# LTX-2.3 22B Video to Video Trainer API

> Entraîne un LoRA LTX-2.3 22B pour la transformation vidéo ou la génération conditionnée par une vidéo de référence

Entraîne une LoRA sur le modèle LTX-2.3 22B pour la transformation vidéo, à partir d'une archive zip de vidéos ou d'images (mp4, mov, avi, mkv, png, jpg, jpeg), avec au moins environ 10 fichiers recommandés. `number_of_steps` va de 1 à 20000 (2000 par défaut) et `frame_rate` vaut 25 par défaut. `first_frame_conditioning_p` vaut 0.1 par défaut. La validation accepte jusqu'à 2 invites avec des vidéos de référence.

- 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/fr-FR/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 d'une archive ZIP pour un jeu de données contenant exclusivement des images ou exclusivement des vidéos ; les jeux de données multimédias mixtes ne sont pas pris en charge. Visez 10 fichiers ou plus, de préférence une collection plus importante. Les extensions acceptées sont .png, .jpg, .jpeg pour les images et .mp4, .mov, .avi, .mkv pour les vidéos. Des fichiers texte de légendes facultatifs peuvent accompagner les médias ; chaque fichier de légende doit porter le même nom que le fichier média associé. |
| `rank` |  | enum (integer) | no | `32` | `8`, `16`, `32`, `64`, `128` | Rang d’adaptation LoRA, qui échange une consommation mémoire accrue contre une capacité supérieure lorsque la valeur augmente. |
| `number_of_steps` |  | integer | no | `2000` | 1 – 20,000 | Nombre total d’étapes d’entraînement. |
| `learning_rate` |  | number | no | `0.0002` | 0.000001 – 1 | Taux d'apprentissage d'optimisation, qui équilibre un éventuel gain de vitesse d'entraînement et le risque de surapprentissage lorsqu'il est augmenté. |
| `number_of_frames` |  | integer | no | `89` | 9 – 121 | Nombre d’images de chaque échantillon d’entraînement. La division de ce nombre par 8 doit laisser un reste de 1 ; exemples : 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97. |
| `frame_rate` |  | integer | no | `25` | 8 – 60 | Fréquence d'images cible de la vidéo, mesurée en images par seconde. |
| `resolution` |  | enum (string) | no | `medium` | `low`, `medium`, `high` | Résolution d’entraînement. Augmenter la résolution accroît les besoins en mémoire. |
| `aspect_ratio` |  | enum (string) | no | `1:1` | `16:9`, `1:1`, `9:16` | Rapport d’aspect d’entraînement. |
| `trigger_phrase` |  | string | no | `` |  | Phrase d’activation du style LoRA, insérée au début des légendes pendant l’entraînement. |
| `auto_scale_input` |  | boolean | no | `false` |  | Ajustement automatique de la vidéo pour correspondre à la cadence et au nombre d’images demandés lorsqu’il est activé ; les jeux de données d’images restent inchangés. |
| `split_input_into_scenes` |  | boolean | no | `true` |  | Découpage des scènes pour les vidéos dépassant un seuil de durée, activé lorsque la valeur est true. |
| `split_input_duration_threshold` |  | number | no | `30` | 1 – 60 | Déclencheur de découpage des scènes exprimé comme une durée en secondes : seules les vidéos plus longues que le seuil sont découpées. |
| `debug_dataset` |  | boolean | no | `false` |  | Mode d’inspection du prétraitement permettant de vérifier les vidéos, les images et les légendes avant une exécution complète de l’entraînement. Son activation demande à l’entraîneur de renvoyer le jeu de données d’entraînement traité dans une archive téléchargeable pour une vérification manuelle. |
| `first_frame_conditioning_p` |  | number | no | `0.1` | 0 – 1 | Favorise la transformation vidéo-vers-vidéo en réduisant la fréquence d'utilisation du conditionnement sur la première image pendant l'entraînement ; cette valeur définit cette probabilité. |
| `validation` |  | array of object {prompt, reference_video_url} | no | `[]` | ≤ 2 items | Liste d'entrées de validation contenant des invites associées à des vidéos de référence. |
| `validation[].prompt` |  | string | yes |  |  | Invite utilisée pendant la validation. |
| `validation[].reference_video_url` |  | string (video URL) | yes |  | ≥ 1 characters | Fournissez l'URL de la vidéo à transformer pendant la validation IC-LoRA. |
| `validation_negative_prompt` |  | string | no | `worst quality, inconsistent motion, blurry, jittery, distorted` |  | Invite négative appliquée pendant la validation. |
| `validation_number_of_frames` |  | integer | no | `89` | 9 – 121 | Nombre d’images de chaque vidéo de validation. |
| `validation_frame_rate` |  | integer | no | `25` | 8 – 60 | Fréquence d'images cible de la vidéo de validation, mesurée en images par seconde. |
| `validation_resolution` |  | enum (string) | no | `high` | `low`, `medium`, `high` | Résolution utilisée pendant la validation. |
| `validation_aspect_ratio` |  | enum (string) | no | `1:1` | `16:9`, `1:1`, `9:16` | Rapport d’aspect utilisé pendant la validation. |
| `stg_scale` |  | number | no | `1` | 0 – 3 | Échelle du guidage spatio-temporel (STG), avec 1.0 recommandé et 0.0 pour désactiver 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 des éventuelles vidéos de validation disponibles, affichées à côté de leurs vidéos de référence. |
| `lora_file` | object {url, content_type, file_name, file_size} | URL du fichier de poids IC-LoRA entraîné au format .safetensors. |
| `config_file` | object {url, content_type, file_name, file_size} | Configuration de la mise en place du point de terminaison d’inférence. |
| `debug_dataset` | object {url, content_type, file_name, file_size} \| null | Archive de débogage téléchargeable, disponible uniquement pour les entrées qui activent `debug_dataset` ; son contenu d'entraînement a été prétraité et inclut les vidéos sous forme décodée. |

## 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