Neidio i'r cynnwys

LTX 2.3 Trainer (V2) - Audio-to-Audio

Integreiddio

ID y model ltx23-trainer-v2/a2a
# 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/a2a?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"

Y cais hwn: $4.60 4,600 o gredydau API Ei redeg ar y dudalen hon

Cael allwedd API
Lightricks · Ffeil

Mae eich canlyniad cyntaf yn mynd yma

Adeiladwch gais isod a'i redeg gyda'ch allwedd API. Mae allbynnau'n cael eu copïo i'n storio, wedi'u cadw am byth neu am 7 diwrnod am ddim.

Adeiladu cais

Cynhyrchir rheolyddion o sgema'r model. Mae'r cod a'r pris yn diweddaru wrth i chi eu newid.

resolution rhagosodedig medium

Cydraniad hyfforddi. Mae cynyddu’r cydraniad yn cynyddu gofynion cof.

aspect_ratio rhagosodedig 1:1

Cymhareb agwedd hyfforddi.

•gofynnol

URL ar gyfer `.zip` sy’n cynnwys data hyfforddi, wedi’i drefnu yn ôl y modd hyfforddi a ddewiswyd. Gall fod gan bob ffeil gyfryngau ffeil `.txt` gydag isdeitl a’r un enw sylfaenol.

rhagosodedig 2000

Cyfanswm nifer y camau hyfforddi.

Uwch validation_negative_prompt · rank · validation_resolution · validation_aspect_ratio · trigger_phrase · learning_rate · number_of_frames · frame_rate · split_input_duration_threshold · audio_duration_seconds · validation_number_of_frames · validation_frame_rate · stg_scale · auto_scale_input · split_input_into_scenes · debug_dataset · audio_normalize · audio_preserve_pitch · validation
rhagosodedig blurry, out of focus,...

Anogiad negyddol a gymhwysir wrth ddilysu, sy’n defnyddio proses rhagolwg un cam. Gan fod y broses hon yn brasamcanu casglu cynhyrchu distylliedig gyda dau gam, mae ei chanllaw a’i hansawdd rhagolwg yn wahanol i’r canlyniadau terfynol.

rank rhagosodedig 32

Safle addasu LoRA, gan gyfnewid mwy o ddefnydd cof am fwy o gapasiti wrth i’r gosodiad gynyddu.

validation_resolution rhagosodedig high

Cydraniad a ddefnyddir wrth ddilysu.

validation_aspect_ratio rhagosodedig 1:1

Cymhareb agwedd a ddefnyddir wrth ddilysu.

rhagosodedig

Ymadrodd actifadu arddull LoRA, wedi’i fewnosod ar ddechrau’r isdeitlau yn ystod hyfforddiant.

rhagosodedig 0.0002

Cyfradd dysgu optimeiddio.

rhagosodedig 89

Cyfrif fframiau ar gyfer pob sampl hyfforddi. Rhaid i rannu’r cyfrif â 8 adael gweddill o 1; mae enghreifftiau’n cynnwys 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

rhagosodedig 24

Cyfradd ffrâm darged y fideo hyfforddi mewn fframiau yr eiliad. Y gyfradd frodorol ar gyfer LTX-2.3 yw 24.

rhagosodedig 30

Sbardun rhannu golygfeydd wedi’i fynegi fel hyd mewn eiliadau: dim ond fideos sy’n hwy na’r trothwy a gaiff eu rhannu.

rhagosodedig 5

Bwced hyd sain mewn eiliadau, sy’n ofynnol ar gyfer moddau sain yn unig gan nad oes ganddynt gyfrif fframiau fideo i gyfrifo hyd ohono. Mae’r targed hwn yn pennu sut yr ymdrinnir â chlipiau: caiff sain dros ben ei thorri, tra bod clipiau rhy fyr yn cael eu hepgor.

rhagosodedig 89

Cyfrif fframiau ar gyfer pob fideo dilysu.

rhagosodedig 24

Cyfradd ffrâm darged ar gyfer fideos dilysu, mewn fframiau yr eiliad; mae LTX-2.3 yn rhedeg yn frodorol ar 24.

rhagosodedig 1

Graddfa Canllaw Gofodol-Amserol (STG), gyda 1.0 wedi’i argymell a 0.0 yn diffodd STG.

rhagosodedig []

Rhestr anogiadau dilysu sy’n paru pob anogiad â chlip sain cyfeirio.

POST /run/ltx23-trainer-v2/a2a?wait=20 dyfynbris → $4.60
# 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/a2a?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"

Rhedeg y cais hwn

Mae'ch allwedd yn aros yn y porwr hwn: caiff ei hanfon at Doitong API yn unig a'i chadw (localStorage) dim ond os ticiwch Cofio. Cael allwedd API

Ynglŷn â LTX 2.3 Trainer (V2) - Audio-to-Audio

Yn mireinio LoRA ar gyfer trawsnewid sain-i-sain o `.zip` o enghreifftiau pâr yn `training_data_url`. Mae `rank` yn 8 i 128, `number_of_steps` yn 100 i 10000, ac `audio_duration_seconds` yn 0.5 i 60. Ni ddefnyddir hollti golygfeydd yma, felly darparwch glipiau sydd eisoes wedi’u hollti. Mae’n dychwelyd pwysau’r LoRA a ffeil ffurfweddiad.

Paramedrau

EnwMath RhagosodedigCaniateir Disgrifiad
training_data_urlgofynnol
Mathstring
URL ar gyfer `.zip` sy’n cynnwys data hyfforddi, wedi’i drefnu yn ôl y modd hyfforddi a ddewiswyd. Gall fod gan bob ffeil gyfryngau ffeil `.txt` gydag isdeitl a’r un enw sylfaenol.
rankdewisol
Mathenum
Rhagosodedig32
8163264128
Safle addasu LoRA, gan gyfnewid mwy o ddefnydd cof am fwy o gapasiti wrth i’r gosodiad gynyddu.
number_of_stepsdewisol
Mathinteger
Rhagosodedig2000
100 – 10,000
Cyfanswm nifer y camau hyfforddi.
learning_ratedewisol
Mathnumber
Rhagosodedig0.0002
0.000001 – 1
Cyfradd dysgu optimeiddio.
number_of_framesdewisol
Mathinteger
Rhagosodedig89
9 – 121
Cyfrif fframiau ar gyfer pob sampl hyfforddi. Rhaid i rannu’r cyfrif â 8 adael gweddill o 1; mae enghreifftiau’n cynnwys 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_ratedewisol
Mathinteger
Rhagosodedig24
8 – 60
Cyfradd ffrâm darged y fideo hyfforddi mewn fframiau yr eiliad. Y gyfradd frodorol ar gyfer LTX-2.3 yw 24.
resolutiondewisol
Mathenum
Rhagosodedigmedium
lowmediumhigh
Cydraniad hyfforddi. Mae cynyddu’r cydraniad yn cynyddu gofynion cof.
aspect_ratiodewisol
Mathenum
Rhagosodedig1:1
16:91:19:16
Cymhareb agwedd hyfforddi.
trigger_phrasedewisol
Mathstring
Rhagosodedig
Ymadrodd actifadu arddull LoRA, wedi’i fewnosod ar ddechrau’r isdeitlau yn ystod hyfforddiant.
auto_scale_inputdewisol
Mathboolean
Rhagosodedigfalse
Addasiad fideo awtomatig i gyd-fynd â’r FPS a’r cyfrif fframiau y gofynnwyd amdanynt pan gaiff ei alluogi; nid yw setiau data delweddau’n newid.
split_input_into_scenesdewisol
Mathboolean
Rhagosodedigfalse
Rheoli rhannu golygfeydd, wedi’i anwybyddu wrth baratoi sain targed/cyfeiriad wedi’i baru ar gyfer a2a oherwydd byddai rhannu’n dadgydamseru’r pâr. Cadwch ef i ffwrdd ar gyfer a2a a darparwch glipiau sydd wedi’u rhannu ymlaen llaw.
split_input_duration_thresholddewisol
Mathnumber
Rhagosodedig30
1 – 60
Sbardun rhannu golygfeydd wedi’i fynegi fel hyd mewn eiliadau: dim ond fideos sy’n hwy na’r trothwy a gaiff eu rhannu.
debug_datasetdewisol
Mathboolean
Rhagosodedigfalse
Modd archwilio rhagbrosesu ar gyfer gwirio fideos, delweddau ac isdeitlau cyn rhediad hyfforddi llawn. Mae ei alluogi’n gwneud i’r hyfforddwr ddychwelyd y set ddata hyfforddi wedi’i phrosesu mewn archif y gellir ei lawrlwytho i’w hadolygu â llaw.
audio_normalizedewisol
Mathboolean
Rhagosodedigtrue
Normaleiddio brig sain i gynnal lefelau cyson drwy’r set ddata.
audio_preserve_pitchdewisol
Mathboolean
Rhagosodedigtrue
Cadw traw wrth ffitio hyd sain, yn hytrach na thorri neu badio.
audio_duration_secondsdewisol
Mathnumber
Rhagosodedig5
0.5 – 60
Bwced hyd sain mewn eiliadau, sy’n ofynnol ar gyfer moddau sain yn unig gan nad oes ganddynt gyfrif fframiau fideo i gyfrifo hyd ohono. Mae’r targed hwn yn pennu sut yr ymdrinnir â chlipiau: caiff sain dros ben ei thorri, tra bod clipiau rhy fyr yn cael eu hepgor.
validationdewisol
Mathobject[]
Rhagosodedig[]
≤ 2 eitem
Rhestr anogiadau dilysu sy’n paru pob anogiad â chlip sain cyfeirio.
validation[].promptgofynnol
Mathstring
Anogiad a ddefnyddir wrth ddilysu.
validation[].reference_audio_urlgofynnol
Mathurl · audio
≥ 1 characters
URL sain cyfeirio a ddefnyddir i gyflyru cynhyrchu sain.
validation_negative_promptdewisol
Mathstring
Rhagosodedigblurry, 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.
Anogiad negyddol a gymhwysir wrth ddilysu, sy’n defnyddio proses rhagolwg un cam. Gan fod y broses hon yn brasamcanu casglu cynhyrchu distylliedig gyda dau gam, mae ei chanllaw a’i hansawdd rhagolwg yn wahanol i’r canlyniadau terfynol.
validation_number_of_framesdewisol
Mathinteger
Rhagosodedig89
9 – 121
Cyfrif fframiau ar gyfer pob fideo dilysu.
validation_frame_ratedewisol
Mathinteger
Rhagosodedig24
8 – 60
Cyfradd ffrâm darged ar gyfer fideos dilysu, mewn fframiau yr eiliad; mae LTX-2.3 yn rhedeg yn frodorol ar 24.
validation_resolutiondewisol
Mathenum
Rhagosodedighigh
lowmediumhigh
Cydraniad a ddefnyddir wrth ddilysu.
validation_aspect_ratiodewisol
Mathenum
Rhagosodedig1:1
16:91:19:16
Cymhareb agwedd a ddefnyddir wrth ddilysu.
stg_scaledewisol
Mathnumber
Rhagosodedig1
0 – 3
Graddfa Canllaw Gofodol-Amserol (STG), gyda 1.0 wedi’i argymell a 0.0 yn diffodd STG.
gofynnol

Allbwn

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/a2a",
  "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": 4600,
    "usd": "4.60",
    "charged": 4600,
    "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"
  }
}
Eich ffeiliau, eich dewisMae pob outputs[].url yn gopi ar ein storio: wedi'i gadw am byth (telir fesul GB-mis) neu am 7 diwrnod am ddim, yn ôl gosodiad eich cyfrif neu ?storage=.
Yr un siâp ar bob modeltype, url, content_type, width, height a duration, ar gyfer delweddau, fideo a sain fel ei gilydd. Gwrthrych canlyniad y model ei hun yw output.
Meysydd yr allbwn
video
object {url, content_type, file_name, file_size} | nullRhagolwg fideo cyfun o’r dilysu, pan fydd ar gael ar gyfer diweddbwyntiau sy’n cynhyrchu fideo.
audio
object {url, content_type, file_name, file_size} | nullSain gyfun o’r dilysu, a ddarperir fel rhagolwg pan fydd ar gael ar gyfer y llwybrau sain yn unig hyn: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a, a /v2a.
lora_file
object {url, content_type, file_name, file_size}URL ar gyfer pwysoliadau LoRA hyfforddedig mewn fformat .safetensors.
config_file
object {url, content_type, file_name, file_size}Cyfluniad ar gyfer gosod diweddbwynt casglu.
debug_dataset
object {url, content_type, file_name, file_size} | nullAllbwn dadfygio sydd ar gael pan fo `debug_dataset` wedi’i alluogi: archif y gellir ei lawrlwytho sy’n cynnwys y data hyfforddi ar ôl rhagbrosesu.

Mwy o fodelau: Hyfforddi

Ar gyfer asiantau AI: mae'r dudalen hon fel Markdown ar gael yn https://doitong.com/cy/developers/models/ltx23-trainer-v2/a2a.md. Pob model a chanllaw: https://doitong.com/developers/llms.txt