# LTX-2.3 22B · Audio to Video API

> Bygger en video som följer ett indatas ljudspår, med valfria bilder för första och sista bildrutan samt kamera-LoRA

Kräver en `prompt` och en `audio_url`. Som standard härleds antalet bildrutor från ljudets längd (`match_audio_length`); annars används `num_frames` (9 till 481). `image_url` och `end_image_url` kan låsa första och sista bildrutan. Många samplingskontroller finns, till exempel styrkeskalor, `scheduler`, `camera_lora` och utdataformat som mp4, webm, mov och 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/sv/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 som används som grund för videogenerering. |
| `audio_url` | `audio` | string (audio URL) | yes |  |  | URL till källjudet som används för att generera videon. |
| `image_url` | `image` | string (image URL) \| null | no |  |  | Valfri bild-URL som definierar videons första bildruta. |
| `end_image_url` | `end_image` | string (image URL) \| null | no |  |  | Bild-URL som definierar videons sista bildruta. |
| `match_audio_length` |  | boolean | no | `true` |  | Växling för val av antal bildrutor: inaktiverad använder num_frames, medan aktiverad beräknar antalet från FPS och ljudets längd. |
| `num_frames` |  | integer | no | `121` | 9 – 481 | Antal bildrutor i den genererade utdatan. |
| `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` | Videodimensioner, med storlek baserad på indatafilen via 'auto' när en bild har angetts. |
| `use_multiscale` |  | boolean | no | `true` |  | Växling för flerskalig generering för bättre koherens och detaljrikedom. Med True vägleder en preliminär mindre video en andra generering vars storlek motsvarar eller överstiger de begärda dimensionerna. |
| `fps` |  | number | no | `24` | 1 – 60 | Bildfrekvens för videoutdata, mätt i bildrutor per sekund. |
| `num_inference_steps` |  | integer | no | `40` | 8 – 50 | Antal utförda inferenssteg. |
| `video_cfg_scale` |  | number | no | `3` | 1 – 20 | Videovägledningsinställning: höj den för större konsekvens och fokus i det genererade innehållet. Använder classifier-free guidance (CFG). |
| `video_stg_scale` |  | number | no | `0` | 0 – 20 | Styrning av videons konsekvens och fokus genom skalan för Spatiotemporal Guidance (STG); höj inställningen för att förstärka båda egenskaperna. |
| `video_rescaling_scale` |  | number | no | `0.7` | 0 – 1 | Omskalningsjustering för video som balanserar classifier-free guidance mot spatiotemporal guidance som ett förhållande. |
| `video_modality_scale` |  | number | no | `3` | 0 – 10 | Justering av videomodulen som balanserar video- och ljudbidrag som ett förhållande. |
| `audio_cfg_scale` |  | number | no | `7` | 1 – 20 | Ljudvägledningsinställning: höj den för större konsekvens och fokus i det genererade innehållet. Använder classifier-free guidance (CFG). |
| `audio_stg_scale` |  | number | no | `0` | 0 – 20 | Styrning av ljudets konsekvens och fokus genom skalan för Spatiotemporal Guidance (STG); höj inställningen för att förstärka båda egenskaperna. |
| `audio_rescaling_scale` |  | number | no | `0.7` | 0 – 1 | Omskalningsjustering för ljud som balanserar classifier-free guidance mot spatiotemporal guidance som ett förhållande. |
| `audio_modality_scale` |  | number | no | `3` | 0 – 10 | Justering av ljudmodulen som balanserar video- och ljudbidrag som ett förhållande. |
| `gradient_estimation_gamma` |  | number | no | `2` | 0 – 10 | Inställning för uppskattning av brusreduceringsgradienten: 0 stänger av uppskattningen; annars anger värdet gamma. |
| `use_restart_sampling` |  | boolean | no | `false` |  | Växling för omstart av sampling för potentiellt bättre videokvalitet: om den aktiveras tillförs lite brus vid varje brusreduceringssteg. |
| `scheduler` |  | enum (string) | no | `ltx2` | `ltx2`, `linear_quadratic`, `beta` | Val av schemaläggare. |
| `acceleration` |  | enum (string) | no | `regular` | `none`, `regular`, `high`, `full` | Accelerationsnivå som tillämpas på bearbetningen. |
| `camera_lora` |  | enum (string) | no | `none` | `dolly_in`, `dolly_out`, `dolly_left`, `dolly_right`, `jib_up`, `jib_down`, `static`, `none` | Val av kamera-LoRA för att styra rörelsen i den genererade videon mer exakt än enbart prompter för kamerarörelser. |
| `camera_lora_scale` |  | number | no | `1` | 0 – 1 | Kamera-LoRA-styrka för att styra rörelsen i den genererade videon mer exakt än enbart prompter för kamerarörelser. |
| `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` |  | Negativ prompt som används vid videogenerering. |
| `seed` |  | integer \| null | no |  |  | Seed-värde som initierar generering av slumptal. |
| `enable_prompt_expansion` |  | boolean | no | `true` |  | Styr om promptutökning är aktiverad. |
| `enable_safety_checker` |  | boolean | no | `true` |  | Styr om säkerhetskontroll är aktiverad. |
| `video_output_type` |  | enum (string) | no | `X264 (.mp4)` | `X264 (.mp4)`, `VP9 (.webm)`, `PRORES4444 (.mov)`, `GIF (.gif)` | Utdataformat för den resulterande videon. |
| `video_quality` |  | enum (string) | no | `high` | `low`, `medium`, `high`, `maximum` | Kvalitetsnivå för den resulterande videon. |
| `video_write_mode` |  | enum (string) | no | `balanced` | `fast`, `balanced`, `small` | Skrivläge för den resulterande videon. |
| `distill_lora_first_pass_scale` |  | number | no | `0.2` | 0 – 1 | Styr skalningen för distill-LoRA i första passet; använd 0 för att stänga av den. |
| `distill_lora_second_pass_scale` |  | number | no | `0.5` | 0 – 1 | Styr skalningen för distill-LoRA i varje pass efter det första. |
| `image_strength` |  | number | no | `1` | 0 – 1 | Bildens påverkan på videogenereringen. |
| `end_image_strength` |  | number | no | `1` | 0 – 1 | Styr hur mycket slutfotot påverkar den genererade videon. |
| `audio_strength` |  | number | no | `1` | 0 – 1 | Styrka för ljudkonditionering, där exakt 1.0 bevarar indatan oförändrad. Modellen kan ändra ljudet vid värden under 1.0. |
| `preprocess_audio` |  | boolean | no | `true` |  | Styr om ljudet förbehandlas innan det används för konditionering. |

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} | Video som produceras av modellen. |
| `seed` | integer | Seed-värde som används för att initiera genereringen av slumptal. |
| `prompt` | string | Prompt som används för att vägleda genereringen. |

## 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