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

> Tạo video nói chuyện từ hình ảnh tĩnh và tệp âm thanh, theo lời nhắc văn bản

Cần `prompt`, một `image_url` nguồn và một `audio_url`, rồi tạo video về chủ thể trong hình ảnh được điều khiển bởi âm thanh. `num_frames` chạy từ 40 đến 120 với bội số của 4, ở mặc định 16 fps. `resolution` có thể là 480p, 580p hoặc 720p. Có thể điều chỉnh số bước lấy mẫu, hướng dẫn, nội suy và `negative_prompt`.

- 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/vi/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 |  |  | Lời nhắc văn bản dùng để tạo video. |
| `negative_prompt` |  | string | no | `` |  | Lời nhắc phủ định áp dụng khi tạo video. |
| `num_frames` |  | integer | no | `80` | 40 – 120 | Chọn bội số của 4 trong khoảng 40–120 để đặt số khung hình được tạo. |
| `frames_per_second` |  | integer \| null | no | `16` | 4 – 60 | Tốc độ khung hình video được tạo, chấp nhận giá trị từ 4 đến 60; đặt `adjust_fps_for_interpolation` thành false để giữ nguyên tốc độ này. Khi dùng nội suy và `adjust_fps_for_interpolation` là true (mặc định), nhân tốc độ này với một cộng số khung hình nội suy để có FPS cuối cùng. Ví dụ, 16 FPS với 1 khung hình nội suy sẽ trở thành 32 FPS. |
| `seed` |  | integer \| null | no |  |  | Seed giúp quá trình tạo sinh có thể tái lập. Đặt thành None sẽ chọn seed ngẫu nhiên. |
| `resolution` |  | enum (string) | no | `480p` | `480p`, `580p`, `720p` | Độ phân giải video đầu ra: 480p, 580p hoặc 720p. |
| `num_inference_steps` |  | integer | no | `27` | 2 – 40 | Số bước lấy mẫu; số bước càng cao thì thời gian xử lý càng lâu nhưng chất lượng càng tốt. |
| `enable_safety_checker` |  | boolean | no | `false` |  | Kiểm tra an toàn đầu vào trước khi xử lý, chỉ tài khoản được ủy quyền mới có thể tắt. Các yêu cầu không có quyền ủy quyền luôn được kiểm tra; nếu có quyền, true sẽ bật kiểm tra. |
| `enable_output_safety_checker` |  | boolean | no | `false` |  | Kiểm soát kiểm tra an toàn của video được tạo; đặt true để bật kiểm tra sau khi tạo sinh. |
| `guidance_scale` |  | number | no | `3.5` | 1 – 10 | Cường độ hướng dẫn không dùng bộ phân loại, đánh đổi khả năng giảm chất lượng để khớp lời nhắc sát hơn khi tăng hệ số. |
| `shift` |  | number | no | `5` | 1 – 10 | Cài đặt dịch chuyển video, với phạm vi cho phép 1.0–10.0. |
| `video_quality` |  | enum (string) | no | `high` | `low`, `medium`, `high`, `maximum` | Cài đặt chất lượng video đầu ra, đánh đổi tệp lớn hơn để có hình ảnh tốt hơn khi tăng giá trị. |
| `video_write_mode` |  | enum (string) | no | `balanced` | `fast`, `balanced`, `small` | Chế độ ghi video, trong đó balanced là lựa chọn cân bằng tốc độ và chất lượng. Chọn small để có tệp nhỏ nhất và tốc độ ghi chậm nhất; ghi nhanh hơn sẽ trả về kết quả sớm hơn nhưng tạo tệp lớn hơn. |
| `image_url` | `image` | string (image URL) | yes |  |  | URL hình ảnh nguồn, trong đó tỷ lệ khung hình đã chọn quyết định có cần tiền xử lý hay không: nếu không khớp, hình ảnh sẽ được đổi kích thước rồi cắt từ giữa. |
| `audio_url` | `audio` | string (audio URL) | yes |  |  | URL trỏ đến tệp âm thanh. |

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} | Tệp video được tạo sinh. |

## 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