Aqbeż għall-kontenut

Wan-2.2 Speech-to-Video 14B

Integra

Id tal-mudell 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"

Fajls bħall-eżempju: $0.50 500 krediti tal-API · ≈ ₽53.79 il-fajls tiegħek jitkejlu qabel it-tħaddim Ħaddmu f’din il-paġna

Ikseb ċavetta API
Alibaba Lipsync u avatars Lipsyncsa 720p #audio-to-video#talking-head

Joħloq vidjo jitkellem minn immaġni wieqfa u fajl awdjo, iggwidat minn prompt testwali

Magħmul fuq Doitong

Xogħlijiet pubbliċi magħmula b’Wan v22 Large mill-komunità ta’ Doitong. Uża prompt mill-ġdid bi klikk waħda.

Xogħlijiet pubbliċi murija: 2
Создай 30-секундный обучающий музыкальный ролик для детей 3–5 лет. Тема: транспорт. Яркая 2D-аним... Vidjo

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... Vidjo

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...

Ibni talba

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

•meħtieġ

Prompt testwali użat biex jiġi ġġenerat il-vidjo.

•meħtieġ image_url
Waqqa’ fajl, jew

URL tal-immaġni tas-sors, bir-ratio tal-aspett magħżul jiddetermina jekk hemmx bżonn ta’ preprocessing: nuqqas ta’ qbil iqanqal ridimensjonar segwit minn crop ċentrali.

•meħtieġ audio_url
Waqqa’ fajl, jew

URL li tindika l-fajl awdjo.

resolution prestabbilit 480p

Riżoluzzjoni tal-vidjo output: 480p, 580p jew 720p.

prestabbilit 80

Agħżel multiplu ta’ 4 bejn 40 u 120 biex tissettja kemm jiġu ġġenerati frejms.

Avvanzat negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
prestabbilit

Prompt negattiv applikat waqt il-ġenerazzjoni ta’ vidjo.

video_quality prestabbilit high

Setting tal-kwalità tal-vidjo output li jiskambja fajls akbar għal viżwali mtejba hekk kif jiżdied is-setting.

video_write_mode prestabbilit balanced

Modalità tal-kitba tal-vidjo, b’balanced toffri kompromess bejn il-veloċità u l-kwalità. Agħżel small għall-iżgħar fajls u l-iktar kitba bil-mod; kitba aktar mgħaġġla tirritorna r-riżultati qabel iżda toħloq fajls akbar.

prestabbilit 16

Rata tal-frejms tal-vidjo ġġenerat, li taċċetta valuri minn 4 sa 60; l-issettjar ta’ `adjust_fps_for_interpolation` għal false iżomm din ir-rata kif inhi. Meta tintuża l-interpolazzjoni u `adjust_fps_for_interpolation` ikun true (il-valur prestabbilit tiegħu), immultiplika din ir-rata b’wieħed flimkien mal-għadd ta’ frejms interpolati biex tikseb l-FPS finali. Pereżempju, 16 FPS b’frejm interpolat wieħed isiru 32 FPS.

prestabbilit 27

Għadd ta’ passi ta’ kampjunar; għadd ogħla jżid il-ħin tal-ipproċessar iżda jtejjeb il-kwalità.

prestabbilit 3.5

Qawwa tal-gwida mingħajr klassifikatur; skala ogħla tqarreb ir-riżultat lejn il-prompt iżda tista’ tnaqqas il-kwalità.

prestabbilit 5

Setting tal-bidla tal-vidjo, b’firxa permessa ta’ 1.0–10.0.

Seed li jagħmel il-ġenerazzjoni riproduċibbli. L-issettjar tiegħu għal None jagħżel seed b’mod każwali.

POST /run/wan/v2.2-14b/speech-to-video?wait=20 kwotazzjoni → $0.50
# 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"

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 Wan-2.2 Speech-to-Video 14B

Jeħtieġ `prompt`, `image_url` tas-sors u `audio_url`, u jipproduċi vidjo tas-suġġett fir-ritratt immexxi mill-awdjo. `num_frames` ivarja minn 40 sa 120 f’multipli ta’ 4, b’16 fps prestabbiliti. `resolution` tista’ tkun 480p, 580p jew 720p. Il-passi tat-teħid tal-kampjuni, il-gwida, l-interpolazzjoni u `negative_prompt` jistgħu jiġu aġġustati.

Parametri

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

IsemTip PrestabbilitPermess Deskrizzjoni
promptmeħtieġ
Tipstring
Prompt testwali użat biex jiġi ġġenerat il-vidjo.
negative_promptmhux obbligatorju
Tipstring
Prestabbilit
Prompt negattiv applikat waqt il-ġenerazzjoni ta’ vidjo.
num_framesmhux obbligatorju
Tipinteger
Prestabbilit80
40 – 120
Agħżel multiplu ta’ 4 bejn 40 u 120 biex tissettja kemm jiġu ġġenerati frejms.
frames_per_secondmhux obbligatorju
Tipinteger | null
Prestabbilit16
4 – 60
Rata tal-frejms tal-vidjo ġġenerat, li taċċetta valuri minn 4 sa 60; l-issettjar ta’ `adjust_fps_for_interpolation` għal false iżomm din ir-rata kif inhi. Meta tintuża l-interpolazzjoni u `adjust_fps_for_interpolation` ikun true (il-valur prestabbilit tiegħu), immultiplika din ir-rata b’wieħed flimkien mal-għadd ta’ frejms interpolati biex tikseb l-FPS finali. Pereżempju, 16 FPS b’frejm interpolat wieħed isiru 32 FPS.
seedmhux obbligatorju
Tipinteger | null
Seed li jagħmel il-ġenerazzjoni riproduċibbli. L-issettjar tiegħu għal None jagħżel seed b’mod każwali.
resolutionmhux obbligatorju
Tipenum
Prestabbilit480p
480p580p720p
Riżoluzzjoni tal-vidjo output: 480p, 580p jew 720p.
num_inference_stepsmhux obbligatorju
Tipinteger
Prestabbilit27
2 – 40
Għadd ta’ passi ta’ kampjunar; għadd ogħla jżid il-ħin tal-ipproċessar iżda jtejjeb il-kwalità.
enable_safety_checkermhux obbligatorju
Tipboolean
Prestabbilitfalse
Verifika tas-sigurtà tal-input qabel l-ipproċessar, li kontijiet awtorizzati biss jistgħu jitfu. Talbiet mingħajr awtorizzazzjoni dejjem jiġu vverifikati; inkella, true jattiva l-verifika.
enable_output_safety_checkermhux obbligatorju
Tipboolean
Prestabbilitfalse
Jikkontrolla l-verifika tas-sigurtà tal-vidjo ġġenerat; true jattiva kontroll wara l-ġenerazzjoni.
guidance_scalemhux obbligatorju
Tipnumber
Prestabbilit3.5
1 – 10
Qawwa tal-gwida mingħajr klassifikatur; skala ogħla tqarreb ir-riżultat lejn il-prompt iżda tista’ tnaqqas il-kwalità.
shiftmhux obbligatorju
Tipnumber
Prestabbilit5
1 – 10
Setting tal-bidla tal-vidjo, b’firxa permessa ta’ 1.0–10.0.
video_qualitymhux obbligatorju
Tipenum
Prestabbilithigh
lowmediumhighmaximum
Setting tal-kwalità tal-vidjo output li jiskambja fajls akbar għal viżwali mtejba hekk kif jiżdied is-setting.
video_write_modemhux obbligatorju
Tipenum
Prestabbilitbalanced
fastbalancedsmall
Modalità tal-kitba tal-vidjo, b’balanced toffri kompromess bejn il-veloċità u l-kwalità. Agħżel small għall-iżgħar fajls u l-iktar kitba bil-mod; kitba aktar mgħaġġla tirritorna r-riżultati qabel iżda toħloq fajls akbar.
image_urlmeħtieġ image
Tipurl · image
URL tal-immaġni tas-sors, bir-ratio tal-aspett magħżul jiddetermina jekk hemmx bżonn ta’ preprocessing: nuqqas ta’ qbil iqanqal ridimensjonar segwit minn crop ċentrali.
audio_urlmeħtieġ audio
Tipurl · audio
URL li tindika l-fajl awdjo.
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": "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"
  }
}
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.

Aktar mudelli: Lipsync u avatars

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/wan/v2.2-14b/speech-to-video.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt