Ir al contenido

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

Integrar

Id del modelo ltx23-trainer-v2/v2a
# 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/v2a?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"

Esta solicitud: 9,80 $ 9800 créditos de API Ejecutar en esta página

Obtener clave de API
Lightricks · Archivo

Tu primer resultado aparecerá aquí

Crea una solicitud abajo y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, conservadas para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan al modificarlos.

resolution predeterminado medium

Resolución de entrenamiento. Aumentarla incrementa los requisitos de memoria.

aspect_ratio predeterminado 1:1

Relación de aspecto del entrenamiento.

•obligatorio

URL de un `.zip` que contiene datos de entrenamiento, organizados según el modo de entrenamiento seleccionado. Cada archivo multimedia puede tener un pie de foto `.txt` asociado con el mismo nombre base.

predeterminado 2000

Número total de pasos de entrenamiento.

Avanzado 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 · auto_scale_input · split_input_into_scenes · debug_dataset · validation
predeterminado blurry, out of focus,...

Prompt negativo aplicado durante la validación, que utiliza un proceso de vista previa de una sola etapa. Como este proceso aproxima la inferencia de producción destilada de dos etapas, su guía y calidad de vista previa difieren de los resultados finales.

rank predeterminado 32

Rango de adaptación de LoRA, que intercambia un mayor consumo de memoria por una mayor capacidad a medida que aumenta el valor.

validation_resolution predeterminado high

Resolución utilizada durante la validación.

validation_aspect_ratio predeterminado 1:1

Relación de aspecto utilizada durante la validación.

predeterminado

Frase de activación del estilo LoRA, insertada al principio de los pies de foto durante el entrenamiento.

predeterminado 0.0002

Tasa de aprendizaje de optimización.

predeterminado 89

Número de fotogramas de cada muestra de entrenamiento. Al dividirlo entre 8, el resto debe ser 1; algunos ejemplos son 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

predeterminado 24

Frecuencia de fotogramas objetivo del video de entrenamiento, en fotogramas por segundo. La frecuencia nativa de LTX-2.3 es 24.

predeterminado 30

Activador de división de escenas expresado como una duración en segundos: solo se dividen los videos que superan el umbral.

predeterminado 89

Número de fotogramas de cada video de validación.

predeterminado 24

Frecuencia de fotogramas objetivo para los videos de validación, en fotogramas por segundo; LTX-2.3 funciona de forma nativa a 24.

predeterminado 1

Escala de la guía espaciotemporal (STG), con 1.0 como valor recomendado y 0.0 para desactivar STG.

predeterminado []

Datos de validación para generar audio, proporcionados como una lista de elementos que contienen un prompt y un video sin audio.

POST /run/ltx23-trainer-v2/v2a?wait=20 cotización → 9,80 $
# 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/v2a?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"

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y se guarda (localStorage) únicamente si marcas Recordar. Obtener una clave de API

Acerca de LTX 2.3 Trainer (V2) - Video-to-Audio

Entrena una LoRA que produce una banda sonora que coincide con la acción mostrada en un video. Cada clip de entrenamiento debe conservar una pista de audio, por lo que la división de escenas está desactivada de forma predeterminada para evitar segmentos finales silenciosos. Las muestras de validación (hasta 2) emparejan cada una un prompt con un video sin sonido. Los datos se proporcionan como un zip mediante `training_data_url`.

Parámetros

NombreTipo PredeterminadoPermitido Descripción
training_data_urlobligatorio
Tipostring
URL de un `.zip` que contiene datos de entrenamiento, organizados según el modo de entrenamiento seleccionado. Cada archivo multimedia puede tener un pie de foto `.txt` asociado con el mismo nombre base.
rankopcional
Tipoenum
Predeterminado32
8163264128
Rango de adaptación de LoRA, que intercambia un mayor consumo de memoria por una mayor capacidad a medida que aumenta el valor.
number_of_stepsopcional
Tipointeger
Predeterminado2000
100 – 10.000
Número total de pasos de entrenamiento.
learning_rateopcional
Tiponumber
Predeterminado0.0002
0,000001 – 1
Tasa de aprendizaje de optimización.
number_of_framesopcional
Tipointeger
Predeterminado89
9 – 121
Número de fotogramas de cada muestra de entrenamiento. Al dividirlo entre 8, el resto debe ser 1; algunos ejemplos son 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_rateopcional
Tipointeger
Predeterminado24
8 – 60
Frecuencia de fotogramas objetivo del video de entrenamiento, en fotogramas por segundo. La frecuencia nativa de LTX-2.3 es 24.
resolutionopcional
Tipoenum
Predeterminadomedium
lowmediumhigh
Resolución de entrenamiento. Aumentarla incrementa los requisitos de memoria.
aspect_ratioopcional
Tipoenum
Predeterminado1:1
16:91:19:16
Relación de aspecto del entrenamiento.
trigger_phraseopcional
Tipostring
Predeterminado
Frase de activación del estilo LoRA, insertada al principio de los pies de foto durante el entrenamiento.
auto_scale_inputopcional
Tipoboolean
Predeterminadofalse
Ajuste automático del video para coincidir con los FPS y el número de fotogramas solicitados cuando está activado; los conjuntos de datos de imágenes no se modifican.
split_input_into_scenesopcional
Tipoboolean
Predeterminadofalse
Controla la división basada en escenas de videos largos cuando es true. Para v2a, está desactivada de forma predeterminada, igual que en a2v: cada clip necesita una pista de audio porque el modelo genera audio. La división puede dejar segmentos sin audio al final que activen un error confuso durante la validación de audio por clip.
split_input_duration_thresholdopcional
Tiponumber
Predeterminado30
1 – 60
Activador de división de escenas expresado como una duración en segundos: solo se dividen los videos que superan el umbral.
debug_datasetopcional
Tipoboolean
Predeterminadofalse
Modo de inspección del preprocesamiento para comprobar videos, imágenes y pies de foto antes de una ejecución completa del entrenamiento. Activarlo hace que el entrenador devuelva el conjunto de datos de entrenamiento procesado en un archivo descargable para su revisión manual.
validationopcional
Tipoobject[]
Predeterminado[]
≤ 2 elementos
Datos de validación para generar audio, proporcionados como una lista de elementos que contienen un prompt y un video sin audio.
validation[].promptobligatorio
Tipostring
Prompt utilizado durante la validación.
validation[].video_urlobligatorio
Tipourl · video
≥ 1 characters
URL de un video sin audio para el que el modelo creará audio.
validation_negative_promptopcional
Tipostring
Predeterminadoblurry, 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.
Prompt negativo aplicado durante la validación, que utiliza un proceso de vista previa de una sola etapa. Como este proceso aproxima la inferencia de producción destilada de dos etapas, su guía y calidad de vista previa difieren de los resultados finales.
validation_number_of_framesopcional
Tipointeger
Predeterminado89
9 – 121
Número de fotogramas de cada video de validación.
validation_frame_rateopcional
Tipointeger
Predeterminado24
8 – 60
Frecuencia de fotogramas objetivo para los videos de validación, en fotogramas por segundo; LTX-2.3 funciona de forma nativa a 24.
validation_resolutionopcional
Tipoenum
Predeterminadohigh
lowmediumhigh
Resolución utilizada durante la validación.
validation_aspect_ratioopcional
Tipoenum
Predeterminado1:1
16:91:19:16
Relación de aspecto utilizada durante la validación.
stg_scaleopcional
Tiponumber
Predeterminado1
0 – 3
Escala de la guía espaciotemporal (STG), con 1.0 como valor recomendado y 0.0 para desactivar STG.
obligatorio

Salida

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/v2a",
  "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": 9800,
    "usd": "9.80",
    "charged": 9800,
    "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"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: conservada para siempre (se cobra por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para vídeo y audio. output es el objeto de resultado propio del modelo.
Campos de salida
video
object {url, content_type, file_name, file_size} | nullVista previa combinada del video de validación, cuando está disponible para endpoints que producen video.
audio
object {url, content_type, file_name, file_size} | nullAudio combinado de la validación, proporcionado como vista previa cuando está disponible para estas rutas de solo audio: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a y /v2a.
lora_file
object {url, content_type, file_name, file_size}URL de los pesos de LoRA entrenados en formato .safetensors.
config_file
object {url, content_type, file_name, file_size}Configuración del endpoint de inferencia.
debug_dataset
object {url, content_type, file_name, file_size} | nullSalida de depuración disponible cuando `debug_dataset` está activado: un archivo que se puede descargar y que contiene los datos de entrenamiento después del preprocesamiento.

Más modelos: Entrenamiento

Para agentes de IA: esta página en Markdown está en https://doitong.com/es/developers/models/ltx23-trainer-v2/v2a.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt