رفتن به محتوا

Ltx 2.3 Quality · Audio to Video

یکپارچه‌سازی

شناسه مدل ltx-2.3-quality/audio-to-video
# 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/ltx-2.3-quality/audio-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",
    "audio": "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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

فایل‌هایی مانند نمونه: ⁨‎$۰٫۵۳۷⁩ ۵۳۷ اعتبار API فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Lightricks همگام‌سازی لب و آواتارها صوت بومیهمگام‌سازی لب #audio-to-video

ویدیوی صوت‌محور از پرامپت و قطعهٔ صوتی، با تصویر اختیاری فریم اول

Lightricks · ویدیو

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی

پرامپت هدایت‌کننده تولید ویدیوی مبتنی بر صوت.

•الزامی audio_url
یک فایل بیندازید، یا

نشانی اینترنتی قطعه صوتی مورد استفاده برای هدایت تولید.

resolution پیش‌فرض auto

ابعاد نهایی خروجی؛ برای 'auto' در صورت نبودن `image_url`، حالت افقی جایگزین می‌شود. در صورت وجود تصویر، 'auto' نسبت ابعاد آن را انتخاب می‌کند.

پیش‌فرض 121

تعداد فریم خروجی تولیدشده.

پیش‌فرض 24

نرخ فریم ویدیوی خروجی، اندازه‌گیری‌شده برحسب فریم بر ثانیه.

پیشرفته negative_prompt · image · video_quality · video_write_mode · num_inference_steps · guidance_scale · image_strength · seed · enable_prompt_expansion · enable_safety_checker
پیش‌فرض color distortion, ove...

پرامپت منفی که مشخص می‌کند تولید باید از چه چیزهایی پرهیز کند.

image_url
یک فایل بیندازید، یا

تصویر فریم اول که با نشانی اینترنتی ارائه می‌شود تا تولیدی را که در غیر این صورت فقط از متن و صوت استفاده می‌کند تکمیل کند؛ ارائه آن اختیاری است.

video_quality پیش‌فرض high

پیش‌تنظیم کیفیت اعمال‌شده به ویدیوی خروجی.

video_write_mode پیش‌فرض balanced

حالت نوشتن ویدیوی حاصل.

پیش‌فرض 15

تعداد گام‌های استنتاج را تعیین کنید؛ حداکثر 30 است و باقی گذاشتن مقدار بدون تغییر از 15 استفاده می‌کند.

پیش‌فرض 1

هدایت بدون طبقه‌بند را با این مقیاس تنظیم کنید؛ تنظیم پیش‌فرض آن هم کیفیت بالا و هم تولید سریع را هدف می‌گیرد.

پیش‌فرض 0.7

شدت شرطی‌سازی اختیاری فریم اول: برای آزادی بیشتر مدل آن را کاهش دهید، یا برای پایبندی سخت‌گیرانه‌تر به تصویر از 1.0 استفاده کنید.

Seed برای تکرارپذیر کردن تولید. تنظیم آن روی None، Seed را به‌صورت تصادفی انتخاب می‌کند.

POST /run/ltx-2.3-quality/audio-to-video?wait=20 قیمت → ⁨‎$۰٫۵۳۷⁩
# 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/ltx-2.3-quality/audio-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",
    "audio": "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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Ltx 2.3 Quality · Audio to Video

ویدیویی هماهنگ با قطعه صوتی ارائه‌شده و هدایت‌شده با `prompt` متنی می‌سازد. `audio_url` الزامی است؛ `image_url` اختیاری فریم اول را تعیین می‌کند و `image_strength` (از 0 تا 1) میزان حفظ آن را کنترل می‌کند. با فعال‌بودن `match_audio_length` تعداد فریم از طول صدا و `frames_per_second` به‌دست می‌آید؛ در غیر این صورت `num_frames` (از 9 تا 481) اعمال می‌شود. هفت پیش‌تنظیم `resolution`، شامل `auto`، در دسترس است.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
promptالزامی
نوعstring
پرامپت هدایت‌کننده تولید ویدیوی مبتنی بر صوت.
audio_urlالزامی audio
نوعurl · audio
نشانی اینترنتی قطعه صوتی مورد استفاده برای هدایت تولید.
image_urlاختیاری image
نوعurl · image
تصویر فریم اول که با نشانی اینترنتی ارائه می‌شود تا تولیدی را که در غیر این صورت فقط از متن و صوت استفاده می‌کند تکمیل کند؛ ارائه آن اختیاری است.
match_audio_lengthاختیاری
نوعboolean
پیش‌فرضtrue
حالت تعداد فریم که در حالت خاموش از `num_frames` استفاده می‌کند. با روشن کردن آن، تعداد با استفاده از `frames_per_second` و مدت صوت محاسبه می‌شود.
num_framesاختیاری
نوعinteger
پیش‌فرض121
۹ – ۴۸۱
تعداد فریم خروجی تولیدشده.
resolutionاختیاری
نوعobject
پیش‌فرضauto
autosquare_hdsquareportrait_4_3portrait_16_9landscape_4_3landscape_16_9
ابعاد نهایی خروجی؛ برای 'auto' در صورت نبودن `image_url`، حالت افقی جایگزین می‌شود. در صورت وجود تصویر، 'auto' نسبت ابعاد آن را انتخاب می‌کند.
frames_per_secondاختیاری
نوعnumber
پیش‌فرض24
۱ – ۶۰
نرخ فریم ویدیوی خروجی، اندازه‌گیری‌شده برحسب فریم بر ثانیه.
num_inference_stepsاختیاری
نوعinteger
پیش‌فرض15
۸ – ۳۰
تعداد گام‌های استنتاج را تعیین کنید؛ حداکثر 30 است و باقی گذاشتن مقدار بدون تغییر از 15 استفاده می‌کند.
guidance_scaleاختیاری
نوعnumber
پیش‌فرض1
۱ – ۲۰
هدایت بدون طبقه‌بند را با این مقیاس تنظیم کنید؛ تنظیم پیش‌فرض آن هم کیفیت بالا و هم تولید سریع را هدف می‌گیرد.
generate_audioاختیاری
نوعboolean
پیش‌فرضtrue
کلید قطعه صوتی برای MP4 بازگشتی: حالت خاموش فایل فقط ویدیو تولید می‌کند و حالت روشن صوت را نیز شامل می‌شود.
image_strengthاختیاری
نوعnumber
پیش‌فرض0.7
۰ – ۱
شدت شرطی‌سازی اختیاری فریم اول: برای آزادی بیشتر مدل آن را کاهش دهید، یا برای پایبندی سخت‌گیرانه‌تر به تصویر از 1.0 استفاده کنید.
negative_promptاختیاری
نوعstring
پیش‌فرضcolor distortion, overexposure, static, blurry details, subtitles, style, artwork, painting, frame, still, dim overall tone, worst quality, low quality, JPEG compression artifacts, ugly, mutilated, extra fingers, poorly drawn hands, poorly drawn face, deformed, disfigured, malformed limbs, fused fingers, motionless frame, cluttered background, three legs, crowded background, walking backwards
پرامپت منفی که مشخص می‌کند تولید باید از چه چیزهایی پرهیز کند.
seedاختیاری
نوعinteger | null
Seed برای تکرارپذیر کردن تولید. تنظیم آن روی None، Seed را به‌صورت تصادفی انتخاب می‌کند.
enable_prompt_expansionاختیاری
نوعboolean
پیش‌فرضtrue
مشخص می‌کند گسترش پرامپت فعال باشد یا نه.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
مشخص می‌کند بررسی ایمنی فعال باشد یا نه.
video_qualityاختیاری
نوعenum
پیش‌فرضhigh
lowmediumhighmaximum
پیش‌تنظیم کیفیت اعمال‌شده به ویدیوی خروجی.
video_write_modeاختیاری
نوعenum
پیش‌فرضbalanced
fastbalancedsmall
حالت نوشتن ویدیوی حاصل.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx-2.3-quality/audio-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": 537,
    "usd": "0.537",
    "charged": 537,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "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
    },
    "seed": 42,
    "prompt": "string"
  },
  "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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
video
object {url, content_type, file_name, file_size}ویدیوی تولیدشده توسط مدل.
seed
integerseed واقعی اعمال‌شده هنگام تولید.
prompt
stringپرامپت تولید، شامل هر گسترشی که پیش از استفاده اعمال شده است.

مدل‌های بیشتر: همگام‌سازی لب و آواتارها

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/ltx-2.3-quality/audio-to-video.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt