Přejít na obsah

LTX 2.3 Trainer (V2) - Audio+Video Reference Transformation

Integrace

ID modelu ltx23-trainer-v2/av2av
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/ltx23-trainer-v2/av2av?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Tento požadavek: 13,60 $ 13 600 kreditů API Spustit na této stránce

Získat API klíč
Lightricks Trénování Referenční vstupy1–60 s

Trénuje LoRA, která mapuje video a zvuk referenčního klipu na spárovaný cílový klip; obě stopy se generují společně

Lightricks · Soubor

Zde se zobrazí váš první výsledek

Níže sestavte požadavek a spusťte ho pomocí svého API klíče. Výstupy se kopírují do našeho úložiště a uchovávají se navždy nebo 7 dne zdarma.

Sestavit požadavek

Ovládací prvky se generují ze schématu modelu. Kód a cena se aktualizují podle provedených změn.

resolution výchozí medium

Trénovací rozlišení. Zvýšení rozlišení zvyšuje nároky na paměť.

aspect_ratio výchozí 1:1

Trénovací poměr stran.

•povinné

URL souboru `.zip` obsahujícího trénovací data uspořádaná podle vybraného režimu trénování. Každý soubor média může mít doprovodný popisek `.txt` se shodným základním názvem.

výchozí 2000

Celkový počet trénovacích kroků.

Pokročilé validation_negative_prompt · rank · validation_resolution · validation_aspect_ratio · trigger_phrase · learning_rate · number_of_frames · frame_rate · split_input_duration_threshold · validation_number_of_frames · validation_frame_rate · stg_scale · reference_downscale_factor · reference_temporal_scale_factor · auto_scale_input · split_input_into_scenes · debug_dataset · audio_normalize · audio_preserve_pitch · validation
výchozí blurry, out of focus,...

Negativní prompt použitý během validace, která využívá jednofázový náhled. Protože tento proces přibližuje dvoufázovou produkční inferenci, jeho vedení a kvalita náhledu se liší od konečných výsledků.

rank výchozí 32

Rank adaptace LoRA, který s rostoucí hodnotou vyměňuje vyšší spotřebu paměti za větší kapacitu.

validation_resolution výchozí high

Rozlišení použité během validace.

validation_aspect_ratio výchozí 1:1

Poměr stran použitý během validace.

výchozí

Aktivační fráze stylu LoRA vložená na začátek popisků během trénování.

výchozí 0.0002

Rychlost učení optimalizace.

výchozí 89

Počet snímků v každém trénovacím vzorku. Po dělení počtu 8 musí zůstat zbytek 1; příklady jsou 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

výchozí 24

Cílová snímková frekvence trénovacího videa ve snímcích za sekundu. Nativní frekvence pro LTX-2.3 je 24.

výchozí 30

Spouštěč dělení scén vyjádřený délkou v sekundách: rozdělí se pouze videa delší než tento práh.

výchozí 89

Počet snímků každého validačního videa.

výchozí 24

Cílová snímková frekvence validačních videí ve snímcích za sekundu; LTX-2.3 nativně běží na 24.

výchozí 1

Měřítko časoprostorového vedení (STG), s doporučenou hodnotou 1.0; hodnota 0.0 STG vypne.

výchozí 1

Faktor zmenšení pro vytvoření hrubého řídicího proxy referenčního videa s nízkým rozlišením před kódováním při zachování výstupu v plném rozlišení. Oba rozměry reference musí být před dělením faktorem i po něm dělitelné 32; výchozí hodnota 1 zachovává původní rozlišení.

výchozí 1

Faktor snížení snímkové frekvence referenčního videa, kde výchozí hodnota 1 zachovává fps. Časové podvzorkování tímto faktorem sníží fps před zakódováním videa.

výchozí []

Seznam validačních promptů, kde je každý prompt spárován s referenčním videem a zvukem.

POST /run/ltx23-trainer-v2/av2av?wait=20 cena → 13,60 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/ltx23-trainer-v2/av2av?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Spustit tento požadavek

Váš klíč zůstává v tomto prohlížeči: odesílá se pouze do Doitong API a uloží se do localStorage jen tehdy, když zaškrtnete možnost Zapamatovat. Získat klíč API

O modelu LTX 2.3 Trainer (V2) - Audio+Video Reference Transformation

Učí LoRA na párových klipech, kde každému referenčnímu videu se zvukem odpovídá cílový klip. Předejte zip přes `training_data_url`, volitelně s titulky .txt. Dělení scén je ve výchozím nastavení vypnuté, protože by rozladilo začátky a konce párů; dodejte již rozdělené klipy. Rank může být 8 až 128, počet kroků 100 až 10000 a jsou povoleny až 2 položky validace.

Parametry

NázevTyp VýchozíPovolené Popis
training_data_urlpovinné
Typstring
URL souboru `.zip` obsahujícího trénovací data uspořádaná podle vybraného režimu trénování. Každý soubor média může mít doprovodný popisek `.txt` se shodným základním názvem.
rankvolitelné
Typenum
Výchozí32
8163264128
Rank adaptace LoRA, který s rostoucí hodnotou vyměňuje vyšší spotřebu paměti za větší kapacitu.
number_of_stepsvolitelné
Typinteger
Výchozí2000
100 – 10 000
Celkový počet trénovacích kroků.
learning_ratevolitelné
Typnumber
Výchozí0.0002
0,000001 – 1
Rychlost učení optimalizace.
number_of_framesvolitelné
Typinteger
Výchozí89
9 – 121
Počet snímků v každém trénovacím vzorku. Po dělení počtu 8 musí zůstat zbytek 1; příklady jsou 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_ratevolitelné
Typinteger
Výchozí24
8 – 60
Cílová snímková frekvence trénovacího videa ve snímcích za sekundu. Nativní frekvence pro LTX-2.3 je 24.
resolutionvolitelné
Typenum
Výchozímedium
lowmediumhigh
Trénovací rozlišení. Zvýšení rozlišení zvyšuje nároky na paměť.
aspect_ratiovolitelné
Typenum
Výchozí1:1
16:91:19:16
Trénovací poměr stran.
trigger_phrasevolitelné
Typstring
Výchozí
Aktivační fráze stylu LoRA vložená na začátek popisků během trénování.
auto_scale_inputvolitelné
Typboolean
Výchozífalse
Automatická úprava videa tak, aby při zapnutí odpovídalo požadované FPS a počtu snímků; datové sady obrázků zůstávají beze změny.
split_input_into_scenesvolitelné
Typboolean
Výchozífalse
Dělení scén je v av2av vypnuté, aby dvojice _start/_end zůstala synchronizovaná. Klipy je nutné předem rozdělit; příprava cílové/referenční dvojice nastavení dělení scén ignoruje.
split_input_duration_thresholdvolitelné
Typnumber
Výchozí30
1 – 60
Spouštěč dělení scén vyjádřený délkou v sekundách: rozdělí se pouze videa delší než tento práh.
debug_datasetvolitelné
Typboolean
Výchozífalse
Režim kontroly předzpracování pro kontrolu videí, obrázků a popisků před úplným trénováním. Po zapnutí trenér vrátí zpracovanou trénovací datovou sadu ve stažitelném archivu k ruční kontrole.
audio_normalizevolitelné
Typboolean
Výchozítrue
Normalizace špiček zvuku pro zachování konzistentních úrovní v celé datové sadě.
audio_preserve_pitchvolitelné
Typboolean
Výchozítrue
Zachování výšky tónu při úpravě zvuku podle délky videa namísto jeho ořezání.
validationvolitelné
Typobject[]
Výchozí[]
≤ 2 položky
Seznam validačních promptů, kde je každý prompt spárován s referenčním videem a zvukem.
validation[].promptpovinné
Typstring
Prompt použitý během validace.
validation[].reference_video_urlpovinné
Typurl · video
≥ 1 characters
URL referenčního videa použitého k podmiňování generování zvuku a videa. Zvuková stopa videa slouží také jako zvuková reference.
validation[].reference_audio_urlvolitelné
Typurl · audio
Zvukovou stopu z `reference_video_url` lze volitelně nahradit zadáním URL samostatného referenčního zvukového souboru.
validation_negative_promptvolitelné
Typstring
Výchozíblurry, out of focus, overexposed, underexposed, low contrast, washed out colors, excessive noise, grainy texture, poor lighting, flickering, motion blur, distorted proportions, unnatural skin tones, deformed facial features, asymmetrical face, missing facial features, extra limbs, disfigured hands, wrong hand count, artifacts around text, inconsistent perspective, camera shake, incorrect depth of field, background too sharp, background clutter, distracting reflections, harsh shadows, inconsistent lighting direction, color banding, cartoonish rendering, 3D CGI look, unrealistic materials, uncanny valley effect, incorrect ethnicity, wrong gender, exaggerated expressions, wrong gaze direction, mismatched lip sync, silent or muted audio, distorted voice, robotic voice, echo, background noise, off-sync audio, incorrect dialogue, added dialogue, repetitive speech, jittery movement, awkward pauses, incorrect timing, unnatural transitions, inconsistent framing, tilted camera, flat lighting, inconsistent tone, cinematic oversaturation, stylized filters, or AI artifacts.
Negativní prompt použitý během validace, která využívá jednofázový náhled. Protože tento proces přibližuje dvoufázovou produkční inferenci, jeho vedení a kvalita náhledu se liší od konečných výsledků.
validation_number_of_framesvolitelné
Typinteger
Výchozí89
9 – 121
Počet snímků každého validačního videa.
validation_frame_ratevolitelné
Typinteger
Výchozí24
8 – 60
Cílová snímková frekvence validačních videí ve snímcích za sekundu; LTX-2.3 nativně běží na 24.
validation_resolutionvolitelné
Typenum
Výchozíhigh
lowmediumhigh
Rozlišení použité během validace.
validation_aspect_ratiovolitelné
Typenum
Výchozí1:1
16:91:19:16
Poměr stran použitý během validace.
stg_scalevolitelné
Typnumber
Výchozí1
0 – 3
Měřítko časoprostorového vedení (STG), s doporučenou hodnotou 1.0; hodnota 0.0 STG vypne.
reference_downscale_factorvolitelné
Typinteger
Výchozí1
1 – 8
Faktor zmenšení pro vytvoření hrubého řídicího proxy referenčního videa s nízkým rozlišením před kódováním při zachování výstupu v plném rozlišení. Oba rozměry reference musí být před dělením faktorem i po něm dělitelné 32; výchozí hodnota 1 zachovává původní rozlišení.
reference_temporal_scale_factorvolitelné
Typinteger
Výchozí1
1 – 8
Faktor snížení snímkové frekvence referenčního videa, kde výchozí hodnota 1 zachovává fps. Časové podvzorkování tímto faktorem sníží fps před zakódováním videa.
povinné

Výstup

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/av2av",
  "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": 13600,
    "usd": "13.60",
    "charged": 13600,
    "refunded": 0
  },
  "input": {
    "training_data_url": "https://example.com/your-file.zip"
  },
  "output": {
    "video": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "lora_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "config_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "debug_dataset": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Vaše soubory, vaše volbaKaždý outputs[].url je kopie v našem úložišti: uchovávaná navždy (zpoplatněná za GB-měsíc) nebo 7 dne zdarma podle nastavení účtu nebo ?storage=.
Stejná struktura u každého modelutype, url, content_type, width, height a duration pro obrázky, video i zvuk. output je vlastní objekt výsledku modelu.
Pole výstupu
video
object {url, content_type, file_name, file_size} | nullKombinovaný náhled videa z validace, pokud je dostupný pro endpointy vytvářející video.
audio
object {url, content_type, file_name, file_size} | nullKombinovaný zvuk z validace, poskytovaný jako náhled, pokud je dostupný pro tyto trasy pouze se zvukem: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a a /v2a.
lora_file
object {url, content_type, file_name, file_size}URL trénovaných vah LoRA ve formátu .safetensors.
config_file
object {url, content_type, file_name, file_size}Konfigurace nastavení inferenčního endpointu.
debug_dataset
object {url, content_type, file_name, file_size} | nullLadicí výstup dostupný při povoleném `debug_dataset`: stažitelný archiv obsahující trénovací data po předzpracování.

Další modely: Trénování

Pro AI agenty: tato stránka je ve formátu Markdown na adrese https://doitong.com/cs/developers/models/ltx23-trainer-v2/av2av.md. Všechny modely a návody: https://doitong.com/developers/llms.txt