# LTX Video-0.9.7 13B Distilled · Multiconditioning API

> படம் மற்றும் வீடியோ நிபந்தனையுடன் வீடியோ-வீடியோ, LoRA ஆதரவு மற்றும் விருப்ப விவரச் சுற்றுடன் கூடிய இரு-சுற்று செம்மைப்படுத்தல்

`images` மற்றும் `videos`-இல் உள்ள நிபந்தனை உள்ளீடுகளால் வழிநடத்தப்படும் தேவையான `prompt`-இலிருந்து வீடியோவை உருவாக்குகிறது. தனிப்பயன் LoRAகளை `loras`-இல் வழங்கலாம். வெளியீடு 480p அல்லது 720p; `num_frames` 9 முதல் 1441 வரையும், `frame_rate` 1 முதல் 60 வரையும் இருக்கும். முதல் மற்றும் இரண்டாம் சுற்றுகளுக்கான தனித்தனி படி எண்ணிக்கைகள், விருப்ப விவரச் சுற்று மற்றும் `temporal_adain_factor` போன்ற வண்ணக் கட்டுப்பாடுகள் முடிவைச் சரிசெய்ய உதவுகின்றன.

- Model id: `ltx-video-13b-distilled/multiconditioning`
- Made by: Lightricks
- Category: Video to Video
- Output: video
- Price per second of your output video: from $0.04 / second of output video (cheapest run $0.04 (40 API credits))
- Run: `POST https://api.doitong.ru/v1/run/ltx-video-13b-distilled/multiconditioning`
- Quote: `POST https://api.doitong.ru/v1/quote/ltx-video-13b-distilled/multiconditioning`
- Docs page: https://doitong.com/ta/developers/models/ltx-video-13b-distilled/multiconditioning

## Pricing

Price: **from $0.04 / second of output video** (the lowest tier; the quote prices your exact input). Price per second 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 $0.202 = 202 API credits (5.0417 s output video × $0.04).

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-video-13b-distilled/multiconditioning` 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

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `prompt` |  | string | yes |  |  | உருவாக்கத்திற்கு வழிகாட்டும் உரை வழிமுறைகள். |
| `negative_prompt` |  | string | no | `worst quality, inconsistent motion, blurry, jittery, distorted` |  | உருவாக்கத்திற்கான எதிர்மறை உரை வழிமுறைகள். |
| `loras` |  | array of object {path, weight_name, scale} | no | `[]` |  | உருவாக்கத்தின்போது பயன்படுத்தப்படும் LoRA எடைகள். |
| `loras[].path` |  | string | yes |  |  | URL அல்லது பாதையாக வழங்கப்படும் LoRA எடைகளின் இருப்பிடம். |
| `loras[].weight_name` |  | string \| null | no |  |  | HuggingFace repository-ல் உள்ள பல எடைகளில் ஒன்றைத் தேர்ந்தெடுப்பதற்கான LoRA எடைப் பெயர்; பல எடைகளைக் கொண்ட repository-களுக்கு மட்டுமே இது தேவை. `path` HuggingFace repository-ஐக் குறிப்பிடாவிட்டால் இந்த அமைப்பால் எந்த விளைவும் இல்லை. |
| `loras[].scale` |  | number | no | `1` | 0 – 4 | LoRA எடை ஏற்றப்படும்போது அதை அளவிடும் பெருக்கி. |
| `resolution` |  | enum (string) | no | `720p` | `480p`, `720p` | வெளியீட்டு வீடியோவின் தெளிவுத்திறன். |
| `aspect_ratio` |  | enum (string) | no | `auto` | `9:16`, `1:1`, `16:9`, `auto` | வீடியோவின் aspect ratio. |
| `seed` |  | integer \| null | no |  |  | உருவாக்கத்தின்போது சீரற்ற தன்மையைக் கட்டுப்படுத்தும் விதை. |
| `num_frames` |  | integer | no | `121` | 9 – 1,441 | வீடியோவின் மொத்த ஃப்ரேம் எண்ணிக்கை. |
| `first_pass_num_inference_steps` |  | integer | no | `8` | 2 – 12 | முதல் கட்டத்திற்கான ஊகப் படிகளின் எண்ணிக்கை. |
| `second_pass_num_inference_steps` |  | integer | no | `8` | 2 – 12 | இரண்டாம் கட்டத்திற்கான ஊகப் படிகளின் எண்ணிக்கை. |
| `second_pass_skip_initial_steps` |  | integer | no | `5` | 1 – 11 | இரண்டாம் கட்டத்தில் தவிர்க்க வேண்டிய தொடக்க ஊகப் படிகளின் எண்ணிக்கை; இதனால் அந்தக் கட்டம் பெரிய அளவிலான மாற்றங்களுக்குப் பதிலாக நுணுக்கமான விவரங்களில் கவனம் செலுத்தும். |
| `frame_rate` |  | integer | no | `24` | 1 – 60 | வீடியோவின் ஃப்ரேம் வீதம். |
| `expand_prompt` |  | boolean | no | `false` |  | மொழி மாதிரி மூலம் ப்ராம்ப்ட்டை விரிவாக்குதல். |
| `reverse_video` |  | boolean | no | `false` |  | வீடியோவின் இயக்க வரிசையைத் தலைகீழாக்குதல். |
| `enable_safety_checker` |  | boolean | no | `true` |  | அங்கீகரிக்கப்பட்ட கணக்குகளுக்கு மட்டுமே off அமைப்பு செயல்படும் பாதுகாப்புச் சரிபார்ப்பு சுவிட்ச். அந்த அங்கீகாரம் இல்லாத அனைத்து கோரிக்கைகளும் பாதுகாப்புச் சரிபார்ப்புக்கு உட்படும். |
| `enable_detail_pass` |  | boolean | no | `false` |  | இயக்கப்பட்டால் வீடியோ விவரங்களை மேம்படுத்தும் விருப்ப இரண்டாம் சீரமைப்புக் கட்டம். |
| `temporal_adain_factor` |  | number | no | `0.5` | 0 – 1 | Adaptive instance normalization (AdaIN) வலிமை; அதிக அமைப்புகளில் நிறச் சீரான தன்மைக்கும் குறைந்த அமைப்புகளில் அதிக நிற மாறுபாட்டிற்கும் இடையில் சமநிலைப்படுத்துகிறது. முதல் துண்டைத் தவிர உருவாக்கப்பட்ட துண்டுகளில் இது செயல்பட்டு, வீடியோ முழுவதும் நிறப் பகிர்வுகளை இயல்பாக்கி, படிப்படியாக அதிகரிக்கும் செறிவு அல்லது மாறுபாட்டை எதிர்கொள்ள உதவுகிறது. |
| `tone_map_compression_ratio` |  | number | no | `0` | 0 – 1 | நிறத் தொனி வரைபடச் சுருக்க நிலை; 0.0 இல் சுருக்கமின்றி இருந்து 1.0 இல் அதிகபட்ச சுருக்கம் வரை இருக்கும். இவ்வாறு வீடியோவின் இயக்க வரம்பைச் சுருக்குவது காட்சித் தரத்தை மேம்படுத்துகிறது. |
| `constant_rate_factor` |  | integer | no | `29` | 0 – 51 | உள்ளீட்டுச் சுருக்கத்திற்குப் பயன்படுத்தப்படும் Constant rate factor (CRF); வழங்கப்பட்ட ஊடகத்தை மாதிரியின் பயிற்சித் தரவுக்கு நெருக்கமாக்குவதன் மூலம் இயக்கத் தரத்தை மேம்படுத்தலாம். |
| `images` |  | array of object {image_url, start_frame_num, strength} | no | `[]` |  | URL மூலம் வழங்கப்படும் கண்டிஷனிங் படங்கள். |
| `images[].image_url` |  | string (image URL) | yes |  |  | URL மூலம் வழங்கப்படும் கண்டிஷனிங் படம். |
| `images[].start_frame_num` |  | integer | no | `0` | 0 – 1,440 | படக் கண்டிஷனிங் தொடக்க நிலை, 8-ஆல் வகுபடும் ஃப்ரேம் எண்ணைப் பயன்படுத்திக் குறிப்பிடப்படுகிறது. |
| `images[].strength` |  | number | no | `1` | 0 – 1 | கண்டிஷனிங் தீவிரம்: 0.0 கண்டிஷனிங்கை முடக்கும்; 1.0 அதை முழுமையாகப் பயன்படுத்தும். |
| `videos` |  | array of object {video_url, conditioning_type, preprocess, start_frame_num, strength, limit_num_frames, max_num_frames, resample_fps, target_fps, reverse_video} | no | `[]` |  | கண்டிஷனிங்கிற்காக வழங்கப்படும் வீடியோக்கள். |
| `videos[].video_url` |  | string (video URL) | yes |  |  | URL மூலம் வழங்கப்படும் கண்டிஷனிங் வீடியோ. |
| `videos[].conditioning_type` |  | enum (string) \| null | no | `rgb` | `rgb`, `depth`, `pose`, `canny` | முன்செயலாக்கம் இயக்கப்பட்டிருக்கும்போது முன்செயலாக்கக் குழாயைத் தேர்ந்தெடுக்கவும், சூழல் சார்ந்த LoRA எடைகளைச் சரியாகப் பயன்படுத்தவும் பயன்படுத்தப்படும் வீடியோ கண்டிஷனிங் வகை. |
| `videos[].preprocess` |  | boolean | no | `false` |  | வீடியோவின் கண்டிஷனிங் வகையுடன் பொருந்துமாறு முன்செயலாக்கத்தை இயக்குகிறது. RGB கண்டிஷனிங்கிற்கு இதை இயக்குவது எந்த மாற்றத்தையும் செய்யாது. |
| `videos[].start_frame_num` |  | integer | no | `0` | 0 – 1,440 | வீடியோவில் கண்டிஷனிங் தொடங்கும் நிலை, 8-ஆல் வகுபடும் ஃப்ரேம் எண்ணாகக் குறிப்பிடப்படுகிறது. |
| `videos[].strength` |  | number | no | `1` | 0 – 1 | கண்டிஷனிங் தீவிரம்: 0.0 கண்டிஷனிங்கை முடக்கும்; 1.0 அதை முழுமையாகப் பயன்படுத்தும். |
| `videos[].limit_num_frames` |  | boolean | no | `false` |  | வீடியோ ஃப்ரேம்-வரம்பு சுவிட்ச்: இயக்கப்பட்டால், வீடியோவிலிருந்து எடுக்கப்படும் ஃப்ரேம்களின் உச்ச வரம்பாக `max_num_frames` அமையும். |
| `videos[].max_num_frames` |  | integer | no | `1441` | 1 – 1,441 | வீடியோ ஃப்ரேம் பயன்பாட்டு வரம்பு; None வரையறுக்கப்பட்ட ஃப்ரேம் எண்ணுக்குப் பதிலாக முழு வீடியோவையும் தேர்ந்தெடுக்கும். |
| `videos[].resample_fps` |  | boolean | no | `false` |  | வீடியோ ஃப்ரேம்-வீத மாற்றுச் சுவிட்ச்: இயக்கப்பட்டால், `target_fps` இல் குறிப்பிடப்பட்ட வீதத்தில் வீடியோ மறுமாதிரியாக்கப்படும். |
| `videos[].target_fps` |  | integer | no | `24` | 1 – 60 | FPS இல் மறுமாதிரியாக்கும் ஃப்ரேம் வீதம்; `resample_fps` இயக்கப்பட்டால் மட்டுமே பொருந்தும். |
| `videos[].reverse_video` |  | boolean | no | `false` |  | ஃப்ரேம்களைப் பின்நோக்கிப் பின்பற்ற வேண்டிய கண்டிஷனிங் பணிகளுக்கான வீடியோ வரிசைத் தலைகீழாக்கம். |

## Example input

Required parameters only:

```json
{
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
}
```

A fuller example:

```json
{
  "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
}
```

## 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-video-13b-distilled/multiconditioning?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"
  }'

# 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-video-13b-distilled/multiconditioning?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"
  }),
});
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",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/ltx-video-13b-distilled/multiconditioning", 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-video-13b-distilled/multiconditioning",
      "input": {
        "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
      },
      "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-video-13b-distilled/multiconditioning",
  "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": 202,
    "usd": "0.202",
    "charged": 202,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  },
  "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
    },
    "prompt": "A vibrant, abstract composition featuring a person with outstretched arms, rendered in a kaleidoscope of colors against a deep, dark background. The figure is composed of intricate, swirling patterns reminiscent of a mosaic, with hues of orange, yellow, blue, and green that evoke the style of artists such as Wassily Kandinsky or Bridget Riley. The camera zooms into the face striking portrait of a man, reimagined through the lens of old-school video-game graphics. The subject's face is rendered in a kaleidoscope of colors, with bold blues and reds set against a vibrant yellow backdrop. His dark hair is pulled back, framing his profile in a dramatic pose.",
    "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `video` | object {url, content_type, file_name, file_size} | உருவாக்கத்தால் தயாரிக்கப்படும் வீடியோ கோப்பு. |
| `prompt` | string | வெளியீட்டை உருவாக்கப் பயன்படுத்தப்பட்ட ப்ராம்ப்ட். |
| `seed` | integer | உருவாக்கத்தின்போது பயன்படுத்தப்படும் விதை மதிப்பு. |

## Related models

- [LTX Video-0.9.7 13B Distilled](https://doitong.com/developers/models/ltx-video-13b-distilled.md) (`ltx-video-13b-distilled`): from $0.04 / second of output video
- [LTX Video-0.9.7 13B Distilled · Image to Video](https://doitong.com/developers/models/ltx-video-13b-distilled/image-to-video.md) (`ltx-video-13b-distilled/image-to-video`): from $0.04 / second of output video
- [LTX Video-0.9.7 13B Distilled · Extend](https://doitong.com/developers/models/ltx-video-13b-distilled/extend.md) (`ltx-video-13b-distilled/extend`): $0.04 / video
- [Ltx 2.3](https://doitong.com/developers/models/ltx-2.3/reframe.md) (`ltx-2.3/reframe`): from $0.10 / second of input 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 Quality · Clean Plate](https://doitong.com/developers/models/ltx-2.3-quality/clean-plate.md) (`ltx-2.3-quality/clean-plate`): $0.00241 / megapixel of output video
- [Ltx 2.3 Quality · Colorization](https://doitong.com/developers/models/ltx-2.3-quality/colorization.md) (`ltx-2.3-quality/colorization`): $0.00241 / megapixel of output video
- [Ltx 2.3 Quality · Cross Eyed](https://doitong.com/developers/models/ltx-2.3-quality/cross-eyed.md) (`ltx-2.3-quality/cross-eyed`): $0.00241 / megapixel of output video

## Links

- HTML page: https://doitong.com/developers/models/ltx-video-13b-distilled/multiconditioning
- 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-video-13b-distilled/multiconditioning
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.ru/v1/models/ltx-video-13b-distilled/multiconditioning