Przejdź do treści

Longcat Single Avatar · Audio to Video

Integracja

Identyfikator modelu longcat-single-avatar/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/audio-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

Pliki takie jak przykład: 0,90 $ 900 kredytów API · ≈ 96,82 ₽ Twoje pliki są mierzone przed uruchomieniem Uruchom na tej stronie

Uzyskaj klucz API
Meituan Synchronizacja ruchu ust i awatary Synchronizacja ruchu ustdo 720p #audio-to-video

Tworzy film z mówiącym awatarem wyłącznie na podstawie pliku audio i promptu tekstowego, bez obrazu źródłowego

Meituan · Wideo

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

domyślnie A person is talking n...

Prompt sterujący generowaniem wideo.

•wymagane audio_url
Upuść plik lub

URL pliku audio używanego do sterowania awatarem.

resolution domyślnie 480p

Rozdzielczość wideo wynikowego: 480p lub 720p.

domyślnie 1

Liczba segmentów wideo: około 5.8s dla pierwszego segmentu i 5s dla każdego kolejnego — około 5 sekund wideo na segment.

Zaawansowane negative_prompt · num_inference_steps · text_guidance_scale · audio_guidance_scale · seed · enable_safety_checker · enable_prompt_expansion
domyślnie Close-up, Bright tone...

Negatywny prompt określający, czego generowanie wideo powinno unikać.

domyślnie 50

Liczba wykonanych kroków inferencji.

domyślnie 4

Skala sterowania tekstem stosowana w classifier-free guidance.

domyślnie 4

Regulacja sterowania audio, która po zwiększeniu może wyolbrzymiać ruch ust.

Wartość ziarna inicjująca generowanie liczb losowych.

POST /run/longcat-single-avatar/audio-to-video?wait=20 wycena → 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/audio-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Longcat Single Avatar · Audio to Video

Generuje film z awatarem i synchronizacją ust na podstawie `audio_url` oraz `prompt` opisującego osobę. Wynik ma rozdzielczość 480p lub 720p. `num_segments` (od 1 do 10) określa długość: pierwszy segment trwa około 5.8 sekundy, a każdy kolejny dodaje 5 sekund. `audio_guidance_scale` (od 1 do 10) steruje siłą wpływu mowy na usta; wyższe wartości mogą przesadnie zwiększać ruch.

Parametry

Wyślij nazwę kanoniczną albo natywną, nie obie. Nazwy kanoniczne

NazwaTyp DomyślneDozwolone Opis
audio_urlwymagane audio
Typurl · audio
URL pliku audio używanego do sterowania awatarem.
promptopcjonalne
Typstring
DomyślneA person is talking naturally with natural expressions and movements.
Prompt sterujący generowaniem wideo.
negative_promptopcjonalne
Typstring
DomyślneClose-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
Negatywny prompt określający, czego generowanie wideo powinno unikać.
num_inference_stepsopcjonalne
Typinteger
Domyślne50
10 – 100
Liczba wykonanych kroków inferencji.
text_guidance_scaleopcjonalne
Typnumber
Domyślne4
1 – 10
Skala sterowania tekstem stosowana w classifier-free guidance.
audio_guidance_scaleopcjonalne
Typnumber
Domyślne4
1 – 10
Regulacja sterowania audio, która po zwiększeniu może wyolbrzymiać ruch ust.
resolutionopcjonalne
Typenum
Domyślne480p
480p720p
Rozdzielczość wideo wynikowego: 480p lub 720p.
num_segmentsopcjonalne
Typinteger
Domyślne1
1 – 10
Liczba segmentów wideo: około 5.8s dla pierwszego segmentu i 5s dla każdego kolejnego — około 5 sekund wideo na segment.
seedopcjonalne
Typinteger | null
Wartość ziarna inicjująca generowanie liczb losowych.
enable_safety_checkeropcjonalne
Typboolean
Domyślnetrue
Przełącznik kontroli bezpieczeństwa zależny od uprawnień konta: kontrole pozostają obowiązkowe dla nieautoryzowanych żądań, a ich wyłączenie wymaga autoryzacji.
enable_prompt_expansionopcjonalne
Typboolean
Domyślnefalse
Przełącznik rozszerzania promptu przez LLM w celu poprawy jakości wideo za pomocą ulepszonego promptu.
wymagane Nazwa kanoniczna, również akceptowana

Parametry plików przyjmują publiczny URL https://, identyfikator URI data: do 10 MB albo file_url przesłanego pliku. Pliki

Wynik

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "longcat-single-avatar/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": {
    "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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
video
object {url, content_type, file_name, file_size}Plik wideo utworzony podczas generowania.
seed
integerWartość ziarna stosowana podczas generowania.

Więcej modeli: Synchronizacja ruchu ust i awatary

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/longcat-single-avatar/audio-to-video.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt