# LTX-2.3 22B · Audio to Video API

> Tworzy film zgodny z wejściową ścieżką audio, z opcjonalnymi obrazami pierwszej i ostatniej klatki oraz LoRA kamery

Wymaga `prompt` i `audio_url`. Domyślnie liczba klatek jest wyprowadzana z długości audio (`match_audio_length`); w przeciwnym razie stosuje się `num_frames` (od 9 do 481). `image_url` i `end_image_url` mogą ustalić pierwszą i ostatnią klatkę. Udostępnia wiele elementów sterujących próbkowaniem, takich jak skale sterowania, `scheduler`, `camera_lora` oraz formaty wyniku, w tym mp4, webm, mov i GIF.

- Model id: `ltx-2.3-22b/audio-to-video`
- Made by: Lightricks
- Category: Lipsync & Avatars
- Output: video
- Price per megapixel of your output video: $0.00161 / megapixel of output video (cheapest run $0.002 (2 API credits))
- Run: `POST https://api.doitong.ru/v1/run/ltx-2.3-22b/audio-to-video`
- Quote: `POST https://api.doitong.ru/v1/quote/ltx-2.3-22b/audio-to-video`
- Docs page: https://doitong.com/pl/developers/models/ltx-2.3-22b/audio-to-video

## Pricing

Price: **$0.00161 / megapixel of output video**. Price per megapixel of your output video: the input files are measured before the run (length, resolution, frame rate). The quote measures the same files and is exactly what the run charges.

The full example input below costs $0.358 = 358 API credits (223 MP output video × $0.001605).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.ru/v1/quote/ltx-2.3-22b/audio-to-video` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

Send either the canonical name or the native field name (not both). Canonical names are the same across models.

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `prompt` |  | string | yes |  |  | Prompt używany jako podstawa generowania wideo. |
| `audio_url` | `audio` | string (audio URL) | yes |  |  | URL audio źródłowego używanego do generowania wideo. |
| `image_url` | `image` | string (image URL) \| null | no |  |  | Opcjonalny URL obrazu określającego klatkę otwierającą wideo. |
| `end_image_url` | `end_image` | string (image URL) \| null | no |  |  | URL obrazu określającego klatkę końcową wideo. |
| `match_audio_length` |  | boolean | no | `true` |  | Przełącznik wyboru liczby klatek: wyłączony używa num_frames, a włączony oblicza liczbę na podstawie FPS i czasu trwania audio. |
| `num_frames` |  | integer | no | `121` | 9 – 481 | Liczba klatek generowanego wyniku. |
| `video_size` |  | object {width, height} \| enum (string) | no | `landscape_16_9` | `auto`, `square_hd`, `square`, `portrait_4_3`, `portrait_16_9`, `landscape_4_3`, `landscape_16_9` | Wymiary wideo; przy przekazaniu obrazu rozmiar obrazu wejściowego można uzyskać przez 'auto'. |
| `use_multiscale` |  | boolean | no | `true` |  | Przełącznik generowania wieloskalowego poprawiającego spójność i szczegółowość. Przy wartości True wstępne mniejsze wideo kieruje drugim generowaniem, którego rozmiar spełnia lub przekracza żądane wymiary. |
| `fps` |  | number | no | `24` | 1 – 60 | Liczba klatek wideo wynikowego, mierzona w klatkach na sekundę. |
| `num_inference_steps` |  | integer | no | `40` | 8 – 50 | Liczba wykonanych kroków inferencji. |
| `video_cfg_scale` |  | number | no | `3` | 1 – 20 | Ustawienie sterowania wideo: zwiększ je, aby uzyskać większą spójność i wyrazistość generowanej treści. Używa classifier-free guidance (CFG). |
| `video_stg_scale` |  | number | no | `0` | 0 – 20 | Kontrola spójności i wyrazistości wideo za pomocą skali Spatiotemporal Guidance (STG); zwiększ ustawienie, aby wzmocnić obie cechy. |
| `video_rescaling_scale` |  | number | no | `0.7` | 0 – 1 | Regulacja przeskalowania wideo równoważąca classifier-free guidance i spatiotemporal guidance jako proporcję. |
| `video_modality_scale` |  | number | no | `3` | 0 – 10 | Regulacja modalności wideo równoważąca udział wideo i audio jako proporcję. |
| `audio_cfg_scale` |  | number | no | `7` | 1 – 20 | Ustawienie sterowania audio: zwiększ je, aby uzyskać większą spójność i wyrazistość generowanej treści. Używa classifier-free guidance (CFG). |
| `audio_stg_scale` |  | number | no | `0` | 0 – 20 | Kontrola spójności i wyrazistości audio za pomocą skali Spatiotemporal Guidance (STG); zwiększ ustawienie, aby wzmocnić obie cechy. |
| `audio_rescaling_scale` |  | number | no | `0.7` | 0 – 1 | Regulacja przeskalowania audio równoważąca classifier-free guidance i spatiotemporal guidance jako proporcję. |
| `audio_modality_scale` |  | number | no | `3` | 0 – 10 | Regulacja modalności audio równoważąca udział wideo i audio jako proporcję. |
| `gradient_estimation_gamma` |  | number | no | `2` | 0 – 10 | Ustawienie szacowania gradientu odszumiania: 0 wyłącza szacowanie; w przeciwnym razie wartość określa gamma. |
| `use_restart_sampling` |  | boolean | no | `false` |  | Przełącznik ponownego próbkowania zapewniającego potencjalnie lepszą jakość wideo: jego włączenie dodaje niewielki szum przy każdym kroku odszumiania. |
| `scheduler` |  | enum (string) | no | `ltx2` | `ltx2`, `linear_quadratic`, `beta` | Wybór schedulera. |
| `acceleration` |  | enum (string) | no | `regular` | `none`, `regular`, `high`, `full` | Poziom akceleracji zastosowany do przetwarzania. |
| `camera_lora` |  | enum (string) | no | `none` | `dolly_in`, `dolly_out`, `dolly_left`, `dolly_right`, `jib_up`, `jib_down`, `static`, `none` | Wybór LoRA kamery do precyzyjniejszego sterowania ruchem w generowanym wideo niż za pomocą samych promptów dotyczących ruchu kamery. |
| `camera_lora_scale` |  | number | no | `1` | 0 – 1 | Siła LoRA kamery do precyzyjniejszego sterowania ruchem w generowanym wideo niż za pomocą samych promptów dotyczących ruchu kamery. |
| `negative_prompt` |  | string | no | `news broadcast, 3d animation, computer graphics, pc game, console game, video game, cartoon, childish, watermark, logo, text, on screen text, subtitles, titles, signature, slowmo, static` |  | Negatywny prompt używany podczas generowania wideo. |
| `seed` |  | integer \| null | no |  |  | Wartość ziarna inicjująca generowanie liczb losowych. |
| `enable_prompt_expansion` |  | boolean | no | `true` |  | Określa, czy rozwijanie promptu jest włączone. |
| `enable_safety_checker` |  | boolean | no | `true` |  | Określa, czy sprawdzanie bezpieczeństwa jest włączone. |
| `video_output_type` |  | enum (string) | no | `X264 (.mp4)` | `X264 (.mp4)`, `VP9 (.webm)`, `PRORES4444 (.mov)`, `GIF (.gif)` | Typ wynikowego wideo. |
| `video_quality` |  | enum (string) | no | `high` | `low`, `medium`, `high`, `maximum` | Poziom jakości wynikowego wideo. |
| `video_write_mode` |  | enum (string) | no | `balanced` | `fast`, `balanced`, `small` | Tryb zapisu wynikowego wideo. |
| `distill_lora_first_pass_scale` |  | number | no | `0.2` | 0 – 1 | Steruje skalowaniem LoRA destylacji pierwszego przejścia; wartość 0 ją wyłącza. |
| `distill_lora_second_pass_scale` |  | number | no | `0.5` | 0 – 1 | Steruje skalowaniem LoRA destylacji dla każdego przejścia po pierwszym. |
| `image_strength` |  | number | no | `1` | 0 – 1 | Siła wpływu obrazu na generowanie wideo. |
| `end_image_strength` |  | number | no | `1` | 0 – 1 | Kontroluje wpływ obrazu końcowego na generowane wideo. |
| `audio_strength` |  | number | no | `1` | 0 – 1 | Siła warunkowania audio; dokładnie 1.0 zachowuje dane wejściowe bez zmian. Przy wartościach poniżej 1.0 model może modyfikować audio. |
| `preprocess_audio` |  | boolean | no | `true` |  | Określa, czy audio jest wstępnie przetwarzane przed użyciem do warunkowania. |

File parameters (`audio`, `image`, `end_image`) take a public `https://` URL, a `data:` URI up to 10 MB, or the `file_url` of an upload from `POST /files`.

## Example input

Required parameters only:

```json
{
  "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"
}
```

A fuller example:

```json
{
  "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"
}
```

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# 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_url": "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"
```

### JavaScript

```javascript
const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/ltx-2.3-22b/audio-to-video?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "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"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");
```

### Python

```python
import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "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",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/ltx-2.3-22b/audio-to-video", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])
```

### MCP

The MCP server at `https://api.doitong.ru/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "ltx-2.3-22b/audio-to-video",
      "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"
      },
      "wait_seconds": 20
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `video` | object {url, content_type, file_name, file_size, width, height, fps, duration, num_frames} | Wideo utworzone przez model. |
| `seed` | integer | Wartość ziarna używana do inicjalizacji generowania liczb losowych. |
| `prompt` | string | Prompt używany do kierowania generowaniem. |

## Related models

- [LTX-2.3 22B · Text to Video](https://doitong.com/developers/models/ltx-2.3-22b/text-to-video.md) (`ltx-2.3-22b/text-to-video`): $0.00161 / megapixel of output video
- [LTX-2.3 22B · Text to Video · LoRA](https://doitong.com/developers/models/ltx-2.3-22b/text-to-video/lora.md) (`ltx-2.3-22b/text-to-video/lora`): $0.00181 / megapixel of output video
- [LTX-2.3 22B · Image to Video](https://doitong.com/developers/models/ltx-2.3-22b/image-to-video.md) (`ltx-2.3-22b/image-to-video`): $0.00161 / megapixel of output video
- [LTX-2.3 22B · Image to Video · LoRA](https://doitong.com/developers/models/ltx-2.3-22b/image-to-video/lora.md) (`ltx-2.3-22b/image-to-video/lora`): $0.00181 / megapixel of output video
- [LTX 2.3 22B](https://doitong.com/developers/models/ltx-2.3-22b/reference-video-to-video/lora.md) (`ltx-2.3-22b/reference-video-to-video/lora`): $0.00181 / megapixel of output video
- [LTX-2.3 22B · Extend Video](https://doitong.com/developers/models/ltx-2.3-22b/extend-video.md) (`ltx-2.3-22b/extend-video`): $0.00161 / megapixel of output video
- [LTX-2.3 22B · Extend Video · LoRA](https://doitong.com/developers/models/ltx-2.3-22b/extend-video/lora.md) (`ltx-2.3-22b/extend-video/lora`): $0.00181 / megapixel of output video
- [LTX-2.3 22B · Reference Video to Video](https://doitong.com/developers/models/ltx-2.3-22b/reference-video-to-video.md) (`ltx-2.3-22b/reference-video-to-video`): $0.00161 / megapixel of output video

## Links

- HTML page: https://doitong.com/developers/models/ltx-2.3-22b/audio-to-video
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=ltx-2.3-22b/audio-to-video
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.ru/v1/models/ltx-2.3-22b/audio-to-video