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

> ساکن تصویر اور آڈیو فائل سے، ٹیکسٹ پرامپٹ کی رہنمائی میں، گفتگو کرتی ویڈیو بناتا ہے

`prompt`، ماخذ `image_url` اور `audio_url` درکار ہیں، اور آڈیو سے چلنے والے تصویر کے موضوع کی ویڈیو بناتا ہے۔ `num_frames` 40 سے 120 تک، 4 کے مضارب میں، ڈیفالٹ 16 fps پر ہے۔ `resolution` 480p، 580p یا 720p ہو سکتی ہے۔ سیمپلنگ مراحل، رہنمائی، انٹرپولیشن اور `negative_prompt` قابلِ ترتیب ہیں۔

- 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/ur/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 |  |  | ویڈیو کی تخلیق کے لیے استعمال ہونے والا متنی پرامپٹ۔ |
| `negative_prompt` |  | string | no | `` |  | ویڈیو تخلیق کرتے وقت لاگو ہونے والا منفی پرامپٹ۔ |
| `num_frames` |  | integer | no | `80` | 40 – 120 | 40–120 کے درمیان 4 کے کسی multiple کا انتخاب کر کے تخلیق ہونے والے فریموں کی تعداد مقرر کریں۔ |
| `frames_per_second` |  | integer \| null | no | `16` | 4 – 60 | تخلیق کردہ ویڈیو کا فریم ریٹ، 4 سے 60 تک قدریں قبول کرتا ہے؛ `adjust_fps_for_interpolation` کو false کرنے سے یہ ریٹ تبدیل نہیں ہوتا۔ interpolation کے استعمال اور `adjust_fps_for_interpolation` کے true ہونے پر (یہ اس کا ڈیفالٹ ہے)، حتمی FPS حاصل کرنے کے لیے اس ریٹ کو interpolated فریموں کی تعداد جمع 1 سے ضرب دیں۔ مثال کے طور پر، 1 interpolated فریم کے ساتھ 16 FPS، 32 FPS بن جاتا ہے۔ |
| `seed` |  | integer \| null | no |  |  | تخلیق کو قابلِ تکرار بنانے والا سیڈ۔ اسے None پر سیٹ کرنے سے سیڈ تصادفی طور پر منتخب ہوتا ہے۔ |
| `resolution` |  | enum (string) | no | `480p` | `480p`, `580p`, `720p` | آؤٹ پٹ ویڈیو ریزولوشن: 480p، 580p، یا 720p۔ |
| `num_inference_steps` |  | integer | no | `27` | 2 – 40 | sampling steps کی تعداد، جس میں تعداد بڑھنے کے ساتھ زیادہ پروسیسنگ وقت کے بدلے بہتر معیار ملتا ہے۔ |
| `enable_safety_checker` |  | boolean | no | `false` |  | پراسیسنگ سے پہلے ان پٹ کی حفاظتی جانچ، جسے صرف مجاز اکاؤنٹس بند کر سکتے ہیں۔ اجازت کے بغیر درخواستوں کی ہمیشہ جانچ ہوتی ہے؛ بصورت دیگر true جانچ فعال کرتا ہے۔ |
| `enable_output_safety_checker` |  | boolean | no | `false` |  | تخلیق کردہ ویڈیو کی حفاظتی جانچ متعین کرتا ہے؛ true رکھنے سے تخلیق کے بعد جانچ فعال ہوتی ہے۔ |
| `guidance_scale` |  | number | no | `3.5` | 1 – 10 | Classifier-free guidance کی طاقت، اسکیل بڑھنے کے ساتھ ممکنہ معیار کے نقصان کے بدلے پرامپٹ سے زیادہ قریب مطابقت فراہم کرتی ہے۔ |
| `shift` |  | number | no | `5` | 1 – 10 | ویڈیو shift کی ترتیب، جس کی مجاز حد 1.0–10.0 ہے۔ |
| `video_quality` |  | enum (string) | no | `high` | `low`, `medium`, `high`, `maximum` | آؤٹ پٹ ویڈیو کے معیار کی ترتیب؛ قدر بڑھنے پر بڑی فائلوں کے بدلے بہتر بصری نتائج ملتے ہیں۔ |
| `video_write_mode` |  | enum (string) | no | `balanced` | `fast`, `balanced`, `small` | ویڈیو writing موڈ؛ balanced رفتار اور معیار کے درمیان سمجھوتا پیش کرتا ہے۔ سب سے چھوٹی فائلوں اور سست ترین writing کے لیے small منتخب کریں؛ faster writing نتائج جلد لوٹاتا ہے مگر بڑی فائلیں بناتا ہے۔ |
| `image_url` | `image` | string (image URL) | yes |  |  | ماخذ تصویر کا URL؛ منتخب aspect ratio یہ طے کرتا ہے کہ preprocessing درکار ہے یا نہیں: عدم مطابقت سے resizing کے بعد center crop ہوتا ہے۔ |
| `audio_url` | `audio` | string (audio URL) | yes |  |  | آڈیو فائل کی طرف اشارہ کرنے والا 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} | تخلیق سے تیار کردہ ویڈیو فائل۔ |

## 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