# Wan-2.2 Speech-to-Video 14B API

> நிலையான படம் மற்றும் ஆடியோ கோப்பிலிருந்து, உரைப் ப்ராம்ப்டின் வழிகாட்டுதலுடன் பேசும் வீடியோவை உருவாக்குகிறது

`prompt`, மூல `image_url` மற்றும் `audio_url` தேவை; ஒலியால் இயக்கப்படும் படத்தில் உள்ள பொருளின் வீடியோவை உருவாக்குகிறது. `num_frames` 40 முதல் 120 வரை, 4-ன் மடங்குகளில், இயல்புநிலையாக 16 fps-இல் இருக்கும். `resolution` 480p, 580p அல்லது 720p ஆக இருக்கலாம். மாதிரியாக்கப் படிகள், வழிகாட்டல், இடைச்செருகல் மற்றும் `negative_prompt` ஆகியவற்றைச் சரிசெய்யலாம்.

- Model id: `wan/v2.2-14b/speech-to-video`
- Made by: Alibaba
- Category: Lipsync & Avatars
- Output: video
- Price per second of your output video: from $0.10 / second of output video (cheapest run $0.10 (100 API credits))
- Run: `POST https://api.doitong.ru/v1/run/wan/v2.2-14b/speech-to-video`
- Quote: `POST https://api.doitong.ru/v1/quote/wan/v2.2-14b/speech-to-video`
- Docs page: https://doitong.com/ta/developers/models/wan/v2.2-14b/speech-to-video

## Pricing

Price: **from $0.10 / 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.

Price by tier:

- 480p: $0.10 / second of output video
- 580p: $0.15 / second of output video
- 720p: $0.20 / second of output video

The full example input below costs $0.50 = 500 API credits (5 s output video × $0.10 (480p)).

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/wan/v2.2-14b/speech-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 |  |  | வீடியோவை உருவாக்கப் பயன்படுத்தப்படும் உரைப் ப்ராம்ப்ட். |
| `negative_prompt` |  | string | no | `` |  | வீடியோ உருவாக்கும்போது பயன்படுத்தப்படும் எதிர்மறை ப்ராம்ப்ட். |
| `num_frames` |  | integer | no | `80` | 40 – 120 | 40–120 வரம்பிற்குள் 4-ன் மடங்கொன்றைத் தேர்ந்தெடுத்து உருவாக்கப்படும் ஃப்ரேம்களின் எண்ணிக்கையை அமைக்கவும். |
| `frames_per_second` |  | integer \| null | no | `16` | 4 – 60 | உருவாக்கப்பட்ட வீடியோவின் ஃப்ரேம் வீதம்; 4 முதல் 60 வரையிலான மதிப்புகளை ஏற்கும். `adjust_fps_for_interpolation` false என அமைத்தால் இந்த வீதம் மாற்றமின்றி பாதுகாக்கப்படும். interpolation பயன்படுத்தப்பட்டு `adjust_fps_for_interpolation` true ஆக இருந்தால் (அதன் இயல்புநிலை), இறுதி FPS-ஐப் பெற இந்த வீதத்தை interpolation செய்யப்பட்ட ஃப்ரேம்களின் எண்ணிக்கை ஒன்றுடன் கூட்டிய மதிப்பால் பெருக்கவும். எடுத்துக்காட்டாக, 1 interpolation செய்யப்பட்ட ஃப்ரேமுடன் 16 FPS என்பது 32 FPS ஆகும். |
| `seed` |  | integer \| null | no |  |  | உருவாக்கத்தை மீண்டும் உருவாக்கக்கூடியதாக மாற்றும் விதை. None என அமைத்தால் விதை சீரற்றதாகத் தேர்ந்தெடுக்கப்படும். |
| `resolution` |  | enum (string) | no | `480p` | `480p`, `580p`, `720p` | வெளியீட்டு வீடியோ தெளிவுத்திறன்: 480p, 580p அல்லது 720p. |
| `num_inference_steps` |  | integer | no | `27` | 2 – 40 | Sampling படிநிலைகளின் எண்ணிக்கை; எண்ணிக்கை அதிகரிக்கும்போது நீண்ட செயலாக்க நேரத்திற்கு ஈடாகச் சிறந்த தரத்தை வழங்கும். |
| `enable_safety_checker` |  | boolean | no | `false` |  | செயலாக்கத்திற்கு முன் உள்ளீட்டுப் பாதுகாப்புத் திரையிடல்; அங்கீகரிக்கப்பட்ட கணக்குகள் மட்டுமே இதை முடக்கலாம். அங்கீகாரம் இல்லாத கோரிக்கைகள் எப்போதும் திரையிடப்படும்; இல்லையெனில் true திரையிடலை இயக்கும். |
| `enable_output_safety_checker` |  | boolean | no | `false` |  | உருவாக்கப்பட்ட வீடியோவின் பாதுகாப்புத் திரையிடலைக் கட்டுப்படுத்தும்; true அமைப்பு உருவாக்கத்திற்குப் பிந்தைய சரிபார்ப்பை இயக்கும். |
| `guidance_scale` |  | number | no | `3.5` | 1 – 10 | Classifier-free guidance வலிமை; scale அதிகரிக்கும்போது சாத்தியமான தர இழப்பிற்கு ஈடாக ப்ராம்ப்ட்டுடன் நெருக்கமான பொருத்தத்தை வழங்கும். |
| `shift` |  | number | no | `5` | 1 – 10 | வீடியோ shift அமைப்பு; அனுமதிக்கப்பட்ட வரம்பு 1.0–10.0. |
| `video_quality` |  | enum (string) | no | `high` | `low`, `medium`, `high`, `maximum` | வெளியீட்டு வீடியோத் தர அமைப்பு; மதிப்பு அதிகரிக்கும்போது பெரிய கோப்புகளுக்கு மாற்றாக மேம்பட்ட காட்சிகளை வழங்கும். |
| `video_write_mode` |  | enum (string) | no | `balanced` | `fast`, `balanced`, `small` | வீடியோ எழுதும் முறை; balanced வேகம் மற்றும் தரத்துக்கு இடையிலான சமநிலையை வழங்கும். மிகச் சிறிய கோப்புகளுக்கும் மெதுவான எழுதுதலுக்கும் small-ஐத் தேர்ந்தெடுக்கவும்; faster writing முடிவுகளை விரைவாகத் தரும், ஆனால் பெரிய கோப்புகளை உருவாக்கும். |
| `image_url` | `image` | string (image URL) | yes |  |  | மூலப் பட URL; தேர்ந்தெடுக்கப்பட்ட aspect ratio, முன்செயலாக்கம் தேவைப்படுகிறதா என்பதைத் தீர்மானிக்கும்: பொருத்தமின்மை ஏற்பட்டால், அளவுமாற்றத்திற்குப் பிறகு மைய crop செய்யப்படும். |
| `audio_url` | `audio` | string (audio URL) | yes |  |  | ஆடியோ கோப்பைச் சுட்டும் URL. |

File parameters (`image`, `audio`) 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",
  "image": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
  "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",
  "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"
}
```

## 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/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_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"
  }'

# 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/wan/v2.2-14b/speech-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",
    "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"
  }),
});
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",
    "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",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/wan/v2.2-14b/speech-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": "wan/v2.2-14b/speech-to-video",
      "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"
      },
      "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": "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `video` | object {url, content_type, file_name, file_size} | உருவாக்கத்தால் தயாரிக்கப்படும் வீடியோ கோப்பு. |

## Related models

- [Wan · v2.2 A14b · Text to Image](https://doitong.com/developers/models/wan/v2.2-a14b/text-to-image.md) (`wan/v2.2-a14b/text-to-image`): $0.025 / image
- [Wan-2.2 Text-to-Video A14B](https://doitong.com/developers/models/wan/v2.2-a14b/text-to-video.md) (`wan/v2.2-a14b/text-to-video`): from $0.04 / second of output video
- [Wan v2.2 A14B](https://doitong.com/developers/models/wan/v2.2-a14b/image-to-video.md) (`wan/v2.2-a14b/image-to-video`): from $0.04 / second of output video
- [Wan · v2.2 A14b · Video to Video](https://doitong.com/developers/models/wan/v2.2-a14b/video-to-video.md) (`wan/v2.2-a14b/video-to-video`): from $0.04 / second of output video
- [Kling AI Avatar 2.0 Pro](https://doitong.com/developers/models/kling-video/ai-avatar/v2/pro.md) (`kling-video/ai-avatar/v2/pro`): $0.115 / second of input audio
- [Sync Lipsync 3](https://doitong.com/developers/models/sync-lipsync/v3.md) (`sync-lipsync/v3`): $8.00 / minute of output video
- [VEED Fabric 1.0](https://doitong.com/developers/models/veed/fabric-1.0.md) (`veed/fabric-1.0`): from $0.08 / second of input audio
- [AI Avatar Multi](https://doitong.com/developers/models/ai-avatar/multi.md) (`ai-avatar/multi`): from $0.20 / second of output video

## Links

- HTML page: https://doitong.com/developers/models/wan/v2.2-14b/speech-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=wan/v2.2-14b/speech-to-video
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.ru/v1/models/wan/v2.2-14b/speech-to-video