Op den Inhalt sprangen

LTX 2.3 Trainer (V2) - Audio+Video Reference Transformation

Integréieren

Modell-ID ltx23-trainer-v2/av2av
# 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/av2av?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"

Dës Ufro: 13,60 $ 13.600 API-Kreditter Op dëser Säit ausféieren

API-Schlëssel kréien
Lightricks Training Referenzinput1–60 s

Trainéiert eng LoRA, déi de Video an den Audio vun engem Referenzclip op e gepaarten Zilclip ofbildt, mat béide Strecken zesumme generéiert

Lightricks · Datei

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

resolution Standard medium

Trainingsopléisung. Eng Erhéijung vun der Opléisung erhéicht d'Memoryufuerderungen.

aspect_ratio Standard 1:1

Trainingsaspektverhältnis.

•obligatoresch

URL op e `.zip` mat Trainingsdaten, organiséiert no dem ausgewielten Trainingsmodus. All Medien-Datei kann eng zousätzlech `.txt`-Caption mat passendem Basisnumm hunn.

Standard 2000

Gesamtzuel vun Trainingsschrëtt.

Erweidert validation_negative_prompt · rank · validation_resolution · validation_aspect_ratio · trigger_phrase · learning_rate · number_of_frames · frame_rate · split_input_duration_threshold · validation_number_of_frames · validation_frame_rate · stg_scale · reference_downscale_factor · reference_temporal_scale_factor · auto_scale_input · split_input_into_scenes · debug_dataset · audio_normalize · audio_preserve_pitch · validation
Standard blurry, out of focus,...

Negative Prompt während der Validatioun, déi en einstufege Virschauprozess benotzt. Well dëse Prozess d'distilléiert Produktiounsinferenz mat zwou Stufen approximéiert, ënnerscheede sech seng Guidance an d'Virschauqualitéit vun de Schlussresultater.

rank Standard 32

LoRA-Adaptatiounsrang, bei deem méi héije Wäerter méi Kapazitéit géint méi héije Memoryverbrauch ofwiichten.

validation_resolution Standard high

Opléisung, déi während der Validatioun benotzt gëtt.

validation_aspect_ratio Standard 1:1

Aspektverhältnis, dat während der Validatioun benotzt gëtt.

Standard

LoRA-Stil-Aktivéierungsphrase, déi beim Training um Ufank vun de Captions agefouert gëtt.

Standard 0.0002

Léierquote fir d'Optimiséierung.

Standard 89

Framezuel pro Trainingssample. D'Deelung vun der Zuel duerch 8 muss e Rescht vun 1 loossen; Beispiller sinn 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

Standard 24

Zil-Frame-Rate vum Trainingsvideo a Frames pro Sekonn. Déi native Rate fir LTX-2.3 ass 24.

Standard 30

Trigger fir d'Szenendeelung als Dauer a Sekonnen: nëmme Videoe méi laang wéi de Schwellwäert ginn gedeelt.

Standard 89

Framezuel fir all Validatiounsvideo.

Standard 24

Zil-Frame-Rate fir Validatiounsvideoen a Frames pro Sekonn; LTX-2.3 leeft nativ mat 24.

Standard 1

Spatio-Temporal-Guidance-(STG)-Skala, mat 1.0 recommandéiert an 0.0 fir STG auszeschalten.

Standard 1

Downscaling-Faktor fir e groben, niddereg opgeléiste Kontroll-Proxy vum Referenzvideo virun der Kodéierung ze erstellen, wärend den Output a voller Opléisung bleift. Béid Referenz-Dimensioune mussen virun an no der Divisioun duerch de Faktor duerch 32 deelbar sinn; de Standardwäert 1 erhält déi original Opléisung.

Standard 1

Reduktiounsfaktor vun der Frame-Rate vum Referenzvideo, mat 1 als Standard fir FPS ze behalen. Temporär Downsampling duerch dëse Faktor reduzéiert d'FPS, ier de Video kodéiert gëtt.

Standard []

Lëscht vu Validatiouns-Prompts, bei där all Prompt mat engem Referenzvideo an Audio gepaart gëtt.

POST /run/ltx23-trainer-v2/av2av?wait=20 Präis → 13,60 $
# 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/av2av?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"

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer LTX 2.3 Trainer (V2) - Audio+Video Reference Transformation

Passt eng LoRA op gepaarten Clips un, bei deenen all Referenzvideo mat sengem Audio engem Zilclip entsprécht. Liwwert e Zip iwwer `training_data_url`, mat optionalen .txt-Beschrëftungen. D'Szenesplitting ass standardméisseg ausgeschalt, well se d'Puer vu Start an Enn aus dem Takt brénge géif; liwwert dofir scho geschniddene Clips. `rank` ka 8 bis 128 sinn, d'Schrëtt 100 bis 10000, an et si bis zu 2 Validéierungsentréeë méiglech.

Parameteren

NummTyp StandardErlaabt Beschreiwung
training_data_urlobligatoresch
Typstring
URL op e `.zip` mat Trainingsdaten, organiséiert no dem ausgewielten Trainingsmodus. All Medien-Datei kann eng zousätzlech `.txt`-Caption mat passendem Basisnumm hunn.
rankoptional
Typenum
Standard32
8163264128
LoRA-Adaptatiounsrang, bei deem méi héije Wäerter méi Kapazitéit géint méi héije Memoryverbrauch ofwiichten.
number_of_stepsoptional
Typinteger
Standard2000
100 – 10.000
Gesamtzuel vun Trainingsschrëtt.
learning_rateoptional
Typnumber
Standard0.0002
0,000001 – 1
Léierquote fir d'Optimiséierung.
number_of_framesoptional
Typinteger
Standard89
9 – 121
Framezuel pro Trainingssample. D'Deelung vun der Zuel duerch 8 muss e Rescht vun 1 loossen; Beispiller sinn 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_rateoptional
Typinteger
Standard24
8 – 60
Zil-Frame-Rate vum Trainingsvideo a Frames pro Sekonn. Déi native Rate fir LTX-2.3 ass 24.
resolutionoptional
Typenum
Standardmedium
lowmediumhigh
Trainingsopléisung. Eng Erhéijung vun der Opléisung erhéicht d'Memoryufuerderungen.
aspect_ratiooptional
Typenum
Standard1:1
16:91:19:16
Trainingsaspektverhältnis.
trigger_phraseoptional
Typstring
Standard
LoRA-Stil-Aktivéierungsphrase, déi beim Training um Ufank vun de Captions agefouert gëtt.
auto_scale_inputoptional
Typboolean
Standardfalse
Automatesch Videoanpassung un déi ugefrote FPS- a Framezuel beim Aktivéiere; Bilddatensätz bleiwen onverännert.
split_input_into_scenesoptional
Typboolean
Standardfalse
Szenendeelung ass an av2av deaktivéiert, fir d'_start/_end-Paar synchron ze halen. Clips mussen am Viraus gedeelt ginn; d'Virbereedung vum Zil-/Referenz-Paar ignoréiert d'Astellung vun der Szenendeelung.
split_input_duration_thresholdoptional
Typnumber
Standard30
1 – 60
Trigger fir d'Szenendeelung als Dauer a Sekonnen: nëmme Videoe méi laang wéi de Schwellwäert ginn gedeelt.
debug_datasetoptional
Typboolean
Standardfalse
Inspektiounsmodus vun der Virveraarbechtung fir Videoen, Biller a Captions virun engem kompletten Training ze kontrolléieren. Beim Aktivéiere gëtt den veraarbechten Trainingsdatensaz an engem erofluedbaren Archiv fir d'manuell Iwwerpréiwung zeréckginn.
audio_normalizeoptional
Typboolean
Standardtrue
Peak-Normaliséierung vum Audio, fir konsequent Niveauen am ganzen Datensaz ze behalen.
audio_preserve_pitchoptional
Typboolean
Standardtrue
Erhale vun der Tonhéicht beim Upasse vum Audio un d'Videolängt amplaz en ofzeschneiden.
validationoptional
Typobject[]
Standard[]
≤ 2 Elementer
Lëscht vu Validatiouns-Prompts, bei där all Prompt mat engem Referenzvideo an Audio gepaart gëtt.
validation[].promptobligatoresch
Typstring
Prompt, dee während der Validatioun benotzt gëtt.
validation[].reference_video_urlobligatoresch
Typurl · video
≥ 1 characters
Referenzvideo-URL, déi d'Audio- a Videogeneratioun steiert. D'Audiospur vum Video déngt och als Audio-Referenz.
validation[].reference_audio_urloptional
Typurl · audio
D'Audiospur vu `reference_video_url` kann optional iwwerschriwwe ginn, andeems eng URL op eng separat Referenz-Audio-Datei geliwwert gëtt.
validation_negative_promptoptional
Typstring
Standardblurry, 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.
Negative Prompt während der Validatioun, déi en einstufege Virschauprozess benotzt. Well dëse Prozess d'distilléiert Produktiounsinferenz mat zwou Stufen approximéiert, ënnerscheede sech seng Guidance an d'Virschauqualitéit vun de Schlussresultater.
validation_number_of_framesoptional
Typinteger
Standard89
9 – 121
Framezuel fir all Validatiounsvideo.
validation_frame_rateoptional
Typinteger
Standard24
8 – 60
Zil-Frame-Rate fir Validatiounsvideoen a Frames pro Sekonn; LTX-2.3 leeft nativ mat 24.
validation_resolutionoptional
Typenum
Standardhigh
lowmediumhigh
Opléisung, déi während der Validatioun benotzt gëtt.
validation_aspect_ratiooptional
Typenum
Standard1:1
16:91:19:16
Aspektverhältnis, dat während der Validatioun benotzt gëtt.
stg_scaleoptional
Typnumber
Standard1
0 – 3
Spatio-Temporal-Guidance-(STG)-Skala, mat 1.0 recommandéiert an 0.0 fir STG auszeschalten.
reference_downscale_factoroptional
Typinteger
Standard1
1 – 8
Downscaling-Faktor fir e groben, niddereg opgeléiste Kontroll-Proxy vum Referenzvideo virun der Kodéierung ze erstellen, wärend den Output a voller Opléisung bleift. Béid Referenz-Dimensioune mussen virun an no der Divisioun duerch de Faktor duerch 32 deelbar sinn; de Standardwäert 1 erhält déi original Opléisung.
reference_temporal_scale_factoroptional
Typinteger
Standard1
1 – 8
Reduktiounsfaktor vun der Frame-Rate vum Referenzvideo, mat 1 als Standard fir FPS ze behalen. Temporär Downsampling duerch dëse Faktor reduzéiert d'FPS, ier de Video kodéiert gëtt.
obligatoresch

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/av2av",
  "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": 13600,
    "usd": "13.60",
    "charged": 13600,
    "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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
video
object {url, content_type, file_name, file_size} | nullKombinéiert Video-Virschau aus der Validatioun, wa verfügbar fir Endpunkten, déi Video produzéieren.
audio
object {url, content_type, file_name, file_size} | nullKombinéierten Audio aus der Validatioun, als Virschau geliwwert, wa verfügbar fir dës Audio-only-Routen: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a an /v2a.
lora_file
object {url, content_type, file_name, file_size}URL fir trainéiert LoRA-Gewiichter am .safetensors-Format.
config_file
object {url, content_type, file_name, file_size}Konfiguratioun fir d'Ariichtung vum Inferenz-Endpunkts.
debug_dataset
object {url, content_type, file_name, file_size} | nullDebug-Output, verfügbar wann `debug_dataset` aktivéiert ass: en erofluedbart Archiv mat den Trainingsdaten no der Virveraarbechtung.

Méi Modeller: Training

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/ltx23-trainer-v2/av2av.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt