ข้ามไปยังเนื้อหา

LTX-2.3 22B · Audio to Video

ผสานการทำงาน

ID โมเดล ltx-2.3-22b/audio-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/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": "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"

ไฟล์เช่นเดียวกับตัวอย่าง: $0.358 358 เครดิต API · ≈ ₽38.51 ไฟล์ของคุณจะถูกวัดก่อนเรียกใช้ เรียกใช้ในหน้านี้

รับคีย์ API
Lightricks ลิปซิงก์และอวตาร ลิปซิงก์

สร้างวิดีโอที่สอดคล้องกับแทร็กเสียงอินพุต พร้อมรูปภาพเฟรมแรกและเฟรมสุดท้ายที่เลือกได้ และกล้อง LoRA

Lightricks · วิดีโอ

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น

พรอมต์ที่ใช้เป็นพื้นฐานสำหรับการสร้างวิดีโอ

•จำเป็น audio_url
วางไฟล์ หรือ

URL ของเสียงต้นทางที่ใช้สร้างวิดีโอ

image_url
วางไฟล์ หรือ

URL ของรูปภาพเสริมที่กำหนดเฟรมเริ่มต้นของวิดีโอ

video_size ค่าเริ่มต้น landscape_16_9

ขนาดวิดีโอ โดยสามารถใช้ขนาดของรูปภาพอินพุตผ่าน 'auto' เมื่อมีการระบุรูปภาพ

ค่าเริ่มต้น 121

จำนวนเฟรมของเอาต์พุตที่สร้าง

ค่าเริ่มต้น 24

อัตราเฟรมของวิดีโอเอาต์พุต วัดเป็นเฟรมต่อวินาที

ขั้นสูง negative_prompt · end_image · scheduler · acceleration · camera_lora · video_output_type · video_quality · video_write_mode · num_inference_steps · video_cfg_scale · video_stg_scale · video_rescaling_scale · video_modality_scale · audio_cfg_scale · audio_stg_scale · audio_rescaling_scale · audio_modality_scale · gradient_estimation_gamma · camera_lora_scale · distill_lora_first_pass_scale · distill_lora_second_pass_scale · image_strength · end_image_strength · audio_strength · seed · use_multiscale · use_restart_sampling · enable_prompt_expansion · enable_safety_checker · preprocess_audio
ค่าเริ่มต้น news broadcast, 3d an...

พรอมต์เชิงลบที่ใช้ระหว่างการสร้างวิดีโอ

end_image_url
วางไฟล์ หรือ

URL ของรูปภาพที่กำหนดเฟรมสิ้นสุดของวิดีโอ

scheduler ค่าเริ่มต้น ltx2

การเลือก scheduler

acceleration ค่าเริ่มต้น regular

ระดับการเร่งความเร็วที่ใช้กับการประมวลผล

camera_lora ค่าเริ่มต้น none

การเลือก Camera LoRA เพื่อควบคุมการเคลื่อนไหวในวิดีโอที่สร้างได้แม่นยำกว่าการใช้พรอมต์การเคลื่อนไหวของกล้องเพียงอย่างเดียว

video_output_type ค่าเริ่มต้น X264 (.mp4)

ประเภทเอาต์พุตของวิดีโอผลลัพธ์

video_quality ค่าเริ่มต้น high

ระดับคุณภาพของวิดีโอผลลัพธ์

video_write_mode ค่าเริ่มต้น balanced

โหมดการเขียนสำหรับวิดีโอผลลัพธ์

ค่าเริ่มต้น 40

จำนวนขั้นตอนการอนุมานที่ดำเนินการ

ค่าเริ่มต้น 3

การตั้งค่าการชี้นำวิดีโอ เพิ่มค่าเพื่อให้เนื้อหาที่สร้างมีความสอดคล้องและโฟกัสมากขึ้น ใช้ classifier-free guidance (CFG)

ค่าเริ่มต้น 0

ควบคุมความสอดคล้องและโฟกัสของวิดีโอผ่านสเกล Spatiotemporal Guidance (STG) เพิ่มค่าเพื่อเสริมคุณสมบัติทั้งสอง

ค่าเริ่มต้น 0.7

การปรับสเกลวิดีโอเพื่อสร้างสมดุลระหว่าง classifier-free guidance กับ spatiotemporal guidance ในรูปอัตราส่วน

ค่าเริ่มต้น 3

การปรับโมดาลิตีวิดีโอเพื่อสร้างสมดุลระหว่างสัดส่วนของวิดีโอและเสียง

ค่าเริ่มต้น 7

การตั้งค่าการชี้นำเสียง เพิ่มค่าเพื่อให้เนื้อหาที่สร้างมีความสอดคล้องและโฟกัสมากขึ้น ใช้ classifier-free guidance (CFG)

ค่าเริ่มต้น 0

ควบคุมความสอดคล้องและโฟกัสของเสียงผ่านสเกล Spatiotemporal Guidance (STG) เพิ่มค่าเพื่อเสริมคุณสมบัติทั้งสอง

ค่าเริ่มต้น 0.7

การปรับสเกลเสียงเพื่อสร้างสมดุลระหว่าง classifier-free guidance กับ spatiotemporal guidance ในรูปอัตราส่วน

ค่าเริ่มต้น 3

การปรับโมดาลิตีเสียงเพื่อสร้างสมดุลระหว่างสัดส่วนของวิดีโอและเสียง

ค่าเริ่มต้น 2

การตั้งค่าการประมาณเกรเดียนต์สำหรับการลด noise: ค่า 0 จะปิดการประมาณ มิฉะนั้นค่าจะระบุ gamma

ค่าเริ่มต้น 1

ความแรงของ Camera LoRA เพื่อควบคุมการเคลื่อนไหวในวิดีโอที่สร้างได้แม่นยำกว่าการใช้พรอมต์การเคลื่อนไหวของกล้องเพียงอย่างเดียว

ค่าเริ่มต้น 0.2

ควบคุมสเกล distill LoRA ในการประมวลผลครั้งแรก โดยใช้ 0 เพื่อปิด

ค่าเริ่มต้น 0.5

ควบคุมสเกล distill LoRA สำหรับทุกครั้งที่ประมวลผลหลังจากครั้งแรก

ค่าเริ่มต้น 1

ความแรงของอิทธิพลของรูปภาพต่อการสร้างวิดีโอ

ค่าเริ่มต้น 1

ควบคุมว่าเฟรมสิ้นสุดมีอิทธิพลต่อวิดีโอที่สร้างมากเพียงใด

ค่าเริ่มต้น 1

ความแรงของการปรับเงื่อนไขเสียง โดยค่า 1.0 พอดีจะคงอินพุตไว้โดยไม่เปลี่ยนแปลง โมเดลอาจแก้ไขเสียงเมื่อใช้ค่าต่ำกว่า 1.0

ค่า Seed ที่เริ่มต้นการสร้างตัวเลขสุ่ม

POST /run/ltx-2.3-22b/audio-to-video?wait=20 ใบเสนอราคา → $0.358
# 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": "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"

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ LTX-2.3 22B · Audio to Video

ต้องใช้ `prompt` และ `audio_url` โดยค่าเริ่มต้นจำนวนเฟรมจะคำนวณจากความยาวเสียง (`match_audio_length`) มิฉะนั้นจะใช้ `num_frames` (9 ถึง 481) `image_url` และ `end_image_url` สามารถกำหนดเฟรมแรกและเฟรมสุดท้ายได้ รองรับการควบคุมการสุ่มตัวอย่างหลายรายการ เช่น สเกลการชี้นำ, `scheduler`, `camera_lora` และรูปแบบเอาต์พุต ได้แก่ mp4, webm, mov และ GIF

พารามิเตอร์

ส่งชื่อมาตรฐานหรือชื่อดั้งเดิมอย่างใดอย่างหนึ่งเท่านั้น ห้ามส่งทั้งสองชื่อ ชื่อมาตรฐาน

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
promptจำเป็น
ประเภทstring
พรอมต์ที่ใช้เป็นพื้นฐานสำหรับการสร้างวิดีโอ
audio_urlจำเป็น audio
ประเภทurl · audio
URL ของเสียงต้นทางที่ใช้สร้างวิดีโอ
image_urlไม่บังคับ image
ประเภทurl · image
URL ของรูปภาพเสริมที่กำหนดเฟรมเริ่มต้นของวิดีโอ
end_image_urlไม่บังคับ end_image
ประเภทurl · image
URL ของรูปภาพที่กำหนดเฟรมสิ้นสุดของวิดีโอ
match_audio_lengthไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
ตัวเลือกจำนวนเฟรม: เมื่อปิดใช้ num_frames ส่วนเมื่อเปิดจะคำนวณจำนวนจาก FPS และระยะเวลาของเสียง
num_framesไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น121
9 – 481
จำนวนเฟรมของเอาต์พุตที่สร้าง
video_sizeไม่บังคับ
ประเภทobject
ค่าเริ่มต้นlandscape_16_9
autosquare_hdsquareportrait_4_3portrait_16_9landscape_4_3landscape_16_9
ขนาดวิดีโอ โดยสามารถใช้ขนาดของรูปภาพอินพุตผ่าน 'auto' เมื่อมีการระบุรูปภาพ
use_multiscaleไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
ตัวเลือกการสร้างหลายสเกลเพื่อเพิ่มความสอดคล้องและรายละเอียด เมื่อเป็น True วิดีโอขนาดเล็กเบื้องต้นจะช่วยชี้นำการสร้างครั้งที่สอง ซึ่งมีขนาดเท่ากับหรือใหญ่กว่าขนาดที่ขอ
fpsไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น24
1 – 60
อัตราเฟรมของวิดีโอเอาต์พุต วัดเป็นเฟรมต่อวินาที
num_inference_stepsไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น40
8 – 50
จำนวนขั้นตอนการอนุมานที่ดำเนินการ
video_cfg_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น3
1 – 20
การตั้งค่าการชี้นำวิดีโอ เพิ่มค่าเพื่อให้เนื้อหาที่สร้างมีความสอดคล้องและโฟกัสมากขึ้น ใช้ classifier-free guidance (CFG)
video_stg_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0
0 – 20
ควบคุมความสอดคล้องและโฟกัสของวิดีโอผ่านสเกล Spatiotemporal Guidance (STG) เพิ่มค่าเพื่อเสริมคุณสมบัติทั้งสอง
video_rescaling_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.7
0 – 1
การปรับสเกลวิดีโอเพื่อสร้างสมดุลระหว่าง classifier-free guidance กับ spatiotemporal guidance ในรูปอัตราส่วน
video_modality_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น3
0 – 10
การปรับโมดาลิตีวิดีโอเพื่อสร้างสมดุลระหว่างสัดส่วนของวิดีโอและเสียง
audio_cfg_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น7
1 – 20
การตั้งค่าการชี้นำเสียง เพิ่มค่าเพื่อให้เนื้อหาที่สร้างมีความสอดคล้องและโฟกัสมากขึ้น ใช้ classifier-free guidance (CFG)
audio_stg_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0
0 – 20
ควบคุมความสอดคล้องและโฟกัสของเสียงผ่านสเกล Spatiotemporal Guidance (STG) เพิ่มค่าเพื่อเสริมคุณสมบัติทั้งสอง
audio_rescaling_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.7
0 – 1
การปรับสเกลเสียงเพื่อสร้างสมดุลระหว่าง classifier-free guidance กับ spatiotemporal guidance ในรูปอัตราส่วน
audio_modality_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น3
0 – 10
การปรับโมดาลิตีเสียงเพื่อสร้างสมดุลระหว่างสัดส่วนของวิดีโอและเสียง
gradient_estimation_gammaไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น2
0 – 10
การตั้งค่าการประมาณเกรเดียนต์สำหรับการลด noise: ค่า 0 จะปิดการประมาณ มิฉะนั้นค่าจะระบุ gamma
use_restart_samplingไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นfalse
ตัวเลือกการสุ่มตัวอย่างใหม่เพื่อคุณภาพวิดีโอที่อาจดีขึ้น: เมื่อเปิดใช้ ระบบจะเพิ่ม noise เล็กน้อยในทุกขั้นตอนการลด noise
schedulerไม่บังคับ
ประเภทenum
ค่าเริ่มต้นltx2
ltx2linear_quadraticbeta
การเลือก scheduler
accelerationไม่บังคับ
ประเภทenum
ค่าเริ่มต้นregular
noneregularhighfull
ระดับการเร่งความเร็วที่ใช้กับการประมวลผล
camera_loraไม่บังคับ
ประเภทenum
ค่าเริ่มต้นnone
dolly_indolly_outdolly_leftdolly_rightjib_upjib_downstaticnone
การเลือก Camera LoRA เพื่อควบคุมการเคลื่อนไหวในวิดีโอที่สร้างได้แม่นยำกว่าการใช้พรอมต์การเคลื่อนไหวของกล้องเพียงอย่างเดียว
camera_lora_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0 – 1
ความแรงของ Camera LoRA เพื่อควบคุมการเคลื่อนไหวในวิดีโอที่สร้างได้แม่นยำกว่าการใช้พรอมต์การเคลื่อนไหวของกล้องเพียงอย่างเดียว
negative_promptไม่บังคับ
ประเภทstring
ค่าเริ่มต้นnews broadcast, 3d animation, computer graphics, pc game, console game, video game, cartoon, childish, watermark, logo, text, on screen text, subtitles, titles, signature, slowmo, static
พรอมต์เชิงลบที่ใช้ระหว่างการสร้างวิดีโอ
seedไม่บังคับ
ประเภทinteger | null
ค่า Seed ที่เริ่มต้นการสร้างตัวเลขสุ่ม
enable_prompt_expansionไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
ควบคุมว่าจะเปิดใช้การขยายพรอมต์หรือไม่
enable_safety_checkerไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
ควบคุมว่าจะเปิดใช้การตรวจสอบความปลอดภัยหรือไม่
video_output_typeไม่บังคับ
ประเภทenum
ค่าเริ่มต้นX264 (.mp4)
X264 (.mp4)VP9 (.webm)PRORES4444 (.mov)GIF (.gif)
ประเภทเอาต์พุตของวิดีโอผลลัพธ์
video_qualityไม่บังคับ
ประเภทenum
ค่าเริ่มต้นhigh
lowmediumhighmaximum
ระดับคุณภาพของวิดีโอผลลัพธ์
video_write_modeไม่บังคับ
ประเภทenum
ค่าเริ่มต้นbalanced
fastbalancedsmall
โหมดการเขียนสำหรับวิดีโอผลลัพธ์
distill_lora_first_pass_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.2
0 – 1
ควบคุมสเกล distill LoRA ในการประมวลผลครั้งแรก โดยใช้ 0 เพื่อปิด
distill_lora_second_pass_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.5
0 – 1
ควบคุมสเกล distill LoRA สำหรับทุกครั้งที่ประมวลผลหลังจากครั้งแรก
image_strengthไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0 – 1
ความแรงของอิทธิพลของรูปภาพต่อการสร้างวิดีโอ
end_image_strengthไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0 – 1
ควบคุมว่าเฟรมสิ้นสุดมีอิทธิพลต่อวิดีโอที่สร้างมากเพียงใด
audio_strengthไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0 – 1
ความแรงของการปรับเงื่อนไขเสียง โดยค่า 1.0 พอดีจะคงอินพุตไว้โดยไม่เปลี่ยนแปลง โมเดลอาจแก้ไขเสียงเมื่อใช้ค่าต่ำกว่า 1.0
preprocess_audioไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
ควบคุมว่าจะประมวลผลเสียงล่วงหน้าก่อนใช้สำหรับการปรับเงื่อนไขหรือไม่
จำเป็น ชื่อมาตรฐาน ซึ่งรองรับเช่นกัน

พารามิเตอร์ไฟล์รับ URL https:// สาธารณะ, data: URI ขนาดไม่เกิน 10 MB หรือ file_url ของไฟล์ที่อัปโหลด ไฟล์

เอาต์พุต

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "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"
  }
}
ไฟล์ของคุณ คุณเลือกเองทุก outputs[].url คือสำเนาบนพื้นที่จัดเก็บของเรา: เก็บไว้ตลอดไป (คิดค่าบริการต่อ GB-เดือน) หรือฟรี 7 วัน โดยกำหนดได้ในการตั้งค่าบัญชีหรือ ?storage=
รูปแบบเดียวกันในทุกโมเดลtype, url, content_type, width, height และ duration สำหรับภาพ วิดีโอ และเสียงเหมือนกันทั้งหมด ส่วน output คือออบเจ็กต์ผลลัพธ์ของโมเดลเอง
ฟิลด์ของเอาต์พุต
video
object {url, content_type, file_name, file_size, width, height, fps, duration, num_frames}วิดีโอที่โมเดลสร้าง
seed
integerค่า Seed ที่ใช้เริ่มต้นการสร้างตัวเลขสุ่ม
prompt
stringพรอมต์ที่ใช้ชี้นำการสร้าง

โมเดลเพิ่มเติม: ลิปซิงก์และอวตาร

สำหรับเอเจนต์ AI: หน้า Markdown นี้อยู่ที่ https://doitong.com/th/developers/models/ltx-2.3-22b/audio-to-video.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt