Leum chun t-susbaint

Wan-2.2 Speech-to-Video 14B

Amalaich

ID a’ mhodail wan/v2.2-14b/speech-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/wan/v2.2-14b/speech-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",
    "image": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "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"

Faidhlichean mar an eisimpleir: $0.50 500 creideasan API thèid na faidhlichean agad a thomhas ron ruith Ruith e air an duilleig seo

Faigh iuchair API
Alibaba Sioncronadh bilean & Ava­taran Sioncronadh bileansuas ri 720p #audio-to-video#talking-head

Cruthaichidh e bhidio labhairt bho ìomhaigh stad agus faidhle fuaime, air a stiùireadh le prompt teacsa

Air a dhèanamh air Doitong

Obraichean poblach a rinn coimhearsnachd Doitong le Wan v22 Large. Ath-chleachd prompt ann an aon bhriogadh.

Obraichean poblach air an sealltainn: 2
Create a realistic cinematic UGC-style commercial video, exactly 30 seconds long. The entire scen... Bhidio

Create a realistic cinematic UGC-style commercial video, exactly 30 seconds long. The entire scene takes place inside a modern passenger airplane during a daytime flight. Natural smartphone-like cinematography, realistic airplane cabin, authentic passengers, natural lighting, realistic skin...

Реалистичная бытовая сцена в советской одесской квартире зимним вечером. Женщина находится на кух... Bhidio

Реалистичная бытовая сцена в советской одесской квартире зимним вечером. Женщина находится на кухне, мужчина — в комнате и прихожей. Атмосфера обычной советской семьи перед приходом гостей. Голоса: все персонажи говорят по-русски с естественным, выразительным одесским говором. Характерная...

Tog iarrtas

Tha na smachdan air an cruthachadh bho sgeama a’ mhodail. Bidh an còd agus a’ phrìs ag ùrachadh fhad ’s a dh’atharraicheas tu iad.

•riatanach

Prompt teacsa a chaidh a chleachdadh gus a’ bhidio a ghineadh.

•riatanach image_url
Leig às faidhle, no

URL na h-ìomhaigh thùsail, leis a’ cho-mheas taobh a thagh thu a’ dearbhadh a bheil ro-ghiollachd riatanach: bidh neo-ionnanachd a’ piocadh ath-mheudachaidh agus bàrr-meadhanach.

•riatanach audio_url
Leig às faidhle, no

URL a’ comharrachadh an fhaidhle claisneachd.

resolution bun-roghainn 480p

Dùmhlachd-bhreacaidh a’ bhidio às-chuir: 480p, 580p no 720p.

bun-roghainn 80

Tagh iomad de 4 taobh a-staigh 40–120 gus cia mheud frèam a thèid a ghineadh a shuidheachadh.

Adhartach negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
bun-roghainn

Prompt àicheil a thèid a chur an sàs nuair a thathar a’ gineadh bhidio.

video_quality bun-roghainn high

Suidheachadh càileachd bhidio às-chuir a nì malairt eadar faidhlichean nas motha agus lèirsinnean nas fheàrr mar a thèid an suidheachadh am meud.

video_write_mode bun-roghainn balanced

Modh sgrìobhaidh bhidio, le balanced a’ tabhann co-rèiteachadh eadar astar agus càileachd. Tagh small airson na faidhlichean as lugha agus an sgrìobhadh as slaodaiche; bidh sgrìobhadh nas luaithe a’ tilleadh thoraidhean nas luaithe ach a’ cruthachadh faidhlichean nas motha.

bun-roghainn 16

Ìre frèamaichean a’ bhidio a chaidh a ghineadh, a’ gabhail ri luachan bho 4 gu 60; bidh suidheachadh `adjust_fps_for_interpolation` gu false a’ gleidheadh na h-ìre seo gun atharrachadh. Nuair a thathar a’ cleachdadh eadar-shuidheachaidh agus `adjust_fps_for_interpolation` true (a bhun-roghainn), iomadaich an ìre seo le aon a bharrachd air àireamh nam frèaman eadar-shuidhichte gus an FPS dheireannach fhaighinn. Mar eisimpleir, bidh 16 FPS le 1 fhrèam eadar-shuidhichte na 32 FPS.

bun-roghainn 27

Cunntas cheumannan samplachaidh, ag iomlaid ùine giullachd nas fhaide airson càileachd nas fheàrr mar a bhios an cunntas ag èirigh.

bun-roghainn 3.5

Neart stiùiridh gun chlasadair, ag iomlaid call càileachd a dh’fhaodadh tachairt airson maidseadh nas dlùithe ris a’ phrompt mar a bhios an sgèile ag èirigh.

bun-roghainn 5

Suidheachadh gluasad bhidio, le raon ceadaichte de 1.0–10.0.

Sìol a nì gineadh ath-riochdachail. Le bhith ga shuidheachadh gu None, thèid sìol a thaghadh air thuaiream.

POST /run/wan/v2.2-14b/speech-to-video?wait=20 tuairmse → $0.50
# 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/wan/v2.2-14b/speech-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",
    "image": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "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"

Ruith an t-iarrtas seo

Fuirichidh an iuchair agad sa bhrobhsair seo: thèid a cur chun Doitong API a-mhàin agus a sàbhaladh (localStorage) a-mhàin ma chuireas tu comharra ri Cuimhnich. Faigh iuchair API

Mu Wan-2.2 Speech-to-Video 14B

Feumaidh e `prompt`, `image_url` tùsail agus `audio_url`, agus cruthaichidh e bhidio den chuspair san ìomhaigh air a stiùireadh leis an fhuaim. Tha `num_frames` eadar 40 agus 120 ann an iomadan de 4, aig 16 fps a ghnàth. Faodaidh `resolution` a bhith 480p, 580p no 720p. Faodar ceumannan samplachaidh, stiùireadh, eadar-shuidheachadh agus `negative_prompt` atharrachadh.

Paramadairean

Cuir an t-ainm canonical no an t-ainm dùthchasach, chan e an dà chuid. Ainmean canonical

AinmSeòrsa Bun-roghainnCeadaichte Tuairisgeul
promptriatanach
Seòrsastring
Prompt teacsa a chaidh a chleachdadh gus a’ bhidio a ghineadh.
negative_promptroghainneil
Seòrsastring
Bun-roghainn
Prompt àicheil a thèid a chur an sàs nuair a thathar a’ gineadh bhidio.
num_framesroghainneil
Seòrsainteger
Bun-roghainn80
40 – 120
Tagh iomad de 4 taobh a-staigh 40–120 gus cia mheud frèam a thèid a ghineadh a shuidheachadh.
frames_per_secondroghainneil
Seòrsainteger | null
Bun-roghainn16
4 – 60
Ìre frèamaichean a’ bhidio a chaidh a ghineadh, a’ gabhail ri luachan bho 4 gu 60; bidh suidheachadh `adjust_fps_for_interpolation` gu false a’ gleidheadh na h-ìre seo gun atharrachadh. Nuair a thathar a’ cleachdadh eadar-shuidheachaidh agus `adjust_fps_for_interpolation` true (a bhun-roghainn), iomadaich an ìre seo le aon a bharrachd air àireamh nam frèaman eadar-shuidhichte gus an FPS dheireannach fhaighinn. Mar eisimpleir, bidh 16 FPS le 1 fhrèam eadar-shuidhichte na 32 FPS.
seedroghainneil
Seòrsainteger | null
Sìol a nì gineadh ath-riochdachail. Le bhith ga shuidheachadh gu None, thèid sìol a thaghadh air thuaiream.
resolutionroghainneil
Seòrsaenum
Bun-roghainn480p
480p580p720p
Dùmhlachd-bhreacaidh a’ bhidio às-chuir: 480p, 580p no 720p.
num_inference_stepsroghainneil
Seòrsainteger
Bun-roghainn27
2 – 40
Cunntas cheumannan samplachaidh, ag iomlaid ùine giullachd nas fhaide airson càileachd nas fheàrr mar a bhios an cunntas ag èirigh.
enable_safety_checkerroghainneil
Seòrsaboolean
Bun-roghainnfalse
Sgrìonadh sàbhailteachd an in-chuir mus tèid a ghiullachd, nach fhaod ach cunntasan ùghdarraichte a chur dheth. Bidh iarrtasan gun ùghdarras an-còmhnaidh air an sgrìonadh; air neo, bidh true a’ cur an sgrìonaidh an comas.
enable_output_safety_checkerroghainneil
Seòrsaboolean
Bun-roghainnfalse
A’ cumail smachd air sgrìonadh sàbhailteachd a’ bhidio a chaidh a ghineadh; bidh suidheachadh true a’ cur sgrùdadh an comas às dèidh gineadh.
guidance_scaleroghainneil
Seòrsanumber
Bun-roghainn3.5
1 – 10
Neart stiùiridh gun chlasadair, ag iomlaid call càileachd a dh’fhaodadh tachairt airson maidseadh nas dlùithe ris a’ phrompt mar a bhios an sgèile ag èirigh.
shiftroghainneil
Seòrsanumber
Bun-roghainn5
1 – 10
Suidheachadh gluasad bhidio, le raon ceadaichte de 1.0–10.0.
video_qualityroghainneil
Seòrsaenum
Bun-roghainnhigh
lowmediumhighmaximum
Suidheachadh càileachd bhidio às-chuir a nì malairt eadar faidhlichean nas motha agus lèirsinnean nas fheàrr mar a thèid an suidheachadh am meud.
video_write_moderoghainneil
Seòrsaenum
Bun-roghainnbalanced
fastbalancedsmall
Modh sgrìobhaidh bhidio, le balanced a’ tabhann co-rèiteachadh eadar astar agus càileachd. Tagh small airson na faidhlichean as lugha agus an sgrìobhadh as slaodaiche; bidh sgrìobhadh nas luaithe a’ tilleadh thoraidhean nas luaithe ach a’ cruthachadh faidhlichean nas motha.
image_urlriatanach image
Seòrsaurl · image
URL na h-ìomhaigh thùsail, leis a’ cho-mheas taobh a thagh thu a’ dearbhadh a bheil ro-ghiollachd riatanach: bidh neo-ionnanachd a’ piocadh ath-mheudachaidh agus bàrr-meadhanach.
audio_urlriatanach audio
Seòrsaurl · audio
URL a’ comharrachadh an fhaidhle claisneachd.
riatanach Ainm canonical, gabhar ris cuideachd

Gabhaidh paramadairean faidhle ri URL poblach https://, URI data: suas ri 10 MB, no file_url de luchdachadh suas. Faidhlichean

Toradh

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "wan/v2.2-14b/speech-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": 500,
    "usd": "0.50",
    "charged": 500,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "image_url": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "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
    }
  },
  "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"
  }
}
Na faidhlichean agad, do roghainnTha gach outputs[].url na lethbhreac air an stòradh againn: air a chumail gu bràth (air a phàigheadh gach GB-mìos) no 7 latha an-asgaidh, a rèir suidheachadh a’ chunntais agad no ?storage=.
An aon chruth air gach modailtype, url, content_type, width, height agus duration, airson dealbhan, bhidio agus fuaim le chèile. ’S e output nì toraidh a’ mhodail fhèin.
Raointean toraidh
video
object {url, content_type, file_name, file_size}Faidhle bhidio a chaidh a chruthachadh le gineadh.

Barrachd mhodalan: Sioncronadh bilean & Ava­taran

Do riochdairean AI: tha an duilleag seo mar Markdown aig https://doitong.com/gd/developers/models/wan/v2.2-14b/speech-to-video.md. Na modailean agus na treòraichean uile: https://doitong.com/developers/llms.txt