Aqbeż għall-kontenut

Longcat Single Avatar · Image Audio to Video

Integra

Id tal-mudell 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"

Fajls bħall-eżempju: $0.90 900 krediti tal-API · ≈ ₽96.82 il-fajls tiegħek jitkejlu qabel it-tħaddim Ħaddmu f’din il-paġna

Ikseb ċavetta API
Meituan Lipsync u avatars Lipsyncsa 720p #audio-to-video#image-to-video

Tanimizza immaġni ta’ ritratt ipprovduta f’vidjo li jitkellem b’sinkronizzazzjoni tax-xufftejn, skont track awdjo

Meituan · Vidjo

L-ewwel riżultat tiegħek jidher hawn

Ibni talba hawn taħt u ħaddimha biċ-ċavetta API tiegħek. L-outputs jiġu kkupjati fil-ħażna tagħna, miżmuma għal dejjem jew 7 ijiem b’xejn.

Ibni talba

Il-kontrolli jiġu ġġenerati mill-iskema tal-mudell. Il-kodiċi u l-prezz jaġġornaw hekk kif tibdilhom.

prestabbilit A person is talking n...

Prompt li jidderieġi l-ġenerazzjoni tal-vidjo.

•meħtieġ image_url
Waqqa’ fajl, jew

URL li jindika l-immaġni li qed tiġi animata.

•meħtieġ audio_url
Waqqa’ fajl, jew

URL ta’ fajl awdjo użat biex imexxi l-avatar.

resolution prestabbilit 480p

Riżoluzzjoni tal-vidjo tal-output, jew 480p jew 720p.

prestabbilit 1

Għadd tas-segmenti tal-vidjo, b’madwar 5.8s għas-segment inizjali u 5s għal kull segment sussegwenti—madwar 5 sekondi ta’ vidjo għal kull segment.

Avvanzat negative_prompt · num_inference_steps · text_guidance_scale · audio_guidance_scale · seed · enable_safety_checker · enable_prompt_expansion
prestabbilit Close-up, Bright tone...

Prompt negattiv li jispeċifika dak li l-ġenerazzjoni tal-vidjo għandha tevita.

prestabbilit 50

Għadd tal-passi tal-inference mwettqa.

prestabbilit 4

Skala ta’ gwida tat-test applikata fil-gwida mingħajr klassifikatur.

prestabbilit 4

Aġġustament tal-gwida tal-awdjo li jista’ jesaġera l-moviment tal-ħalq meta jiżdied.

Valur seed li jibda l-ġenerazzjoni ta' numri bl-addoċċ.

POST /run/longcat-single-avatar/image-audio-to-video?wait=20 kwotazzjoni → $0.90
# 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"

Ħaddem din it-talba

Iċ-ċavetta tiegħek tibqa’ f’dan il-browser: tintbagħat biss lid-Doitong API u tiġi ssejvjata (localStorage) biss jekk timmarka Ftakar. Ikseb ċavetta API

Dwar Longcat Single Avatar · Image Audio to Video

Jgħaqqad `image_url` biex jiġi animat ma’ `audio_url` li jmexxi d-diskors, sabiex l-avatar iżomm id-dehra tar-ritratt tiegħek. Ir-riżoluzzjoni hija 480p jew 720p, u `num_segments` minn 1 sa 10 jestendi l-klipp: madwar 5.8 sekondi għall-ewwel segment u 5 sekondi għal kull wieħed addizzjonali. Aġġusta `text_guidance_scale` u `audio_guidance_scale` (it-tnejn minn 1 sa 10) u `num_inference_steps` (10 sa 100).

Parametri

Ibgħat jew l-isem kanoniku jew l-isem nattiv, mhux it-tnejn. Ismijiet kanoniċi

IsemTip PrestabbilitPermess Deskrizzjoni
image_urlmeħtieġ image
Tipurl · image
URL li jindika l-immaġni li qed tiġi animata.
audio_urlmeħtieġ audio
Tipurl · audio
URL ta’ fajl awdjo użat biex imexxi l-avatar.
promptmhux obbligatorju
Tipstring
PrestabbilitA person is talking naturally with natural expressions and movements.
Prompt li jidderieġi l-ġenerazzjoni tal-vidjo.
negative_promptmhux obbligatorju
Tipstring
PrestabbilitClose-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
Prompt negattiv li jispeċifika dak li l-ġenerazzjoni tal-vidjo għandha tevita.
num_inference_stepsmhux obbligatorju
Tipinteger
Prestabbilit50
10 – 100
Għadd tal-passi tal-inference mwettqa.
text_guidance_scalemhux obbligatorju
Tipnumber
Prestabbilit4
1 – 10
Skala ta’ gwida tat-test applikata fil-gwida mingħajr klassifikatur.
audio_guidance_scalemhux obbligatorju
Tipnumber
Prestabbilit4
1 – 10
Aġġustament tal-gwida tal-awdjo li jista’ jesaġera l-moviment tal-ħalq meta jiżdied.
resolutionmhux obbligatorju
Tipenum
Prestabbilit480p
480p720p
Riżoluzzjoni tal-vidjo tal-output, jew 480p jew 720p.
num_segmentsmhux obbligatorju
Tipinteger
Prestabbilit1
1 – 10
Għadd tas-segmenti tal-vidjo, b’madwar 5.8s għas-segment inizjali u 5s għal kull segment sussegwenti—madwar 5 sekondi ta’ vidjo għal kull segment.
seedmhux obbligatorju
Tipinteger | null
Valur seed li jibda l-ġenerazzjoni ta' numri bl-addoċċ.
enable_safety_checkermhux obbligatorju
Tipboolean
Prestabbilittrue
Għażla tal-kontroll tas-sikurezza soġġetta għall-permessi tal-kont: il-kontrolli jibqgħu obbligatorji għat-talbiet mhux awtorizzati, u d-diżattivazzjoni tagħhom teħtieġ awtorizzazzjoni.
enable_prompt_expansionmhux obbligatorju
Tipboolean
Prestabbilitfalse
Għażla għall-espansjoni tal-prompt ibbażata fuq LLM biex titjieb il-kwalità tal-vidjo permezz ta’ prompt imtejjeb.
meħtieġ Isem kanoniku, aċċettat ukoll

Il-parametri tal-fajls jaċċettaw URL pubbliku https://, URI data: sa 10 MB, jew file_url ta’ upload. Fajls

Output

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"
  }
}
Il-fajls tiegħek, l-għażla tiegħekKull outputs[].url huwa kopja fil-ħażna tagħna: miżmuma għal dejjem (imħallsa għal kull GB-xahar) jew 7 ijiem b’xejn, skont l-issettjar tal-kont tiegħek jew ?storage=.
L-istess struttura fuq kull mudelltype, url, content_type, width, height u duration, kemm għall-immaġnijiet kif ukoll għall-vidjo u l-awdjo. output huwa l-oġġett tar-riżultat tal-mudell innifsu.
Oqsma tal-output
video
object {url, content_type, file_name, file_size}Fajl vidjo prodott mill-ġenerazzjoni.
seed
integerValur ta’ seed applikat waqt il-ġenerazzjoni.

Aktar mudelli: Lipsync u avatars

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/longcat-single-avatar/image-audio-to-video.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt