Przejdź do treści

Wan-2.2 Speech-to-Video 14B

Integracja

Identyfikator modelu 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"

Pliki takie jak przykład: 0,50 $ 500 kredytów API · ≈ 53,79 ₽ Twoje pliki są mierzone przed uruchomieniem Uruchom na tej stronie

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

Tworzy mówiący film z nieruchomego obrazu i pliku audio na podstawie tekstowego promptu

Utworzone w Doitong

Publiczne prace utworzone za pomocą Wan v22 Large przez społeczność Doitong. Użyj ponownie promptu jednym kliknięciem.

Pokazane publiczne prace: 3
Создай 30-секундный обучающий музыкальный ролик для детей 3–5 лет. Тема: транспорт. Яркая 2D-аним... Wideo

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... Wideo

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... Wideo

# 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...

Zbuduj żądanie

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

•wymagane

Prompt tekstowy użyty do wygenerowania wideo.

•wymagane image_url
Upuść plik lub

URL obrazu źródłowego; wybrany współczynnik proporcji określa, czy potrzebne jest przetwarzanie wstępne: niezgodność powoduje zmianę rozmiaru, a następnie centralne kadrowanie.

•wymagane audio_url
Upuść plik lub

URL pliku audio.

resolution domyślnie 480p

Rozdzielczość wynikowego wideo: 480p, 580p lub 720p.

domyślnie 80

Wybierz wielokrotność 4 w zakresie 40–120, aby ustawić liczbę generowanych klatek.

Zaawansowane negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
domyślnie

Negatywny prompt stosowany podczas generowania wideo.

video_quality domyślnie high

Ustawienie jakości wynikowego wideo, które wraz ze wzrostem wartości wymienia większe pliki na lepszą oprawę wizualną.

video_write_mode domyślnie balanced

Tryb zapisu wideo, gdzie 'balanced' oferuje kompromis między prędkością a jakością. Wybierz 'small' dla najmniejszych plików i najwolniejszego zapisu; szybszy zapis zwraca wyniki wcześniej, ale tworzy większe pliki.

domyślnie 16

Liczba klatek na sekundę wygenerowanego wideo, przyjmująca wartości od 4 do 60; ustawienie `adjust_fps_for_interpolation` na false zachowuje tę wartość bez zmian. Przy użyciu interpolacji i `adjust_fps_for_interpolation` ustawionym na true (wartość domyślna), pomnóż tę wartość przez jeden plus liczba interpolowanych klatek, aby uzyskać końcowe FPS. Na przykład 16 FPS z 1 interpolowaną klatką daje 32 FPS.

domyślnie 27

Liczba kroków próbkowania; większa liczba oznacza dłuższe przetwarzanie, ale lepszą jakość.

domyślnie 3.5

Siła sterowania bez klasyfikatora, poświęcająca potencjalną jakość na rzecz dokładniejszego dopasowania do promptu wraz ze wzrostem skali.

domyślnie 5

Ustawienie przesunięcia (shift) wideo, z dozwolonym zakresem 1.0–10.0.

Ziarno zapewniające powtarzalność generowania. Ustawienie None wybiera ziarno losowo.

POST /run/wan/v2.2-14b/speech-to-video?wait=20 wycena → 0,50 $
# 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"

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 Wan-2.2 Speech-to-Video 14B

Wymaga `prompt`, źródłowego `image_url` i `audio_url`, a następnie tworzy wideo przedstawiające obiekt z obrazu, sterowany przez audio. `num_frames` mieści się w zakresie od 40 do 120, w wielokrotnościach 4, przy domyślnej wartości 16 fps. `resolution` może wynosić 480p, 580p lub 720p. Można regulować kroki próbkowania, sterowanie, interpolację oraz `negative_prompt`.

Parametry

Wyślij nazwę kanoniczną albo natywną, nie obie. Nazwy kanoniczne

NazwaTyp DomyślneDozwolone Opis
promptwymagane
Typstring
Prompt tekstowy użyty do wygenerowania wideo.
negative_promptopcjonalne
Typstring
Domyślne
Negatywny prompt stosowany podczas generowania wideo.
num_framesopcjonalne
Typinteger
Domyślne80
40 – 120
Wybierz wielokrotność 4 w zakresie 40–120, aby ustawić liczbę generowanych klatek.
frames_per_secondopcjonalne
Typinteger | null
Domyślne16
4 – 60
Liczba klatek na sekundę wygenerowanego wideo, przyjmująca wartości od 4 do 60; ustawienie `adjust_fps_for_interpolation` na false zachowuje tę wartość bez zmian. Przy użyciu interpolacji i `adjust_fps_for_interpolation` ustawionym na true (wartość domyślna), pomnóż tę wartość przez jeden plus liczba interpolowanych klatek, aby uzyskać końcowe FPS. Na przykład 16 FPS z 1 interpolowaną klatką daje 32 FPS.
seedopcjonalne
Typinteger | null
Ziarno zapewniające powtarzalność generowania. Ustawienie None wybiera ziarno losowo.
resolutionopcjonalne
Typenum
Domyślne480p
480p580p720p
Rozdzielczość wynikowego wideo: 480p, 580p lub 720p.
num_inference_stepsopcjonalne
Typinteger
Domyślne27
2 – 40
Liczba kroków próbkowania; większa liczba oznacza dłuższe przetwarzanie, ale lepszą jakość.
enable_safety_checkeropcjonalne
Typboolean
Domyślnefalse
Filtrowanie bezpieczeństwa danych wejściowych przed przetwarzaniem, które mogą wyłączyć tylko autoryzowane konta. Żądania bez autoryzacji są zawsze filtrowane; w przeciwnym razie true włącza filtrowanie.
enable_output_safety_checkeropcjonalne
Typboolean
Domyślnefalse
Kontroluje filtrowanie bezpieczeństwa wygenerowanego wideo; ustawienie true włącza sprawdzenie po generowaniu.
guidance_scaleopcjonalne
Typnumber
Domyślne3.5
1 – 10
Siła sterowania bez klasyfikatora, poświęcająca potencjalną jakość na rzecz dokładniejszego dopasowania do promptu wraz ze wzrostem skali.
shiftopcjonalne
Typnumber
Domyślne5
1 – 10
Ustawienie przesunięcia (shift) wideo, z dozwolonym zakresem 1.0–10.0.
video_qualityopcjonalne
Typenum
Domyślnehigh
lowmediumhighmaximum
Ustawienie jakości wynikowego wideo, które wraz ze wzrostem wartości wymienia większe pliki na lepszą oprawę wizualną.
video_write_modeopcjonalne
Typenum
Domyślnebalanced
fastbalancedsmall
Tryb zapisu wideo, gdzie 'balanced' oferuje kompromis między prędkością a jakością. Wybierz 'small' dla najmniejszych plików i najwolniejszego zapisu; szybszy zapis zwraca wyniki wcześniej, ale tworzy większe pliki.
image_urlwymagane image
Typurl · image
URL obrazu źródłowego; wybrany współczynnik proporcji określa, czy potrzebne jest przetwarzanie wstępne: niezgodność powoduje zmianę rozmiaru, a następnie centralne kadrowanie.
audio_urlwymagane audio
Typurl · audio
URL pliku audio.
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": "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"
  }
}
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.

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/wan/v2.2-14b/speech-to-video.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt