# LTX-2.3 22B Video to Video Trainer API

> Entrena una LoRA LTX-2.3 22B para la transformación de vídeo o la generación condicionada por vídeo a partir de vídeos de referencia

Entrena una LoRA en el modelo LTX-2.3 22B para la transformación de vídeo, utilizando un zip de vídeos o imágenes (mp4, mov, avi, mkv, png, jpg, jpeg); se recomiendan al menos unos 10 archivos. `number_of_steps` va de 1 a 20000 (valor predeterminado 2000) y `frame_rate` es 25 de forma predeterminada. `first_frame_conditioning_p` es 0.1 de forma predeterminada. La validación admite hasta 2 prompts con vídeos de referencia.

- Model id: `ltx23-v2v-trainer`
- Made by: Lightricks
- Category: Training
- Output: file
- Price: $0.0135 / step (cheapest run $27.00 (27000 API credits))
- Run: `POST https://api.doitong.com/v1/run/ltx23-v2v-trainer`
- Quote: `POST https://api.doitong.com/v1/quote/ltx23-v2v-trainer`
- Docs page: https://doitong.com/es-ES/developers/models/ltx23-v2v-trainer

## Pricing

Price: **$0.0135 / step**. Billed per training step (`number_of_steps`).

The full example input below costs $27.00 = 27000 API credits (2000 steps × 13.5 API credits).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.com/v1/quote/ltx23-v2v-trainer` 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

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `training_data_url` |  | string | yes |  |  | URL de un archivo ZIP para un conjunto de datos que contenga exclusivamente imágenes o exclusivamente vídeos; no se admiten conjuntos de datos multimedia mixtos. Se recomiendan 10 archivos o más, preferiblemente una colección mayor. Las extensiones aceptadas son .png, .jpg, .jpeg para imágenes y .mp4, .mov, .avi, .mkv para vídeos. Los archivos de texto de subtítulos son opcionales y pueden acompañar a los archivos multimedia; cada archivo de subtítulos debe tener el mismo nombre que su archivo multimedia asociado. |
| `rank` |  | enum (integer) | no | `32` | `8`, `16`, `32`, `64`, `128` | Rango de adaptación de LoRA, que intercambia un mayor consumo de memoria por una mayor capacidad a medida que aumenta el valor. |
| `number_of_steps` |  | integer | no | `2000` | 1 – 20,000 | Número total de pasos de entrenamiento. |
| `learning_rate` |  | number | no | `0.0002` | 0.000001 – 1 | Tasa de aprendizaje de optimización, que equilibra una posible aceleración del entrenamiento con el riesgo de sobreajuste al aumentarla. |
| `number_of_frames` |  | integer | no | `89` | 9 – 121 | Número de fotogramas de cada muestra de entrenamiento. Dividir el número entre 8 debe dejar un resto de 1; algunos ejemplos son 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97. |
| `frame_rate` |  | integer | no | `25` | 8 – 60 | Frecuencia de fotogramas del vídeo de destino, medida en fotogramas por segundo. |
| `resolution` |  | enum (string) | no | `medium` | `low`, `medium`, `high` | Resolución de entrenamiento. Aumentarla incrementa los requisitos de memoria. |
| `aspect_ratio` |  | enum (string) | no | `1:1` | `16:9`, `1:1`, `9:16` | Relación de aspecto del entrenamiento. |
| `trigger_phrase` |  | string | no | `` |  | Frase de activación de estilo de LoRA, insertada al principio de los pies de foto durante el entrenamiento. |
| `auto_scale_input` |  | boolean | no | `false` |  | Ajuste automático del vídeo para coincidir con los FPS y el número de fotogramas solicitados cuando está activado; los conjuntos de datos de imágenes no cambian. |
| `split_input_into_scenes` |  | boolean | no | `true` |  | División de escenas para vídeos que superan un umbral de duración, activada cuando es true. |
| `split_input_duration_threshold` |  | number | no | `30` | 1 – 60 | Activador de división de escenas expresado como una duración en segundos: solo se dividen los vídeos que superan el umbral. |
| `debug_dataset` |  | boolean | no | `false` |  | Modo de inspección del preprocesamiento para comprobar vídeos, imágenes y pies de foto antes de una ejecución completa de entrenamiento. Activarlo hace que el entrenador devuelva el conjunto de datos de entrenamiento procesado en un archivo descargable para su revisión manual. |
| `first_frame_conditioning_p` |  | number | no | `0.1` | 0 – 1 | Favorece la transformación de vídeo a vídeo reduciendo la frecuencia con la que el entrenamiento usa el condicionamiento del primer fotograma; este valor establece dicha probabilidad. |
| `validation` |  | array of object {prompt, reference_video_url} | no | `[]` | ≤ 2 items | Lista de entradas de validación que contiene prompts emparejados con vídeos de referencia. |
| `validation[].prompt` |  | string | yes |  |  | Prompt utilizado durante la validación. |
| `validation[].reference_video_url` |  | string (video URL) | yes |  | ≥ 1 characters | Proporciona mediante su URL el vídeo que se transformará durante la validación de IC-LoRA. |
| `validation_negative_prompt` |  | string | no | `worst quality, inconsistent motion, blurry, jittery, distorted` |  | Prompt negativo aplicado durante la validación. |
| `validation_number_of_frames` |  | integer | no | `89` | 9 – 121 | Número de fotogramas de cada vídeo de validación. |
| `validation_frame_rate` |  | integer | no | `25` | 8 – 60 | Frecuencia de fotogramas del vídeo de validación de destino, medida en fotogramas por segundo. |
| `validation_resolution` |  | enum (string) | no | `high` | `low`, `medium`, `high` | Resolución utilizada durante la validación. |
| `validation_aspect_ratio` |  | enum (string) | no | `1:1` | `16:9`, `1:1`, `9:16` | Relación de aspecto utilizada durante la validación. |
| `stg_scale` |  | number | no | `1` | 0 – 3 | Escala de Spatio-Temporal Guidance (STG), con 1.0 recomendado y 0.0 para desactivar STG. |

## Example input

Required parameters only:

```json
{
  "training_data_url": "https://example.com/your-file.zip"
}
```

A fuller example:

```json
{
  "training_data_url": "https://example.com/your-file.zip"
}
```

## 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.com/v1/run/ltx23-v2v-trainer?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"
```

### JavaScript

```javascript
const API = "https://api.doitong.com/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/ltx23-v2v-trainer?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "training_data_url": "https://example.com/your-file.zip"
  }),
});
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.com/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "training_data_url": "https://example.com/your-file.zip",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/ltx23-v2v-trainer", 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.com/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": "ltx23-v2v-trainer",
      "input": {
        "training_data_url": "https://example.com/your-file.zip"
      },
      "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": "ltx23-v2v-trainer",
  "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": 27000,
    "usd": "27.00",
    "charged": 27000,
    "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
    },
    "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `video` | object {url, content_type, file_name, file_size} \| null | URL de cualquier vídeo de validación disponible, mostrado junto a sus vídeos de referencia. |
| `lora_file` | object {url, content_type, file_name, file_size} | URL del archivo de pesos IC-LoRA entrenado en formato .safetensors. |
| `config_file` | object {url, content_type, file_name, file_size} | Configuración de la preparación del endpoint de inferencia. |
| `debug_dataset` | object {url, content_type, file_name, file_size} \| null | Archivo de depuración descargable, disponible solo para entradas que habilitan `debug_dataset`; su contenido de datos de entrenamiento está preprocesado e incluye vídeos en forma decodificada. |

## Related models

- [LTX 2.3 Trainer (V2) - Audio Inpainting](https://doitong.com/developers/models/ltx23-trainer-v2/audio-inpaint.md) (`ltx23-trainer-v2/audio-inpaint`): $0.0023 / step
- [LTX 2.3 Trainer (V2) - Audio+Video Reference IC-LoRA](https://doitong.com/developers/models/ltx23-trainer-v2/ic-lora/av2av.md) (`ltx23-trainer-v2/ic-lora/av2av`): $0.0068 / step
- [LTX 2.3 Trainer (V2) - Audio+Video Reference Transformation](https://doitong.com/developers/models/ltx23-trainer-v2/av2av.md) (`ltx23-trainer-v2/av2av`): $0.0068 / step
- [LTX 2.3 Trainer (V2) - Audio-to-Audio](https://doitong.com/developers/models/ltx23-trainer-v2/a2a.md) (`ltx23-trainer-v2/a2a`): $0.0023 / step
- [LTX 2.3 Trainer (V2) - Audio-to-Audio IC-LoRA](https://doitong.com/developers/models/ltx23-trainer-v2/ic-lora/a2a.md) (`ltx23-trainer-v2/ic-lora/a2a`): $0.0023 / step
- [LTX 2.3 Trainer (V2) - Audio-to-Video](https://doitong.com/developers/models/ltx23-trainer-v2/a2v.md) (`ltx23-trainer-v2/a2v`): $0.006 / step
- [LTX 2.3 Trainer (V2) - Backward Audio Extension](https://doitong.com/developers/models/ltx23-trainer-v2/audio-extend-suffix.md) (`ltx23-trainer-v2/audio-extend-suffix`): $0.0023 / step
- [LTX 2.3 Trainer (V2) - Backward Video Extension](https://doitong.com/developers/models/ltx23-trainer-v2/extend-suffix.md) (`ltx23-trainer-v2/extend-suffix`): $0.0061 / step

## Links

- HTML page: https://doitong.com/developers/models/ltx23-v2v-trainer
- 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=ltx23-v2v-trainer
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/ltx23-v2v-trainer