# Wan-2.2 Text-to-Video A14B with LoRAs API

> text-to-video مدل A14B با پشتیبانی LoRA و پخش معکوس اختیاری

با اعمال وزن‌های LoRA فهرست‌شده در `loras`، از یک `prompt` متنی ویدیو تولید می‌کند. `reverse_video` کلیپ را معکوس پخش می‌کند. `num_frames` از 17 تا 161، `resolution` برابر با 480p، 580p یا 720p و نسبت ابعاد 16:9، 9:16 یا 1:1 است. درون‌یابی film یا rife و دو مقیاس هدایت در دسترس‌اند.

- Model id: `wan/v2.2-a14b/text-to-video/lora`
- Made by: Alibaba
- Category: Text to Video
- Output: video
- Estimated price per run: from $0.507 / run (cheapest run $0.507 (507 API credits))
- Run: `POST https://api.doitong.ru/v1/run/wan/v2.2-a14b/text-to-video/lora`
- Quote: `POST https://api.doitong.ru/v1/quote/wan/v2.2-a14b/text-to-video/lora`
- Docs page: https://doitong.com/fa/developers/models/wan/v2.2-a14b/text-to-video/lora

## Pricing

Price: **from $0.507 / run** (the lowest tier; the quote prices your exact input). Estimated from the typical cost of one run. The quote is exactly what the run charges.

Price rules (the first rule that matches the input wins; a parameter you leave out counts as its default):

- When `num_frames` > 81 and `resolution` = 480p: base price × 2
- When `num_frames` > 81 and `resolution` = 580p: base price × 2
- When `num_frames` > 81 and `resolution` = 720p: base price × 2

The full example input below costs $0.507 = 507 API credits (1 request × 507 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-a14b/text-to-video/lora` 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 |  |  | دستورهای متنی برای هدایت تولید ویدیو. |
| `negative_prompt` |  | string | no | `` |  | پرامپت منفی اعمال‌شده هنگام تولید ویدیو. |
| `num_frames` |  | integer | no | `81` | 17 – 161 | تعداد فریم برای تولید، در محدوده شامل 17–161. |
| `frames_per_second` |  | integer \| null | no | `16` | 4 – 60 | 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. |
| `seed` |  | integer \| null | no |  |  | Seed برای تکرارپذیر کردن تولید. تنظیم آن روی None، Seed را به‌صورت تصادفی انتخاب می‌کند. |
| `resolution` |  | enum (string) | no | `720p` | `480p`, `580p`, `720p` | وضوح ویدیوی خروجی: 480p، 580p یا 720p. |
| `aspect_ratio` |  | enum (string) | no | `16:9` | `16:9`, `9:16`, `1:1` | نسبت تصویر ویدیوی خروجی، یعنی 16:9 یا 9:16. |
| `num_inference_steps` |  | integer | no | `27` | 2 – 40 | تعداد گام‌های نمونه‌برداری؛ با افزایش تعداد، زمان پردازش بیشتر و کیفیت بهتر می‌شود. |
| `enable_safety_checker` |  | boolean | no | `false` |  | 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_checker` |  | boolean | no | `false` |  | غربالگری ایمنی ویدیوی تولیدشده را کنترل می‌کند؛ مقدار true بررسی پس از تولید را فعال می‌کند. |
| `enable_prompt_expansion` |  | boolean | no | `false` |  | به مدل زبانی بزرگ اجازه می‌دهد پرامپت را با جزئیات غنی کند. فعال‌کردن این گسترش معنای پرامپت را تغییر نمی‌دهد. |
| `acceleration` |  | enum (string) | no | `regular` | `none`, `regular` | تنظیم شتاب، که 'regular' گزینه پیشنهادی است. افزایش شتاب با کاهش کیفیت، زمان تولید را کوتاه می‌کند. |
| `guidance_scale` |  | number | no | `3.5` | 1 – 10 | شدت راهنمایی بدون طبقه‌بندی؛ با افزایش مقیاس، احتمال افت کیفیت با تطبیق نزدیک‌تر با پرامپت مبادله می‌شود. |
| `guidance_scale_2` |  | number | no | `4` | 1 – 10 | مقیاس راهنما که میزان پیروی مدل از پرامپت را در مرحله دوم کنترل می‌کند. |
| `shift` |  | number | no | `5` | 1 – 10 | تنظیم جابه‌جایی ویدیو، با محدوده مجاز 1.0–10.0. |
| `interpolator_model` |  | enum (string) | no | `film` | `none`, `film`, `rife` | تنظیم درون‌یابی فریم: برای ردکردن درون‌یابی None را انتخاب کنید یا مدلی را برای انجام آن مشخص کنید. |
| `num_interpolated_frames` |  | integer | no | `1` | 0 – 4 | بین هر دو فریم تولیدشده، 0–4 فریم درون‌یابی‌شده وارد کنید. |
| `adjust_fps_for_interpolation` |  | boolean | no | `true` |  | کلید تنظیم نرخ فریم: مقدار false، FPS ارائه‌شده را حفظ می‌کند و true آن را در یک به‌علاوه تعداد فریم‌های درون‌یابی‌شده ضرب می‌کند. بنابراین، 16 FPS با درون‌یابی 1 فریم و فعال‌بودن تنظیم، به 32 FPS تبدیل می‌شود. |
| `video_quality` |  | enum (string) | no | `high` | `low`, `medium`, `high`, `maximum` | تنظیم کیفیت ویدیوی خروجی که با افزایش مقدار، فایل‌های بزرگ‌تر را در ازای جلوه بصری بهتر ایجاد می‌کند. |
| `video_write_mode` |  | enum (string) | no | `balanced` | `fast`, `balanced`, `small` | 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. |
| `loras` |  | array of object {path, weight_name, scale, transformer} | no | `[]` |  | وزن‌های LoRA اعمال‌شده هنگام استنتاج. |
| `loras[].path` |  | string | yes |  |  | محل وزن‌های LoRA که به‌صورت URL یا مسیر مشخص می‌شود. |
| `loras[].weight_name` |  | string \| null | no |  |  | نام وزن LoRA؛ فقط وقتی الزامی است که یک مخزن Hugging Face بیش از 1 فایل safetensors داشته باشد. این نام فقط زمانی استفاده می‌شود که `path` چنین مخزنی را مشخص کند. |
| `loras[].scale` |  | number | no | `1` | 0 – 4 | ضریبی که پیش از ادغام LoRA در مدل پایه، روی وزن LoRA اعمال می‌شود. |
| `loras[].transformer` |  | enum (string) | no | `high` | `high`, `low`, `both` | مقصد Transformer برای وزن LoRA. برای Transformer دارای نویز زیاد 'high'، برای Transformer دارای نویز کم 'low' و برای بارگذاری وزن در هر دو Transformer، 'both' را انتخاب کنید. |
| `reverse_video` |  | boolean | no | `false` |  | کلید معکوس‌سازی ویدیو؛ مقدار true پخش را معکوس می‌کند. |

## 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-a14b/text-to-video/lora?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-a14b/text-to-video/lora?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-a14b/text-to-video/lora", 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-a14b/text-to-video/lora",
      "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-a14b/text-to-video/lora",
  "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": 507,
    "usd": "0.507",
    "charged": 507,
    "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 close-up of a young woman smiling gently in the rain, raindrops glistening on her face and eyelashes. The video captures the delicate details of her expression and the water droplets, with soft light reflecting off her skin in the rainy atmosphere.",
    "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} | فایل ویدیویی تولیدشده. |
| `prompt` | string | پرامپت متنی استفاده‌شده برای تولید ویدیو. |
| `seed` | integer | مقدار Seed اعمال‌شده هنگام تولید. |

## Related models

- [Wan v2.2 A14B Text-to-Image A14B with LoRAs](https://doitong.com/developers/models/wan/v2.2-a14b/text-to-image/lora.md) (`wan/v2.2-a14b/text-to-image/lora`): $0.05 / image
- [Wan v2.2 A14B Image-to-Video A14B with LoRAs](https://doitong.com/developers/models/wan/v2.2-a14b/image-to-video/lora.md) (`wan/v2.2-a14b/image-to-video/lora`): from $1.006 / run
- [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
- [MiniMax H3 Text to Video](https://doitong.com/developers/models/minimax/h3/text-to-video.md) (`minimax/h3/text-to-video`): from $0.05 / second

## Links

- HTML page: https://doitong.com/developers/models/wan/v2.2-a14b/text-to-video/lora
- 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-a14b/text-to-video/lora
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.ru/v1/models/wan/v2.2-a14b/text-to-video/lora