌کند که صدا آن را هدایت می‌کند. `num_frames` از 40 تا 120 و مضربی از 4 است و نرخ پیش‌فرض 16 fps دارد. `resolution` می‌تواند 480p، 580p یا 720p باشد. گام‌های نمونه‌برداری، هدایت، درون‌یابی و `negative_prompt` قابل تنظیم هستند.

پارامترها

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

نامنوع پیش‌فرضمجاز توضیحات
promptالزامی
نوعstring
پرامپت متنی استفاده‌شده برای تولید ویدیو.
negative_promptاختیاری
نوعstring
پیش‌فرض
پرامپت منفی اعمال‌شده هنگام تولید ویدیو.
num_framesاختیاری
نوعinteger
پیش‌فرض80
۴۰ – ۱۲۰
مضربی از 4 را در محدوده 40–120 انتخاب کنید تا تعداد فریم‌های تولیدی تعیین شود.
frames_per_secondاختیاری
نوعinteger | null
پیش‌فرض16
۴ – ۶۰
نرخ فریم ویدیوی تولیدشده، با مقادیر 4 تا 60؛ تنظیم `adjust_fps_for_interpolation` روی false این نرخ را بدون تغییر حفظ می‌کند. هنگام استفاده از درون‌یابی و فعال‌بودن true برای `adjust_fps_for_interpolation` (پیش‌فرض آن)، این نرخ را در یک به‌علاوه تعداد فریم‌های درون‌یابی‌شده ضرب کنید تا FPS نهایی به‌دست آید. برای نمونه، 16 FPS با 1 فریم درون‌یابی‌شده به 32 FPS تبدیل می‌شود.
seedاختیاری
نوعinteger | null
Seed برای تکرارپذیر کردن تولید. تنظیم آن روی None، Seed را به‌صورت تصادفی انتخاب می‌کند.
resolutionاختیاری
نوعenum
پیش‌فرض480p
480p580p720p
وضوح ویدیوی خروجی: 480p، 580p یا 720p.
num_inference_stepsاختیاری
نوعinteger
پیش‌فرض27
۲ – ۴۰
تعداد گام‌های نمونه‌برداری؛ با افزایش تعداد، زمان پردازش بیشتر و کیفیت بهتر می‌شود.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضfalse
غربالگری ایمنی ورودی پیش از پردازش که فقط حساب‌های مجاز می‌توانند خاموش کنند. درخواست‌های فاقد مجوز همیشه غربال می‌شوند؛ در غیر این صورت، true غربالگری را فعال می‌کند.
enable_output_safety_checkerاختیاری
نوعboolean
پیش‌فرضfalse
غربالگری ایمنی ویدیوی تولیدشده را کنترل می‌کند؛ مقدار true بررسی پس از تولید را فعال می‌کند.
guidance_scaleاختیاری
نوعnumber
پیش‌فرض3.5
۱ – ۱۰
شدت راهنمایی بدون طبقه‌بندی؛ با افزایش مقیاس، احتمال افت کیفیت با تطبیق نزدیک‌تر با پرامپت مبادله می‌شود.
shiftاختیاری
نوعnumber
پیش‌فرض5
۱ – ۱۰
تنظیم جابه‌جایی ویدیو، با محدوده مجاز 1.0–10.0.
video_qualityاختیاری
نوعenum
پیش‌فرضhigh
lowmediumhighmaximum
تنظیم کیفیت ویدیوی خروجی که با افزایش مقدار، فایل‌های بزرگ‌تر را در ازای جلوه بصری بهتر ایجاد می‌کند.
video_write_modeاختیاری
نوعenum
پیش‌فرضbalanced
fastbalancedsmall
حالت نوشتن ویدیو؛ balanced سازشی میان سرعت و کیفیت ارائه می‌دهد. برای کوچک‌ترین فایل‌ها و کندترین نوشتن، small را انتخاب کنید؛ نوشتن سریع‌تر زودتر نتیجه می‌دهد اما فایل‌های بزرگ‌تری ایجاد می‌کند.
image_urlالزامی image
نوعurl · image
نشانی اینترنتی تصویر منبع؛ نسبت تصویر انتخاب‌شده تعیین می‌کند پیش‌پردازش لازم است یا نه: ناهماهنگی باعث تغییر اندازه و سپس برش مرکزی می‌شود.
audio_urlالزامی audio
نوعurl · audio
نشانی اینترنتی فایل صوتی.
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": "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"
  }
}
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.

مدل‌های بیشتر: همگام‌سازی لب و آواتارها

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/wan/v2.2-14b/speech-to-video.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt