Ugrás a tartalomhoz

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

Integráció

Modellazonosító ltx23-trainer-v2/t2a
# 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/t2a?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"

Ez a kérés: 4,40 $ 4400 API-jóváírás Futtatás ezen az oldalon

API-kulcs beszerzése
Lightricks · Fájl

Az első eredményed itt jelenik meg

Állíts össze egy kérést alább, majd futtasd az API-kulcsoddal. A kimeneteket a tárhelyünkre másoljuk, és örökre vagy 7 nap ideig ingyenesen őrizzük meg.

Kérés összeállítása

A vezérlők a modell sémájából jönnek létre. A kód és az ár a módosításokkal együtt frissül.

resolution alapértelmezett: medium

A tanítási felbontás. A felbontás növelése növeli a memóriaigényt.

aspect_ratio alapértelmezett: 1:1

A tanítási képarány.

•kötelező

A kiválasztott tanítási mód szerint rendezett tanítóadatokat tartalmazó `.zip` URL-je. Minden médiafájlhoz tartozhat azonos alapnevű `.txt` feliratfájl.

alapértelmezett: 2000

A tanítási lépések teljes száma.

Speciális validation_negative_prompt · rank · validation_resolution · validation_aspect_ratio · trigger_phrase · learning_rate · number_of_frames · frame_rate · split_input_duration_threshold · audio_duration_seconds · validation_number_of_frames · validation_frame_rate · stg_scale · auto_scale_input · split_input_into_scenes · debug_dataset · audio_normalize · audio_preserve_pitch · validation
alapértelmezett: blurry, out of focus,...

Az érvényesítés során alkalmazott negatív prompt, amely egylépcsős előnézeti folyamatot használ. Mivel ez a folyamat a kétlépcsős desztillált éles következtetést közelíti, a vezérlése és az előnézet minősége eltér a végleges eredménytől.

rank alapértelmezett: 32

A LoRA-adaptáció rangja; a magasabb érték nagyobb kapacitást biztosít a memóriafelhasználás növekedése árán.

validation_resolution alapértelmezett: high

Az érvényesítés során használt felbontás.

validation_aspect_ratio alapértelmezett: 1:1

Az érvényesítés során használt képarány.

alapértelmezett:

A LoRA-stílus aktiválási kifejezése, amely a tanítás során a feliratok elejére kerül.

alapértelmezett: 0.0002

Az optimalizálás tanulási sebessége.

alapértelmezett: 89

Az egyes tanítási minták képkockaszáma. A számot 8-cal osztva 1 maradékot kell kapni; például 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

alapértelmezett: 24

A tanítóvideó célzott képkockasebessége képkocka/másodpercben. Az LTX-2.3 natív sebessége 24.

alapértelmezett: 30

A jelenetfelosztás aktiválása másodpercben megadott időtartamként: csak a küszöbértéknél hosszabb videók kerülnek felosztásra.

alapértelmezett: 5

A hang időtartamának kategóriája célhosszként, másodpercben megadva: a hosszabb klipeket a rendszer levágja, hogy illeszkedjenek, a célt kitölteni nem képes klipeket pedig kihagyja.

alapértelmezett: 89

Az egyes érvényesítési videók képkockaszáma.

alapértelmezett: 24

Az érvényesítési videók célzott képkockasebessége képkocka/másodpercben; az LTX-2.3 natív sebessége 24.

alapértelmezett: 1

A Spatio-Temporal Guidance (STG) skálája; az ajánlott érték 1.0, a 0.0 pedig kikapcsolja az STG-t.

alapértelmezett: []

Validálási promptok listája az egyes bejegyzésekhez tartozó hang generálásához.

POST /run/ltx23-trainer-v2/t2a?wait=20 ár → 4,40 $
# 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/t2a?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"

Kérés futtatása

A kulcsod ebben a böngészőben marad: csak a Doitong API-nak küldjük el, és csak akkor mentjük a localStorage-ba, ha bejelölöd az Emlékezz rám lehetőséget. API-kulcs igénylése

A(z) LTX 2.3 Trainer (V2) - Text-to-Audio bemutatása

LoRA-t finomhangol a `training_data_url` címen megadott `.zip` archívumból, hogy a modell szövegből hangot tudjon generálni. A hangspecifikus lehetőségek közé tartozik az `audio_duration_seconds` (0.5 és 60 között, alapértelmezés szerint 5), az `audio_normalize` és az `audio_preserve_pitch`. A tanítás alapértelmezés szerint 2000 lépésből áll (100 és 10000 között), a `rank` értéke pedig 8 és 128 közötti lehet. Visszaadja a LoRA súlyfájlját, egy konfigurációs fájlt és a validációs előnézeteket.

Paraméterek

NévTípus AlapértelmezettEngedélyezett Leírás
training_data_urlkötelező
Típusstring
A kiválasztott tanítási mód szerint rendezett tanítóadatokat tartalmazó `.zip` URL-je. Minden médiafájlhoz tartozhat azonos alapnevű `.txt` feliratfájl.
ranknem kötelező
Típusenum
Alapértelmezett32
8163264128
A LoRA-adaptáció rangja; a magasabb érték nagyobb kapacitást biztosít a memóriafelhasználás növekedése árán.
number_of_stepsnem kötelező
Típusinteger
Alapértelmezett2000
100 – 10 000
A tanítási lépések teljes száma.
learning_ratenem kötelező
Típusnumber
Alapértelmezett0.0002
0,000001 – 1
Az optimalizálás tanulási sebessége.
number_of_framesnem kötelező
Típusinteger
Alapértelmezett89
9 – 121
Az egyes tanítási minták képkockaszáma. A számot 8-cal osztva 1 maradékot kell kapni; például 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_ratenem kötelező
Típusinteger
Alapértelmezett24
8 – 60
A tanítóvideó célzott képkockasebessége képkocka/másodpercben. Az LTX-2.3 natív sebessége 24.
resolutionnem kötelező
Típusenum
Alapértelmezettmedium
lowmediumhigh
A tanítási felbontás. A felbontás növelése növeli a memóriaigényt.
aspect_rationem kötelező
Típusenum
Alapértelmezett1:1
16:91:19:16
A tanítási képarány.
trigger_phrasenem kötelező
Típusstring
Alapértelmezett
A LoRA-stílus aktiválási kifejezése, amely a tanítás során a feliratok elejére kerül.
auto_scale_inputnem kötelező
Típusboolean
Alapértelmezettfalse
A videó automatikus igazítása a kért FPS-hez és képkockaszámhoz, ha engedélyezve van; a képadatkészletek változatlanok maradnak.
split_input_into_scenesnem kötelező
Típusboolean
Alapértelmezetttrue
A küszöbértéknél hosszabb videók jelenetfelosztása, ha true.
split_input_duration_thresholdnem kötelező
Típusnumber
Alapértelmezett30
1 – 60
A jelenetfelosztás aktiválása másodpercben megadott időtartamként: csak a küszöbértéknél hosszabb videók kerülnek felosztásra.
debug_datasetnem kötelező
Típusboolean
Alapértelmezettfalse
Előfeldolgozási ellenőrzési mód videók, képek és feliratok vizsgálatához teljes tanítási futás előtt. Engedélyezésekor a tanító visszaadja az előfeldolgozott tanítóadatkészletet manuális ellenőrzéshez letölthető archívumban.
audio_normalizenem kötelező
Típusboolean
Alapértelmezetttrue
A hang csúcsknormalizálása az adatkészlet egységes szintjeinek fenntartásához.
audio_preserve_pitchnem kötelező
Típusboolean
Alapértelmezetttrue
A hangmagasság megőrzése a hang időtartamhoz igazításakor, vágás vagy kitöltés helyett.
audio_duration_secondsnem kötelező
Típusnumber
Alapértelmezett5
0,5 – 60
A hang időtartamának kategóriája célhosszként, másodpercben megadva: a hosszabb klipeket a rendszer levágja, hogy illeszkedjenek, a célt kitölteni nem képes klipeket pedig kihagyja.
validationnem kötelező
Típusobject[]
Alapértelmezett[]
≤ 2 elem
Validálási promptok listája az egyes bejegyzésekhez tartozó hang generálásához.
validation[].promptkötelező
Típusstring
Az érvényesítés során használt prompt.
validation_negative_promptnem kötelező
Típusstring
Alapértelmezettblurry, 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.
Az érvényesítés során alkalmazott negatív prompt, amely egylépcsős előnézeti folyamatot használ. Mivel ez a folyamat a kétlépcsős desztillált éles következtetést közelíti, a vezérlése és az előnézet minősége eltér a végleges eredménytől.
validation_number_of_framesnem kötelező
Típusinteger
Alapértelmezett89
9 – 121
Az egyes érvényesítési videók képkockaszáma.
validation_frame_ratenem kötelező
Típusinteger
Alapértelmezett24
8 – 60
Az érvényesítési videók célzott képkockasebessége képkocka/másodpercben; az LTX-2.3 natív sebessége 24.
validation_resolutionnem kötelező
Típusenum
Alapértelmezetthigh
lowmediumhigh
Az érvényesítés során használt felbontás.
validation_aspect_rationem kötelező
Típusenum
Alapértelmezett1:1
16:91:19:16
Az érvényesítés során használt képarány.
stg_scalenem kötelező
Típusnumber
Alapértelmezett1
0 – 3
A Spatio-Temporal Guidance (STG) skálája; az ajánlott érték 1.0, a 0.0 pedig kikapcsolja az STG-t.
kötelező

Kimenet

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/t2a",
  "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": 4400,
    "usd": "4.40",
    "charged": 4400,
    "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"
  }
}
Az Ön fájljai, az Ön döntéseMinden outputs[].url a tárhelyünkön lévő másolat: örökre megőrizve (GB-hónaponként fizetve) vagy 7 nap ideig ingyenesen, a fiókbeállításod vagy a ?storage= alapján.
Azonos struktúra minden modellentype, url, content_type, width, height és duration képekhez, videókhoz és hanganyagokhoz egyaránt. Az output a modell saját eredményobjektuma.
A kimenet mezői
video
object {url, content_type, file_name, file_size} | nullAz érvényesítés kombinált videóelőnézete, ha elérhető a videót előállító végpontoknál.
audio
object {url, content_type, file_name, file_size} | nullAz érvényesítés kombinált hangja, előnézetként megadva, ha elérhető ezeknél a csak hangot használó útvonalaknál: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a és /v2a.
lora_file
object {url, content_type, file_name, file_size}A betanított LoRA-súlyok URL-je .safetensors formátumban.
config_file
object {url, content_type, file_name, file_size}A következtetési végpont beállításának konfigurációja.
debug_dataset
object {url, content_type, file_name, file_size} | nullA `debug_dataset` engedélyezésekor elérhető hibakeresési kimenet: letölthető archívum, amely az előfeldolgozás utáni tanítóadatokat tartalmazza.

További modellek: Tanítás

AI-ügynököknek: ez az oldal Markdown formátumban itt található: https://doitong.com/hu/developers/models/ltx23-trainer-v2/t2a.md. Minden modell és útmutató: https://doitong.com/developers/llms.txt