ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

LTX-2.3 22B · Audio to Video

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ id ltx-2.3-22b/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/ltx-2.3-22b/audio-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",
    "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: $0.358 358 API ਕ੍ਰੈਡਿਟ · ≈ ₽38.42 ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ ਚਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਮਾਪੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
Lightricks ਲਿਪਸਿੰਕ ਅਤੇ ਅਵਤਾਰ ਲਿਪਸਿੰਕ

ਇਨਪੁਟ ਆਡੀਓ ਟ੍ਰੈਕ ਦੇ ਅਨੁਸਾਰ ਵੀਡੀਓ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਿਕਲਪਿਕ ਪਹਿਲੇ ਅਤੇ ਆਖਰੀ ਫ੍ਰੇਮ ਚਿੱਤਰ ਅਤੇ ਕੈਮਰਾ LoRA ਸ਼ਾਮਲ ਹਨ

Lightricks · 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।

•ਲੋੜੀਂਦਾ

ਵੀਡੀਓ ਸਿਰਜਣਾ ਦੇ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਪ੍ਰੌਂਪਟ।

•ਲੋੜੀਂਦਾ audio_url
ਫ਼ਾਈਲ ਛੱਡੋ, ਜਾਂ

ਵੀਡੀਓ ਸਿਰਜਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸਰੋਤ ਆਡੀਓ ਦਾ URL।

image_url
ਫ਼ਾਈਲ ਛੱਡੋ, ਜਾਂ

ਵੀਡੀਓ ਦੇ ਸ਼ੁਰੂਆਤੀ ਫ੍ਰੇਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲਾ ਵਿਕਲਪਿਕ ਚਿੱਤਰ URL।

video_size ਡਿਫ਼ਾਲਟ landscape_16_9

ਵੀਡੀਓ ਦੇ ਮਾਪ, ਜਦੋਂ ਚਿੱਤਰ ਦਿੱਤਾ ਗਿਆ ਹੋਵੇ ਤਾਂ ਇਨਪੁੱਟ-ਚਿੱਤਰ ਆਕਾਰ ਲਈ 'auto' ਉਪਲਬਧ ਹੈ।

ਡਿਫ਼ਾਲਟ 121

ਸਿਰਜੇ ਗਏ ਆਉਟਪੁੱਟ ਵਿੱਚ ਫ੍ਰੇਮਾਂ ਦੀ ਗਿਣਤੀ।

ਡਿਫ਼ਾਲਟ 24

ਆਉਟਪੁੱਟ ਵੀਡੀਓ ਦਾ ਫ੍ਰੇਮ ਰੇਟ, ਫ੍ਰੇਮ ਪ੍ਰਤੀ ਸਕਿੰਟ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।

ਉੱਨਤ negative_prompt · end_image · scheduler · acceleration · camera_lora · video_output_type · video_quality · video_write_mode · num_inference_steps · video_cfg_scale · video_stg_scale · video_rescaling_scale · video_modality_scale · audio_cfg_scale · audio_stg_scale · audio_rescaling_scale · audio_modality_scale · gradient_estimation_gamma · camera_lora_scale · distill_lora_first_pass_scale · distill_lora_second_pass_scale · image_strength · end_image_strength · audio_strength · seed · use_multiscale · use_restart_sampling · enable_prompt_expansion · enable_safety_checker · preprocess_audio
ਡਿਫ਼ਾਲਟ news broadcast, 3d an...

ਵੀਡੀਓ ਸਿਰਜਣ ਦੌਰਾਨ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਨਕਾਰਾਤਮਕ ਪ੍ਰੌਂਪਟ।

end_image_url
ਫ਼ਾਈਲ ਛੱਡੋ, ਜਾਂ

ਵੀਡੀਓ ਦੇ ਅੰਤਿਮ ਫ੍ਰੇਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲਾ ਚਿੱਤਰ URL।

scheduler ਡਿਫ਼ਾਲਟ ltx2

Scheduler ਚੋਣ।

acceleration ਡਿਫ਼ਾਲਟ regular

ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਐਕਸੈਲੇਰੇਸ਼ਨ ਪੱਧਰ।

camera_lora ਡਿਫ਼ਾਲਟ none

ਸਿਰਜੇ ਗਏ ਵੀਡੀਓ ਵਿੱਚ camera-motion ਪ੍ਰੌਂਪਟ ਨਾਲੋਂ ਵਧੇਰੇ ਸਟੀਕ ਢੰਗ ਨਾਲ ਹਿਲਚਲ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ Camera LoRA ਚੋਣ।

video_output_type ਡਿਫ਼ਾਲਟ X264 (.mp4)

ਨਤੀਜੇ ਵਾਲੀ ਵੀਡੀਓ ਦੀ ਆਉਟਪੁੱਟ ਕਿਸਮ।

video_quality ਡਿਫ਼ਾਲਟ high

ਨਤੀਜੇ ਵਾਲੀ ਵੀਡੀਓ ਦਾ ਗੁਣਵੱਤਾ ਪੱਧਰ।

video_write_mode ਡਿਫ਼ਾਲਟ balanced

ਨਤੀਜੇ ਵਾਲੀ ਵੀਡੀਓ ਦਾ ਲਿਖਣ ਮੋਡ।

ਡਿਫ਼ਾਲਟ 40

ਕੀਤੇ ਗਏ ਇਨਫ਼ਰੈਂਸ ਕਦਮਾਂ ਦੀ ਗਿਣਤੀ।

ਡਿਫ਼ਾਲਟ 3

ਵੀਡੀਓ guidance ਸੈਟਿੰਗ: ਸਿਰਜੇ ਗਏ ਸਮੱਗਰੀ ਵਿੱਚ ਵਧੇਰੇ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਲਈ ਇਸਨੂੰ ਵਧਾਓ। Classifier-free guidance (CFG) ਵਰਤਦੀ ਹੈ।

ਡਿਫ਼ਾਲਟ 0

Spatiotemporal Guidance (STG) ਸਕੇਲ ਰਾਹੀਂ ਵੀਡੀਓ ਦੀ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ; ਦੋਵਾਂ ਗੁਣਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਸੈਟਿੰਗ ਵਧਾਓ।

ਡਿਫ਼ਾਲਟ 0.7

Classifier-free ਅਤੇ spatiotemporal guidance ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਵੀਡੀਓ rescaling ਸਮਾਯੋਜਨ।

ਡਿਫ਼ਾਲਟ 3

ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਵੀਡੀਓ modality ਸਮਾਯੋਜਨ।

ਡਿਫ਼ਾਲਟ 7

ਆਡੀਓ guidance ਸੈਟਿੰਗ: ਸਿਰਜੇ ਗਏ ਸਮੱਗਰੀ ਵਿੱਚ ਵਧੇਰੇ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਲਈ ਇਸਨੂੰ ਵਧਾਓ। Classifier-free guidance (CFG) ਵਰਤਦੀ ਹੈ।

ਡਿਫ਼ਾਲਟ 0

Spatiotemporal Guidance (STG) ਸਕੇਲ ਰਾਹੀਂ ਆਡੀਓ ਦੀ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ; ਦੋਵਾਂ ਗੁਣਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਸੈਟਿੰਗ ਵਧਾਓ।

ਡਿਫ਼ਾਲਟ 0.7

Classifier-free ਅਤੇ spatiotemporal guidance ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਆਡੀਓ rescaling ਸਮਾਯੋਜਨ।

ਡਿਫ਼ਾਲਟ 3

ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਆਡੀਓ modality ਸਮਾਯੋਜਨ।

ਡਿਫ਼ਾਲਟ 2

Denoising gradient-estimation ਸੈਟਿੰਗ: 0 estimation ਬੰਦ ਕਰਦਾ ਹੈ; ਨਹੀਂ ਤਾਂ ਮੁੱਲ gamma ਦਰਸਾਉਂਦਾ ਹੈ।

ਡਿਫ਼ਾਲਟ 1

ਸਿਰਜੇ ਗਏ ਵੀਡੀਓ ਵਿੱਚ camera-motion ਪ੍ਰੌਂਪਟ ਨਾਲੋਂ ਵਧੇਰੇ ਸਟੀਕ ਢੰਗ ਨਾਲ ਹਿਲਚਲ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ Camera LoRA ਦੀ ਤਾਕਤ।

ਡਿਫ਼ਾਲਟ 0.2

ਪਹਿਲੇ pass ਦੇ distill LoRA ਸਕੇਲਿੰਗ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰੋ; ਇਸਨੂੰ ਬੰਦ ਕਰਨ ਲਈ 0 ਵਰਤੋ।

ਡਿਫ਼ਾਲਟ 0.5

ਪਹਿਲੇ ਤੋਂ ਬਾਅਦ ਹਰ pass ਲਈ distill LoRA ਸਕੇਲਿੰਗ ਨਿਯੰਤਰਿਤ ਕਰੋ।

ਡਿਫ਼ਾਲਟ 1

ਵੀਡੀਓ ਸਿਰਜਣ 'ਤੇ ਚਿੱਤਰ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਤਾਕਤ।

ਡਿਫ਼ਾਲਟ 1

ਸਿਰਜੇ ਗਏ ਵੀਡੀਓ 'ਤੇ ਅੰਤਿਮ ਚਿੱਤਰ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਮਾਤਰਾ ਨਿਯੰਤਰਿਤ ਕਰੋ।

ਡਿਫ਼ਾਲਟ 1

ਆਡੀਓ conditioning ਦੀ ਤਾਕਤ, ਜਿੱਥੇ ਬਿਲਕੁਲ 1.0 ਇਨਪੁੱਟ ਨੂੰ ਬਿਨਾਂ ਬਦਲਾਅ ਦੇ ਰੱਖਦਾ ਹੈ। 1.0 ਤੋਂ ਘੱਟ ਸੈਟਿੰਗਾਂ 'ਤੇ ਮਾਡਲ ਆਡੀਓ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ।

ਬੇਤਰਤੀਬ ਨੰਬਰ ਸਿਰਜਣਾ ਸ਼ੁਰੂ ਕਰਨ ਵਾਲੀ ਸੀਡ ਵੈਲਿਊ।

POST /run/ltx-2.3-22b/audio-to-video?wait=20 ਕੋਟ → $0.358
# 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/ltx-2.3-22b/audio-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",
    "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

LTX-2.3 22B · Audio to Video ਬਾਰੇ

`prompt` ਅਤੇ `audio_url` ਦੀ ਲੋੜ ਹੈ। ਪੂਰਵ-ਨਿਰਧਾਰਤ ਤੌਰ 'ਤੇ ਫ੍ਰੇਮ ਗਿਣਤੀ ਆਡੀਓ ਦੀ ਲੰਬਾਈ (`match_audio_length`) ਤੋਂ ਨਿਕਲਦੀ ਹੈ; ਨਹੀਂ ਤਾਂ `num_frames` (9 ਤੋਂ 481) ਲਾਗੂ ਹੁੰਦਾ ਹੈ। `image_url` ਅਤੇ `end_image_url` ਪਹਿਲੇ ਅਤੇ ਆਖ਼ਰੀ ਫ੍ਰੇਮ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਗਾਈਡੈਂਸ ਸਕੇਲ, `scheduler`, `camera_lora` ਵਰਗੇ ਕਈ ਸੈਂਪਲਿੰਗ ਨਿਯੰਤਰਣ ਅਤੇ mp4, webm, mov ਅਤੇ GIF ਸਮੇਤ ਆਉਟਪੁੱਟ ਫਾਰਮੈਟ ਉਪਲਬਧ ਕਰਵਾਉਂਦਾ ਹੈ।

ਪੈਰਾਮੀਟਰ

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

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
promptਲੋੜੀਂਦਾ
ਕਿਸਮstring
ਵੀਡੀਓ ਸਿਰਜਣਾ ਦੇ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਪ੍ਰੌਂਪਟ।
audio_urlਲੋੜੀਂਦਾ audio
ਕਿਸਮurl · audio
ਵੀਡੀਓ ਸਿਰਜਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸਰੋਤ ਆਡੀਓ ਦਾ URL।
image_urlਵਿਕਲਪਿਕ image
ਕਿਸਮurl · image
ਵੀਡੀਓ ਦੇ ਸ਼ੁਰੂਆਤੀ ਫ੍ਰੇਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲਾ ਵਿਕਲਪਿਕ ਚਿੱਤਰ URL।
end_image_urlਵਿਕਲਪਿਕ end_image
ਕਿਸਮurl · image
ਵੀਡੀਓ ਦੇ ਅੰਤਿਮ ਫ੍ਰੇਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲਾ ਚਿੱਤਰ URL।
match_audio_lengthਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
ਫ੍ਰੇਮ-ਗਿਣਤੀ ਚੋਣ ਟੌਗਲ: ਅਸਮਰੱਥ ਹੋਣ 'ਤੇ num_frames ਵਰਤਦਾ ਹੈ, ਜਦਕਿ ਸਮਰੱਥ ਹੋਣ 'ਤੇ ਗਿਣਤੀ FPS ਅਤੇ ਆਡੀਓ ਮਿਆਦ ਤੋਂ ਗਿਣਦਾ ਹੈ।
num_framesਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ121
9 – 481
ਸਿਰਜੇ ਗਏ ਆਉਟਪੁੱਟ ਵਿੱਚ ਫ੍ਰੇਮਾਂ ਦੀ ਗਿਣਤੀ।
video_sizeਵਿਕਲਪਿਕ
ਕਿਸਮobject
ਡਿਫ਼ਾਲਟlandscape_16_9
autosquare_hdsquareportrait_4_3portrait_16_9landscape_4_3landscape_16_9
ਵੀਡੀਓ ਦੇ ਮਾਪ, ਜਦੋਂ ਚਿੱਤਰ ਦਿੱਤਾ ਗਿਆ ਹੋਵੇ ਤਾਂ ਇਨਪੁੱਟ-ਚਿੱਤਰ ਆਕਾਰ ਲਈ 'auto' ਉਪਲਬਧ ਹੈ।
use_multiscaleਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
ਬਿਹਤਰ ਇਕਸਾਰਤਾ ਅਤੇ ਵੇਰਵੇ ਲਈ multi-scale ਸਿਰਜਣਾ ਟੌਗਲ। True ਹੋਣ 'ਤੇ ਇੱਕ ਛੋਟਾ ਮੁੱਢਲਾ ਵੀਡੀਓ ਦੂਜੀ ਸਿਰਜਣਾ ਲਈ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦਾ ਹੈ, ਜਿਸਦਾ ਆਕਾਰ ਮੰਗੇ ਗਏ ਮਾਪਾਂ ਦੇ ਬਰਾਬਰ ਜਾਂ ਵੱਧ ਹੁੰਦਾ ਹੈ।
fpsਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ24
1 – 60
ਆਉਟਪੁੱਟ ਵੀਡੀਓ ਦਾ ਫ੍ਰੇਮ ਰੇਟ, ਫ੍ਰੇਮ ਪ੍ਰਤੀ ਸਕਿੰਟ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।
num_inference_stepsਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ40
8 – 50
ਕੀਤੇ ਗਏ ਇਨਫ਼ਰੈਂਸ ਕਦਮਾਂ ਦੀ ਗਿਣਤੀ।
video_cfg_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ3
1 – 20
ਵੀਡੀਓ guidance ਸੈਟਿੰਗ: ਸਿਰਜੇ ਗਏ ਸਮੱਗਰੀ ਵਿੱਚ ਵਧੇਰੇ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਲਈ ਇਸਨੂੰ ਵਧਾਓ। Classifier-free guidance (CFG) ਵਰਤਦੀ ਹੈ।
video_stg_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ0
0 – 20
Spatiotemporal Guidance (STG) ਸਕੇਲ ਰਾਹੀਂ ਵੀਡੀਓ ਦੀ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ; ਦੋਵਾਂ ਗੁਣਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਸੈਟਿੰਗ ਵਧਾਓ।
video_rescaling_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ0.7
0 – 1
Classifier-free ਅਤੇ spatiotemporal guidance ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਵੀਡੀਓ rescaling ਸਮਾਯੋਜਨ।
video_modality_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ3
0 – 10
ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਵੀਡੀਓ modality ਸਮਾਯੋਜਨ।
audio_cfg_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ7
1 – 20
ਆਡੀਓ guidance ਸੈਟਿੰਗ: ਸਿਰਜੇ ਗਏ ਸਮੱਗਰੀ ਵਿੱਚ ਵਧੇਰੇ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਲਈ ਇਸਨੂੰ ਵਧਾਓ। Classifier-free guidance (CFG) ਵਰਤਦੀ ਹੈ।
audio_stg_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ0
0 – 20
Spatiotemporal Guidance (STG) ਸਕੇਲ ਰਾਹੀਂ ਆਡੀਓ ਦੀ ਇਕਸਾਰਤਾ ਅਤੇ ਫੋਕਸ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ; ਦੋਵਾਂ ਗੁਣਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਸੈਟਿੰਗ ਵਧਾਓ।
audio_rescaling_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ0.7
0 – 1
Classifier-free ਅਤੇ spatiotemporal guidance ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਆਡੀਓ rescaling ਸਮਾਯੋਜਨ।
audio_modality_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ3
0 – 10
ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਅਨੁਪਾਤ ਵਜੋਂ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਆਡੀਓ modality ਸਮਾਯੋਜਨ।
gradient_estimation_gammaਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ2
0 – 10
Denoising gradient-estimation ਸੈਟਿੰਗ: 0 estimation ਬੰਦ ਕਰਦਾ ਹੈ; ਨਹੀਂ ਤਾਂ ਮੁੱਲ gamma ਦਰਸਾਉਂਦਾ ਹੈ।
use_restart_samplingਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟfalse
ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਬਿਹਤਰ ਵੀਡੀਓ ਗੁਣਵੱਤਾ ਲਈ restart sampling ਟੌਗਲ: ਸਮਰੱਥ ਕਰਨ 'ਤੇ ਹਰ denoising ਕਦਮ ਵਿੱਚ ਥੋੜ੍ਹਾ ਨੌਇਜ਼ ਜੋੜਦਾ ਹੈ।
schedulerਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟltx2
ltx2linear_quadraticbeta
Scheduler ਚੋਣ।
accelerationਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟregular
noneregularhighfull
ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਐਕਸੈਲੇਰੇਸ਼ਨ ਪੱਧਰ।
camera_loraਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟnone
dolly_indolly_outdolly_leftdolly_rightjib_upjib_downstaticnone
ਸਿਰਜੇ ਗਏ ਵੀਡੀਓ ਵਿੱਚ camera-motion ਪ੍ਰੌਂਪਟ ਨਾਲੋਂ ਵਧੇਰੇ ਸਟੀਕ ਢੰਗ ਨਾਲ ਹਿਲਚਲ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ Camera LoRA ਚੋਣ।
camera_lora_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0 – 1
ਸਿਰਜੇ ਗਏ ਵੀਡੀਓ ਵਿੱਚ camera-motion ਪ੍ਰੌਂਪਟ ਨਾਲੋਂ ਵਧੇਰੇ ਸਟੀਕ ਢੰਗ ਨਾਲ ਹਿਲਚਲ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ Camera LoRA ਦੀ ਤਾਕਤ।
negative_promptਵਿਕਲਪਿਕ
ਕਿਸਮstring
ਡਿਫ਼ਾਲਟnews broadcast, 3d animation, computer graphics, pc game, console game, video game, cartoon, childish, watermark, logo, text, on screen text, subtitles, titles, signature, slowmo, static
ਵੀਡੀਓ ਸਿਰਜਣ ਦੌਰਾਨ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਨਕਾਰਾਤਮਕ ਪ੍ਰੌਂਪਟ।
seedਵਿਕਲਪਿਕ
ਕਿਸਮinteger | null
ਬੇਤਰਤੀਬ ਨੰਬਰ ਸਿਰਜਣਾ ਸ਼ੁਰੂ ਕਰਨ ਵਾਲੀ ਸੀਡ ਵੈਲਿਊ।
enable_prompt_expansionਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਪ੍ਰੌਂਪਟ ਵਿਸਥਾਰ ਸਮਰਥਿਤ ਹੈ ਜਾਂ ਨਹੀਂ।
enable_safety_checkerਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
ਇਹ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਸੁਰੱਖਿਆ ਜਾਂਚ ਸਮਰੱਥ ਹੈ ਜਾਂ ਨਹੀਂ।
video_output_typeਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟX264 (.mp4)
X264 (.mp4)VP9 (.webm)PRORES4444 (.mov)GIF (.gif)
ਨਤੀਜੇ ਵਾਲੀ ਵੀਡੀਓ ਦੀ ਆਉਟਪੁੱਟ ਕਿਸਮ।
video_qualityਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟhigh
lowmediumhighmaximum
ਨਤੀਜੇ ਵਾਲੀ ਵੀਡੀਓ ਦਾ ਗੁਣਵੱਤਾ ਪੱਧਰ।
video_write_modeਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟbalanced
fastbalancedsmall
ਨਤੀਜੇ ਵਾਲੀ ਵੀਡੀਓ ਦਾ ਲਿਖਣ ਮੋਡ।
distill_lora_first_pass_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ0.2
0 – 1
ਪਹਿਲੇ pass ਦੇ distill LoRA ਸਕੇਲਿੰਗ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰੋ; ਇਸਨੂੰ ਬੰਦ ਕਰਨ ਲਈ 0 ਵਰਤੋ।
distill_lora_second_pass_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ0.5
0 – 1
ਪਹਿਲੇ ਤੋਂ ਬਾਅਦ ਹਰ pass ਲਈ distill LoRA ਸਕੇਲਿੰਗ ਨਿਯੰਤਰਿਤ ਕਰੋ।
image_strengthਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0 – 1
ਵੀਡੀਓ ਸਿਰਜਣ 'ਤੇ ਚਿੱਤਰ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਤਾਕਤ।
end_image_strengthਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0 – 1
ਸਿਰਜੇ ਗਏ ਵੀਡੀਓ 'ਤੇ ਅੰਤਿਮ ਚਿੱਤਰ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਮਾਤਰਾ ਨਿਯੰਤਰਿਤ ਕਰੋ।
audio_strengthਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0 – 1
ਆਡੀਓ conditioning ਦੀ ਤਾਕਤ, ਜਿੱਥੇ ਬਿਲਕੁਲ 1.0 ਇਨਪੁੱਟ ਨੂੰ ਬਿਨਾਂ ਬਦਲਾਅ ਦੇ ਰੱਖਦਾ ਹੈ। 1.0 ਤੋਂ ਘੱਟ ਸੈਟਿੰਗਾਂ 'ਤੇ ਮਾਡਲ ਆਡੀਓ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ।
preprocess_audioਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ ਕਿ conditioning ਲਈ ਵਰਤਣ ਤੋਂ ਪਹਿਲਾਂ ਆਡੀਓ ਦੀ preprocessing ਕੀਤੀ ਜਾਵੇ ਜਾਂ ਨਹੀਂ।
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": "ltx-2.3-22b/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": 358,
    "usd": "0.358",
    "charged": 358,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "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,
      "width": 1024,
      "height": 768,
      "fps": 1.0,
      "duration": 5,
      "num_frames": 1
    },
    "seed": 42,
    "prompt": "A woman speaks to the camera"
  },
  "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, width, height, fps, duration, num_frames}ਮਾਡਲ ਵੱਲੋਂ ਤਿਆਰ ਕੀਤੀ ਵੀਡੀਓ।
seed
integerਬੇਤਰਤੀਬ ਸੰਖਿਆਵਾਂ ਦੀ ਸਿਰਜਣਾ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ seed ਮੁੱਲ।
prompt
stringਸਿਰਜਣਾ ਲਈ ਮਾਰਗਦਰਸ਼ਨ ਕਰਨ ਵਾਲਾ ਪ੍ਰੌਂਪਟ।

ਹੋਰ ਮਾਡਲ: ਲਿਪਸਿੰਕ ਅਤੇ ਅਵਤਾਰ

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/ltx-2.3-22b/audio-to-video.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt