အကြောင်းအရာသို့ ကျော်ရန်

Wan-2.2 Speech-to-Video 14B

ပေါင်းစည်းရန်

မော်ဒယ် id 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"

နမူနာကဲ့သို့ ဖိုင်များ: ၀.၅၀ $ ၅၀၀ API ခရက်ဒစ် · ≈ ၅၃.၆၆ ₽ လုပ်ဆောင်မီ သင့်ဖိုင်များကို တိုင်းတာသည် ဤစာမျက်နှာတွင် လုပ်ဆောင်ရန်

API ကီး ရယူရန်
Alibaba Lipsync နှင့် Avatars Lipsync720p အထိ #audio-to-video#talking-head

ရပ်တန့်ပုံတစ်ပုံနှင့် အသံဖိုင်မှ စာသားပရောမ့်၏ လမ်းညွှန်မှုဖြင့် စကားပြောဗီဒီယို ဖန်တီးသည်

Doitong တွင် ဖန်တီးထားသည်

Doitong အသိုင်းအဝိုင်းက Wan v22 Large ဖြင့် ဖန်တီးထားသော အများပြည်သူသုံး လက်ရာများ။ ပရောမ့်ကို တစ်ချက်နှိပ်၍ ပြန်အသုံးပြုပါ။

ပြသထားသော အများပြည်သူသုံး လက်ရာများ: 3
Создай 30-секундный обучающий музыкальный ролик для детей 3–5 лет. Тема: транспорт. Яркая 2D-аним... ဗီဒီယို

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... ဗီဒီယို

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...

# PROMPT: Animated Mother’s Day greeting card **Format:** vertical video 9:16 **Duration:** 12–15... ဗီဒီယို

# PROMPT: Animated Mother’s Day greeting card **Format:** vertical video 9:16 **Duration:** 12–15 seconds **Style:** high‑quality Pixar‑inspired 3D animation, cinematic, warm, emotional, charming animated movie aesthetic. ### The main character is a child Use the attached image as the only and...

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ထိန်းချုပ်မှုများကို မော်ဒယ် schema မှ အလိုအလျောက်ဖန်တီးသည်။ ၎င်းတို့ကို ပြောင်းလဲသည်နှင့် code နှင့် စျေးနှုန်းတို့လည်း ပြောင်းလဲမည်။

•လိုအပ်သည်

ဗီဒီယိုဖန်တီးရန် အသုံးပြုသည့် စာသားပရောမ့်။

•လိုအပ်သည် image_url
ဖိုင်ကို ဆွဲချပါ၊ သို့မဟုတ်

ရင်းမြစ်ပုံ URL။ ရွေးချယ်ထားသော aspect ratio က preprocessing လိုအပ်မလို ဆုံးဖြတ်သည်။ မကိုက်ညီပါက အရွယ်အစားပြောင်းပြီးနောက် အလယ်ဗဟိုကို ဖြတ်တောက်သည်။

•လိုအပ်သည် audio_url
ဖိုင်ကို ဆွဲချပါ၊ သို့မဟုတ်

အသံဖိုင်သို့ ညွှန်ပြသော URL။

resolution မူလ 480p

ထွက်ရလဒ်ဗီဒီယို ရုပ်ထွက်အရည်အသွေး: 480p၊ 580p သို့မဟုတ် 720p။

မူလ 80

40–120 အတွင်း 4 ၏ မြှောက်ကိန်းတစ်ခုကို ရွေးချယ်၍ ဖန်တီးမည့် ဖရိမ်အရေအတွက်ကို သတ်မှတ်ပါ။

အဆင့်မြင့် negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
မူလ

ဗီဒီယိုဖန်တီးရာတွင် အသုံးပြုသည့် အနုတ်လက္ခဏာပရောမ့်။

video_quality မူလ high

သတ်မှတ်ချက်မြင့်လာသည်နှင့် ဖိုင်ပိုကြီးလာသော်လည်း မြင်ကွင်းအရည်အသွေး ပိုကောင်းလာစေသော ထွက်ရလဒ်ဗီဒီယိုအရည်အသွေး သတ်မှတ်ချက်။

video_write_mode မူလ balanced

ဗီဒီယိုရေးသားမှုမုဒ်ဖြစ်ပြီး balanced သည် အမြန်နှုန်းနှင့် အရည်အသွေးအကြား အလယ်အလတ်ဖြစ်သည်။ အသေးဆုံးဖိုင်နှင့် အနှေးဆုံးရေးသားမှုအတွက် small ကို ရွေးချယ်ပါ။ ပိုမြန်သောရေးသားမှုသည် ရလဒ်ကို စောစွာပြန်ပေးသော်လည်း ဖိုင်ပိုကြီးစေသည်။

မူလ 16

တန်ဖိုး 4 မှ 60 အထိ လက်ခံသည့် ဖန်တီးထားသောဗီဒီယို၏ ဖရိမ်နှုန်း။ `adjust_fps_for_interpolation` ကို false သတ်မှတ်ပါက ဤနှုန်းကို မပြောင်းလဲဘဲ ထိန်းသိမ်းသည်။ interpolation အသုံးပြုပြီး `adjust_fps_for_interpolation` သည် true (မူလတန်ဖိုး) ဖြစ်ပါက နောက်ဆုံး FPS ရရှိရန် ဤနှုန်းကို interpolated ဖရိမ်အရေအတွက်တစ်ပေါင်းနှင့် မြှောက်ပါ။ ဥပမာ 1 interpolated ဖရိမ်ဖြင့် 16 FPS သည် 32 FPS ဖြစ်လာသည်။

မူလ 27

နမူနာယူမှု အဆင့်အရေအတွက်။ အရေအတွက်မြင့်လာသည်နှင့်အမျှ လုပ်ဆောင်ချိန် ပိုကြာသော်လည်း အရည်အသွေး ပိုကောင်းလာသည်။

မူလ 3.5

Classifier-free guidance အား။ စကေးမြင့်လာသည်နှင့်အမျှ ဖြစ်နိုင်သော အရည်အသွေးကျဆင်းမှုကို လက်ခံကာ ပရောမ့်နှင့် ပိုမိုနီးကပ်စွာ ကိုက်ညီစေသည်။

မူလ 5

ခွင့်ပြုထားသော အကွာအဝေး 1.0–10.0 ရှိ ဗီဒီယို shift သတ်မှတ်ချက်။

ဖန်တီးမှုကို ထပ်တူပြန်လည်ပြုလုပ်နိုင်စေသည့် seed။ None သတ်မှတ်ပါက seed ကို ကျပန်းရွေးချယ်သည်။

POST /run/wan/v2.2-14b/speech-to-video?wait=20 ကုန်ကျစရိတ် → ၀.၅၀ $
# 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"

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

သင့် key သည် ဤဘရောက်ဇာထဲတွင်သာ ရှိမည်ဖြစ်ပြီး Doitong API သို့သာ ပို့မည်။ Remember ကို အမှန်ခြစ်ထားမှသာ (localStorage) တွင် သိမ်းမည်။ API ကီး ရယူရန်

Wan-2.2 Speech-to-Video 14B အကြောင်း

`prompt`၊ မူရင်း `image_url` နှင့် `audio_url` လိုအပ်ပြီး ပုံတွင်ပါဝင်သောအရာကို အသံဖြင့် မောင်းနှင်ထားသော ဗီဒီယိုအဖြစ် ထုတ်ပေးသည်။ `num_frames` သည် 40 မှ 120 အထိ 4 ၏မြှောက်ကိန်းများဖြင့် ရပြီး မူလတန်ဖိုးမှာ 16 fps ဖြစ်သည်။ `resolution` သည် 480p၊ 580p သို့မဟုတ် 720p ဖြစ်နိုင်သည်။ ဆမ်ပလင်းအဆင့်များ၊ လမ်းညွှန်မှု၊ အကြားတန်ဖိုးဖြည့်ခြင်းနှင့် `negative_prompt` ကို ချိန်ညှိနိုင်သည်။

ပါရာမီတာများ

စံအမည် သို့မဟုတ် မူရင်းအမည် တစ်ခုခုကိုသာ ပို့ပါ၊ နှစ်ခုလုံး မပို့ပါနှင့်။ စံအမည်များ

အမည်အမျိုးအစား မူလတန်ဖိုးခွင့်ပြုထားသည် ဖော်ပြချက်
promptလိုအပ်သည်
အမျိုးအစားstring
ဗီဒီယိုဖန်တီးရန် အသုံးပြုသည့် စာသားပရောမ့်။
negative_promptရွေးချယ်နိုင်သည်
အမျိုးအစားstring
မူလတန်ဖိုး
ဗီဒီယိုဖန်တီးရာတွင် အသုံးပြုသည့် အနုတ်လက္ခဏာပရောမ့်။
num_framesရွေးချယ်နိုင်သည်
အမျိုးအစားinteger
မူလတန်ဖိုး80
၄၀ – ၁၂၀
40–120 အတွင်း 4 ၏ မြှောက်ကိန်းတစ်ခုကို ရွေးချယ်၍ ဖန်တီးမည့် ဖရိမ်အရေအတွက်ကို သတ်မှတ်ပါ။
frames_per_secondရွေးချယ်နိုင်သည်
အမျိုးအစားinteger | null
မူလတန်ဖိုး16
၄ – ၆၀
တန်ဖိုး 4 မှ 60 အထိ လက်ခံသည့် ဖန်တီးထားသောဗီဒီယို၏ ဖရိမ်နှုန်း။ `adjust_fps_for_interpolation` ကို false သတ်မှတ်ပါက ဤနှုန်းကို မပြောင်းလဲဘဲ ထိန်းသိမ်းသည်။ interpolation အသုံးပြုပြီး `adjust_fps_for_interpolation` သည် true (မူလတန်ဖိုး) ဖြစ်ပါက နောက်ဆုံး FPS ရရှိရန် ဤနှုန်းကို interpolated ဖရိမ်အရေအတွက်တစ်ပေါင်းနှင့် မြှောက်ပါ။ ဥပမာ 1 interpolated ဖရိမ်ဖြင့် 16 FPS သည် 32 FPS ဖြစ်လာသည်။
seedရွေးချယ်နိုင်သည်
အမျိုးအစားinteger | null
ဖန်တီးမှုကို ထပ်တူပြန်လည်ပြုလုပ်နိုင်စေသည့် seed။ None သတ်မှတ်ပါက seed ကို ကျပန်းရွေးချယ်သည်။
resolutionရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုး480p
480p580p720p
ထွက်ရလဒ်ဗီဒီယို ရုပ်ထွက်အရည်အသွေး: 480p၊ 580p သို့မဟုတ် 720p။
num_inference_stepsရွေးချယ်နိုင်သည်
အမျိုးအစားinteger
မူလတန်ဖိုး27
၂ – ၄၀
နမူနာယူမှု အဆင့်အရေအတွက်။ အရေအတွက်မြင့်လာသည်နှင့်အမျှ လုပ်ဆောင်ချိန် ပိုကြာသော်လည်း အရည်အသွေး ပိုကောင်းလာသည်။
enable_safety_checkerရွေးချယ်နိုင်သည်
အမျိုးအစားboolean
မူလတန်ဖိုးfalse
လုပ်ဆောင်မီ ထည့်သွင်းချက်ဘေးကင်းရေးစစ်ဆေးမှုဖြစ်ပြီး ခွင့်ပြုချက်ရှိသော အကောင့်များသာ ပိတ်နိုင်သည်။ ခွင့်ပြုချက်မရှိသော တောင်းဆိုချက်များကို အမြဲစစ်ဆေးပြီး အခြားအခြေအနေတွင် true သည် စစ်ဆေးမှုကို ဖွင့်ပေးသည်။
enable_output_safety_checkerရွေးချယ်နိုင်သည်
အမျိုးအစားboolean
မူလတန်ဖိုးfalse
ဖန်တီးထားသောဗီဒီယို၏ ဘေးကင်းရေးစစ်ဆေးမှုကို ထိန်းချုပ်သည်။ true သတ်မှတ်ပါက ဖန်တီးပြီးနောက် စစ်ဆေးမှုကို ဖွင့်ပေးသည်။
guidance_scaleရွေးချယ်နိုင်သည်
အမျိုးအစားnumber
မူလတန်ဖိုး3.5
၁ – ၁၀
Classifier-free guidance အား။ စကေးမြင့်လာသည်နှင့်အမျှ ဖြစ်နိုင်သော အရည်အသွေးကျဆင်းမှုကို လက်ခံကာ ပရောမ့်နှင့် ပိုမိုနီးကပ်စွာ ကိုက်ညီစေသည်။
shiftရွေးချယ်နိုင်သည်
အမျိုးအစားnumber
မူလတန်ဖိုး5
၁ – ၁၀
ခွင့်ပြုထားသော အကွာအဝေး 1.0–10.0 ရှိ ဗီဒီယို shift သတ်မှတ်ချက်။
video_qualityရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးhigh
lowmediumhighmaximum
သတ်မှတ်ချက်မြင့်လာသည်နှင့် ဖိုင်ပိုကြီးလာသော်လည်း မြင်ကွင်းအရည်အသွေး ပိုကောင်းလာစေသော ထွက်ရလဒ်ဗီဒီယိုအရည်အသွေး သတ်မှတ်ချက်။
video_write_modeရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးbalanced
fastbalancedsmall
ဗီဒီယိုရေးသားမှုမုဒ်ဖြစ်ပြီး balanced သည် အမြန်နှုန်းနှင့် အရည်အသွေးအကြား အလယ်အလတ်ဖြစ်သည်။ အသေးဆုံးဖိုင်နှင့် အနှေးဆုံးရေးသားမှုအတွက် small ကို ရွေးချယ်ပါ။ ပိုမြန်သောရေးသားမှုသည် ရလဒ်ကို စောစွာပြန်ပေးသော်လည်း ဖိုင်ပိုကြီးစေသည်။
image_urlလိုအပ်သည် image
အမျိုးအစားurl · image
ရင်းမြစ်ပုံ URL။ ရွေးချယ်ထားသော aspect ratio က preprocessing လိုအပ်မလို ဆုံးဖြတ်သည်။ မကိုက်ညီပါက အရွယ်အစားပြောင်းပြီးနောက် အလယ်ဗဟိုကို ဖြတ်တောက်သည်။
audio_urlလိုအပ်သည် audio
အမျိုးအစားurl · audio
အသံဖိုင်သို့ ညွှန်ပြသော URL။
လိုအပ်သည် စံအမည်၊ ထို့အပြင် လက်ခံသည်

ဖိုင်ပါရာမီတာများသည် အများပြည်သူသုံး https:// URL၊ 10 MB အထိ data: URI သို့မဟုတ် အပ်လုဒ်လုပ်ထားသောဖိုင်၏ file_url ကို လက်ခံသည်။ ဖိုင်များ

ထွက်ရလဒ်

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"
  }
}
သင့်ဖိုင်များ၊ သင့်ရွေးချယ်မှုoutputs[].url တိုင်းသည် ကျွန်ုပ်တို့၏ သိုလှောင်မှုရှိ မိတ္တူဖြစ်သည်- အမြဲတမ်း (GB-month အလိုက် ငွေပေးရသည်) သို့မဟုတ် ၇ ရက် အခမဲ့၊ သင့်အကောင့်ဆက်တင် သို့မဟုတ် ?storage= ဖြင့် သိမ်းထားသည်။
မော်ဒယ်တိုင်းတွင် ပုံစံတူပုံ၊ ဗီဒီယိုနှင့် အသံတို့အတွက် type၊ url၊ content_type၊ width၊ height နှင့် duration။ output သည် မော်ဒယ်ကိုယ်တိုင်၏ ရလဒ် object ဖြစ်သည်။
ထွက်ရလဒ်၏ Fields များ
video
object {url, content_type, file_name, file_size}ဖန်တီးမှုမှ ထွက်ရှိသည့် ဗီဒီယိုဖိုင်။

နောက်ထပ် မော်ဒယ်များ: Lipsync နှင့် Avatars

AI အေးဂျင့်များအတွက်- ဤစာမျက်နှာ၏ Markdown ကို ဤနေရာတွင် ရရှိနိုင်သည် https://doitong.com/my/developers/models/wan/v2.2-14b/speech-to-video.md. မော်ဒယ်များနှင့် လမ်းညွှန်များအားလုံး: https://doitong.com/developers/llms.txt