# LTX 2.3 Trainer (V2) - Keyframe Interpolation API

> یک LoRA آموزش می‌دهد که حرکت بین فریم‌های کلیدی اول و آخر، و در صورت وجود فریم میانی، بین آن‌ها را تولید می‌کند

یک LoRA برای درون‌یابی فریم‌های کلیدی آموزش می‌دهد: هنگام استنتاج، فریم اول و آخر را ارائه می‌کنید و مدل ویدیوی بین آن‌ها را تولید می‌کند. برای آموزش با فریم‌های اول، میانی و آخر، `include_middle_keyframe` را فعال کنید؛ در این حالت هر نمونهٔ اعتبارسنجی باید `middle_image_url` را ارائه دهد. داده‌ها از طریق `training_data_url` به‌صورت zip ارسال می‌شوند و حداکثر 2 ورودی اعتبارسنجی دارند.

- Model id: `ltx23-trainer-v2/interpolate`
- Made by: Lightricks
- Category: Training
- Output: file
- Price: $0.0024 / step (cheapest run $4.80 (4800 API credits))
- Run: `POST https://api.doitong.com/v1/run/ltx23-trainer-v2/interpolate`
- Quote: `POST https://api.doitong.com/v1/quote/ltx23-trainer-v2/interpolate`
- Docs page: https://doitong.com/fa/developers/models/ltx23-trainer-v2/interpolate

## Pricing

Price: **$0.0024 / step**. Billed per training step (`number_of_steps`).

The full example input below costs $4.80 = 4800 API credits (2000 steps × 2.4 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-trainer-v2/interpolate` 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 یک `.zip` حاوی داده‌های آموزشی، سازمان‌یافته بر اساس حالت آموزشی انتخاب‌شده. هر فایل رسانه‌ای می‌تواند یک کپشن `.txt` با نام پایه یکسان داشته باشد. |
| `rank` |  | enum (integer) | no | `32` | `8`, `16`, `32`, `64`, `128` | رتبه سازگارسازی LoRA که با افزایش مقدار، مصرف حافظه بیشتر و ظرفیت بالاتری ایجاد می‌کند. |
| `number_of_steps` |  | integer | no | `2000` | 100 – 10,000 | تعداد کل گام‌های آموزشی. |
| `learning_rate` |  | number | no | `0.0002` | 0.000001 – 1 | نرخ یادگیری بهینه‌سازی. |
| `number_of_frames` |  | integer | no | `89` | 9 – 121 | تعداد فریم هر نمونه آموزشی. تقسیم این تعداد بر 8 باید باقیمانده 1 داشته باشد؛ نمونه‌ها شامل 1، 9، 17، 25، 33، 41، 49، 57، 65، 73، 81، 89، 97 هستند. |
| `frame_rate` |  | integer | no | `24` | 8 – 60 | نرخ فریم هدف ویدیوی آموزشی برحسب فریم در ثانیه. نرخ بومی LTX-2.3 برابر 24 است. |
| `resolution` |  | enum (string) | no | `medium` | `low`, `medium`, `high` | وضوح آموزشی. افزایش وضوح نیاز حافظه را بیشتر می‌کند. |
| `aspect_ratio` |  | enum (string) | no | `1:1` | `16:9`, `1:1`, `9:16` | نسبت تصویر آموزشی. |
| `trigger_phrase` |  | string | no | `` |  | عبارت فعال‌سازی سبک LoRA که هنگام آموزش در ابتدای کپشن‌ها درج می‌شود. |
| `auto_scale_input` |  | boolean | no | `false` |  | تنظیم خودکار ویدیو برای تطبیق با FPS و تعداد فریم درخواستی هنگام فعال‌بودن؛ مجموعه‌داده‌های تصویری بدون تغییر می‌مانند. |
| `split_input_into_scenes` |  | boolean | no | `true` |  | تقسیم صحنه برای ویدیوهای طولانی‌تر از آستانه مدت‌زمان که در صورت true فعال می‌شود. |
| `split_input_duration_threshold` |  | number | no | `30` | 1 – 60 | محرک تقسیم صحنه که به‌صورت مدت برحسب ثانیه بیان می‌شود: فقط ویدیوهای طولانی‌تر از آستانه تقسیم می‌شوند. |
| `debug_dataset` |  | boolean | no | `false` |  | حالت بررسی پیش‌پردازش برای وارسی ویدیوها، تصاویر و کپشن‌ها پیش از اجرای کامل آموزش. فعال‌کردن آن باعث می‌شود آموزش‌دهنده مجموعه‌داده آموزشی پردازش‌شده را در یک بایگانی قابل‌دانلود برای بررسی دستی برگرداند. |
| `validation` |  | array of object {prompt, start_image_url, end_image_url, middle_image_url} | no | `[]` | ≤ 2 items | داده اعتبارسنجی ارائه‌شده به‌صورت فهرست؛ هر مورد تصاویر فریم کلیدی را با یک پرامپت ترکیب می‌کند. |
| `validation[].prompt` |  | string | yes |  |  | پرامپت استفاده‌شده هنگام اعتبارسنجی. |
| `validation[].start_image_url` |  | string (image URL) | yes |  | ≥ 1 characters | URL تصویر فریم کلیدی برای فریم آغازین. |
| `validation[].end_image_url` |  | string (image URL) | yes |  | ≥ 1 characters | URL تصویر فریم کلیدی برای فریم پایانی. |
| `validation[].middle_image_url` |  | string (image URL) \| null | no |  |  | URL تصویر فریم کلیدی میانی برای درون‌یابی اول+میانی+آخر. اجراهای دارای `include_middle_keyframe=true` به آن نیاز دارند؛ در غیر این صورت اختیاری است. |
| `validation_negative_prompt` |  | string | no | `blurry, 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.` |  | پرامپت منفی اعمال‌شده هنگام اعتبارسنجی که از فرایند پیش‌نمایش تک‌مرحله‌ای استفاده می‌کند. چون این فرایند استنتاج تولید تقطیرشده دومرحله‌ای را تقریب می‌زند، راهنمایی و کیفیت پیش‌نمایش آن با نتایج نهایی متفاوت است. |
| `validation_number_of_frames` |  | integer | no | `89` | 9 – 121 | تعداد فریم هر ویدیوی اعتبارسنجی. |
| `validation_frame_rate` |  | integer | no | `24` | 8 – 60 | نرخ فریم هدف برای ویدیوهای اعتبارسنجی، برحسب فریم در ثانیه؛ LTX-2.3 به‌صورت بومی با 24 اجرا می‌شود. |
| `validation_resolution` |  | enum (string) | no | `high` | `low`, `medium`, `high` | وضوح استفاده‌شده هنگام اعتبارسنجی. |
| `validation_aspect_ratio` |  | enum (string) | no | `1:1` | `16:9`, `1:1`, `9:16` | نسبت تصویر استفاده‌شده هنگام اعتبارسنجی. |
| `stg_scale` |  | number | no | `1` | 0 – 3 | مقیاس راهنمایی مکانی-زمانی (STG)؛ مقدار پیشنهادی 1.0 است و 0.0، STG را خاموش می‌کند. |
| `include_middle_keyframe` |  | boolean | no | `false` |  | گنجاندن فریم کلیدی میانی برای تولید ویدیو: true وجود `middle_image_url` را در هر نمونه اعتبارسنجی الزامی می‌کند و فریم میانی را در کنار فریم اول و آخر نگه می‌دارد، نه اینکه فقط از اول و آخر استفاده کند. |

## 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-trainer-v2/interpolate?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-trainer-v2/interpolate?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-trainer-v2/interpolate", 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-trainer-v2/interpolate",
      "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-trainer-v2/interpolate",
  "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": 4800,
    "usd": "4.80",
    "charged": 4800,
    "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `video` | object {url, content_type, file_name, file_size} \| null | پیش‌نمایش ترکیبی ویدیو از اعتبارسنجی، در صورت وجود برای نقاط پایانی تولیدکننده ویدیو. |
| `audio` | object {url, content_type, file_name, file_size} \| null | صوت ترکیبی اعتبارسنجی که در صورت وجود، برای این مسیرهای فقط صوت به‌صورت پیش‌نمایش ارائه می‌شود: /audio-inpaint، /audio-extend-suffix، /audio-extend-prefix، /t2a، /a2a و /v2a. |
| `lora_file` | object {url, content_type, file_name, file_size} | URL وزن‌های آموزش‌دیده LoRA در قالب .safetensors. |
| `config_file` | object {url, content_type, file_name, file_size} | پیکربندی راه‌اندازی نقطه پایانی استنتاج. |
| `debug_dataset` | object {url, content_type, file_name, file_size} \| null | خروجی اشکال‌زدایی در صورت فعال‌بودن `debug_dataset`: بایگانی قابل‌دانلود حاوی داده‌های آموزشی پس از پیش‌پردازش. |

## 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-trainer-v2/interpolate
- 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-trainer-v2/interpolate
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/ltx23-trainer-v2/interpolate