ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

Longcat Single Avatar · Image Audio to Video

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ id 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"

ਉਦਾਹਰਨ ਵਰਗੀਆਂ ਫ਼ਾਈਲਾਂ: $0.90 900 API ਕ੍ਰੈਡਿਟ · ≈ ₽96.58 ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ ਚਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਮਾਪੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
Meituan ਲਿਪਸਿੰਕ ਅਤੇ ਅਵਤਾਰ ਲਿਪਸਿੰਕ720p ਤੱਕ #audio-to-video#image-to-video

ਦਿੱਤੇ ਗਏ ਪੋਰਟਰੇਟ ਚਿੱਤਰ ਨੂੰ ਆਡੀਓ ਟ੍ਰੈਕ ਦੇ ਅਨੁਸਾਰ ਲਿਪ-ਸਿੰਕ ਕੀਤੀ ਬੋਲਦੀ ਵੀਡੀਓ ਵਿੱਚ ਐਨੀਮੇਟ ਕਰਦਾ ਹੈ

Meituan · ਵੀਡੀਓ

ਤੁਹਾਡਾ ਪਹਿਲਾ ਨਤੀਜਾ ਇੱਥੇ ਹੋਵੇਗਾ

ਹੇਠਾਂ ਬੇਨਤੀ ਬਣਾਓ ਅਤੇ ਆਪਣੀ API ਕੁੰਜੀ ਨਾਲ ਚਲਾਓ। ਆਉਟਪੁੱਟ ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਕਾਪੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਹਮੇਸ਼ਾ ਲਈ ਜਾਂ ਮੁਫ਼ਤ ਵਿੱਚ 7 ਦਿਨ ਤੱਕ ਰੱਖੇ ਜਾਂਦੇ ਹਨ।

ਰਿਕਵੈਸਟ ਬਣਾਓ

ਕੰਟਰੋਲ ਮਾਡਲ ਸਕੀਮਾ ਤੋਂ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਬਦਲਾਅ ਕਰਦੇ ਹੀ ਕੋਡ ਅਤੇ ਕੀਮਤ ਅੱਪਡੇਟ ਹੋ ਜਾਂਦੇ ਹਨ।

ਡਿਫ਼ਾਲਟ A person is talking n...

ਵੀਡੀਓ ਸਿਰਜਣਾ ਲਈ ਦਿਸ਼ਾ ਦੇਣ ਵਾਲਾ ਪ੍ਰੌਂਪਟ।

•ਲੋੜੀਂਦਾ image_url
ਫ਼ਾਈਲ ਛੱਡੋ, ਜਾਂ

ਐਨੀਮੇਟ ਕੀਤੇ ਜਾ ਰਹੇ ਚਿੱਤਰ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਨ ਵਾਲਾ URL।

•ਲੋੜੀਂਦਾ audio_url
ਫ਼ਾਈਲ ਛੱਡੋ, ਜਾਂ

ਅਵਤਾਰ ਚਲਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਆਡੀਓ ਫ਼ਾਈਲ URL।

resolution ਡਿਫ਼ਾਲਟ 480p

ਆਉਟਪੁੱਟ ਵੀਡੀਓ ਰੈਜ਼ਿਊਲਿਊਸ਼ਨ, 480p ਜਾਂ 720p ਵਿੱਚੋਂ ਇੱਕ।

ਡਿਫ਼ਾਲਟ 1

ਵੀਡੀਓ ਖੰਡਾਂ ਦੀ ਗਿਣਤੀ, ਜਿਸ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਖੰਡ ਲਗਭਗ 5.8s ਅਤੇ ਹਰੇਕ ਅਗਲਾ ਖੰਡ 5s ਹੁੰਦਾ ਹੈ—ਹਰੇਕ ਖੰਡ ਲਈ ਲਗਭਗ 5 ਸਕਿੰਟ ਦਾ ਵੀਡੀਓ।

ਉੱਨਤ negative_prompt · num_inference_steps · text_guidance_scale · audio_guidance_scale · seed · enable_safety_checker · enable_prompt_expansion
ਡਿਫ਼ਾਲਟ Close-up, Bright tone...

ਨਕਾਰਾਤਮਕ ਪ੍ਰੌਂਪਟ, ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ ਵੀਡੀਓ ਸਿਰਜਣਾ ਨੂੰ ਕੀ ਟਾਲਣਾ ਚਾਹੀਦਾ ਹੈ।

ਡਿਫ਼ਾਲਟ 50

ਕੀਤੇ ਗਏ ਇਨਫ਼ਰੈਂਸ ਕਦਮਾਂ ਦੀ ਗਿਣਤੀ।

ਡਿਫ਼ਾਲਟ 4

classifier-free guidance ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਟੈਕਸਟ guidance ਸਕੇਲ।

ਡਿਫ਼ਾਲਟ 4

ਆਡੀਓ guidance ਸਮਾਯੋਜਨ, ਜਿਸਨੂੰ ਵਧਾਉਣ 'ਤੇ ਮੂੰਹ ਦੀ ਹਿਲਜੁਲ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦਿਖਾਈ ਜਾ ਸਕਦੀ ਹੈ।

ਬੇਤਰਤੀਬ ਨੰਬਰ ਸਿਰਜਣਾ ਸ਼ੁਰੂ ਕਰਨ ਵਾਲੀ ਸੀਡ ਵੈਲਿਊ।

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

ਇਹ ਬੇਨਤੀ ਚਲਾਓ

ਤੁਹਾਡੀ key ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ: ਇਹ ਸਿਰਫ਼ Doitong API ਨੂੰ ਭੇਜੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ (localStorage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਜੇ ਤੁਸੀਂ Remember ਚੁਣੋ। API ਕੁੰਜੀ ਪ੍ਰਾਪਤ ਕਰੋ

Longcat Single Avatar · Image Audio to Video ਬਾਰੇ

ਐਨੀਮੇਟ ਕਰਨ ਲਈ `image_url` ਨੂੰ ਬੋਲਣ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕਰਨ ਵਾਲੇ `audio_url` ਨਾਲ ਜੋੜਦਾ ਹੈ, ਤਾਂ ਜੋ ਅਵਤਾਰ ਤੁਹਾਡੀ ਤਸਵੀਰ ਦਾ ਰੂਪ ਬਣਾਈ ਰੱਖੇ। ਰੈਜ਼ੋਲਿਊਸ਼ਨ 480p ਜਾਂ 720p ਹੈ, ਅਤੇ 1 ਤੋਂ 10 ਤੱਕ ਦਾ `num_segments` ਕਲਿੱਪ ਵਧਾਉਂਦਾ ਹੈ: ਪਹਿਲੇ ਸੈਗਮੈਂਟ ਲਈ ਲਗਭਗ 5.8 ਸਕਿੰਟ ਅਤੇ ਹਰ ਵਾਧੂ ਸੈਗਮੈਂਟ ਲਈ 5 ਸਕਿੰਟ। `text_guidance_scale` ਅਤੇ `audio_guidance_scale` (ਦੋਵੇਂ 1 ਤੋਂ 10) ਅਤੇ `num_inference_steps` (10 ਤੋਂ 100) ਨੂੰ ਸਮਾਯੋਜਿਤ ਕਰੋ।

ਪੈਰਾਮੀਟਰ

ਕੈਨੋਨਿਕਲ ਨਾਮ ਜਾਂ ਨੇਟਿਵ ਨਾਮ ਵਿੱਚੋਂ ਕੋਈ ਇੱਕ ਭੇਜੋ, ਦੋਵੇਂ ਨਹੀਂ। ਕੈਨੋਨਿਕਲ ਨਾਮ

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
image_urlਲੋੜੀਂਦਾ image
ਕਿਸਮurl · image
ਐਨੀਮੇਟ ਕੀਤੇ ਜਾ ਰਹੇ ਚਿੱਤਰ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਨ ਵਾਲਾ URL।
audio_urlਲੋੜੀਂਦਾ audio
ਕਿਸਮurl · audio
ਅਵਤਾਰ ਚਲਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਆਡੀਓ ਫ਼ਾਈਲ URL।
promptਵਿਕਲਪਿਕ
ਕਿਸਮstring
ਡਿਫ਼ਾਲਟA person is talking naturally with natural expressions and movements.
ਵੀਡੀਓ ਸਿਰਜਣਾ ਲਈ ਦਿਸ਼ਾ ਦੇਣ ਵਾਲਾ ਪ੍ਰੌਂਪਟ।
negative_promptਵਿਕਲਪਿਕ
ਕਿਸਮstring
ਡਿਫ਼ਾਲਟClose-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
ਨਕਾਰਾਤਮਕ ਪ੍ਰੌਂਪਟ, ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ ਵੀਡੀਓ ਸਿਰਜਣਾ ਨੂੰ ਕੀ ਟਾਲਣਾ ਚਾਹੀਦਾ ਹੈ।
num_inference_stepsਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ50
10 – 100
ਕੀਤੇ ਗਏ ਇਨਫ਼ਰੈਂਸ ਕਦਮਾਂ ਦੀ ਗਿਣਤੀ।
text_guidance_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ4
1 – 10
classifier-free guidance ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਟੈਕਸਟ guidance ਸਕੇਲ।
audio_guidance_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ4
1 – 10
ਆਡੀਓ guidance ਸਮਾਯੋਜਨ, ਜਿਸਨੂੰ ਵਧਾਉਣ 'ਤੇ ਮੂੰਹ ਦੀ ਹਿਲਜੁਲ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦਿਖਾਈ ਜਾ ਸਕਦੀ ਹੈ।
resolutionਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟ480p
480p720p
ਆਉਟਪੁੱਟ ਵੀਡੀਓ ਰੈਜ਼ਿਊਲਿਊਸ਼ਨ, 480p ਜਾਂ 720p ਵਿੱਚੋਂ ਇੱਕ।
num_segmentsਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ1
1 – 10
ਵੀਡੀਓ ਖੰਡਾਂ ਦੀ ਗਿਣਤੀ, ਜਿਸ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਖੰਡ ਲਗਭਗ 5.8s ਅਤੇ ਹਰੇਕ ਅਗਲਾ ਖੰਡ 5s ਹੁੰਦਾ ਹੈ—ਹਰੇਕ ਖੰਡ ਲਈ ਲਗਭਗ 5 ਸਕਿੰਟ ਦਾ ਵੀਡੀਓ।
seedਵਿਕਲਪਿਕ
ਕਿਸਮinteger | null
ਬੇਤਰਤੀਬ ਨੰਬਰ ਸਿਰਜਣਾ ਸ਼ੁਰੂ ਕਰਨ ਵਾਲੀ ਸੀਡ ਵੈਲਿਊ।
enable_safety_checkerਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
ਖਾਤਾ ਅਨੁਮਤੀਆਂ ਦੇ ਅਧੀਨ ਸੁਰੱਖਿਆ-ਜਾਂਚ ਟੌਗਲ: ਅਣਅਧਿਕਾਰਤ ਬੇਨਤੀਆਂ ਲਈ ਜਾਂਚ ਲਾਜ਼ਮੀ ਰਹਿੰਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਅਸਮਰੱਥ ਕਰਨ ਲਈ ਅਧਿਕਾਰਤਾ ਲੋੜੀਂਦੀ ਹੈ।
enable_prompt_expansionਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟfalse
ਵਧੇਰੇ ਸੁਧਰੇ ਪ੍ਰੌਂਪਟ ਰਾਹੀਂ ਵੀਡੀਓ ਗੁਣਵੱਤਾ ਸੁਧਾਰਨ ਲਈ LLM-ਆਧਾਰਿਤ ਪ੍ਰੌਂਪਟ ਵਿਸਤਾਰ ਟੌਗਲ।
ਲੋੜੀਂਦਾ ਕੈਨੋਨਿਕਲ ਨਾਮ, ਇਹ ਵੀ ਸਵੀਕਾਰਿਆ ਜਾਂਦਾ ਹੈ

ਫ਼ਾਈਲ ਪੈਰਾਮੀਟਰ ਜਨਤਕ https:// URL, 10 MB ਤੱਕ ਦਾ data: URI, ਜਾਂ ਅੱਪਲੋਡ ਦੇ file_url ਨੂੰ ਸਵੀਕਾਰਦੇ ਹਨ। ਫ਼ਾਈਲਾਂ

ਆਉਟਪੁੱਟ

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"
  }
}
ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ, ਤੁਹਾਡੀ ਚੋਣਹਰ outputs[].url ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਕਾਪੀ ਹੈ: ਹਮੇਸ਼ਾ ਲਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ (ਪ੍ਰਤੀ GB-ਮਹੀਨਾ ਭੁਗਤਾਨ) ਜਾਂ 7 ਦਿਨ ਤੱਕ ਮੁਫ਼ਤ, ਤੁਹਾਡੀ ਖਾਤਾ ਸੈਟਿੰਗ ਜਾਂ ?storage= ਅਨੁਸਾਰ।
ਹਰ ਮਾਡਲ ’ਤੇ ਇੱਕੋ ਜਿਹਾ ਰੂਪਤਸਵੀਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਸਭ ਲਈ type, url, content_type, width, height ਅਤੇ duration। output ਮਾਡਲ ਦਾ ਆਪਣਾ ਨਤੀਜਾ ਆਬਜੈਕਟ ਹੈ।
ਆਉਟਪੁੱਟ ਦੇ ਫ਼ੀਲਡ
video
object {url, content_type, file_name, file_size}ਸਿਰਜਣਾ ਨਾਲ ਤਿਆਰ ਕੀਤੀ ਵੀਡੀਓ ਫ਼ਾਈਲ।
seed
integerਸਿਰਜਣਾ ਦੌਰਾਨ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀਡ ਮੁੱਲ।

ਹੋਰ ਮਾਡਲ: ਲਿਪਸਿੰਕ ਅਤੇ ਅਵਤਾਰ

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/longcat-single-avatar/image-audio-to-video.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt