Aqbeż għall-kontenut

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

Integra

Id tal-mudell ltx23-trainer-v2/a2v
# 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/a2v?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"

Din it-talba: $12.00 12,000 krediti tal-API Ħaddmu f’din il-paġna

Ikseb ċavetta API
Lightricks · Fajl

L-ewwel riżultat tiegħek jidher hawn

Ibni talba hawn taħt u ħaddimha biċ-ċavetta API tiegħek. L-outputs jiġu kkupjati fil-ħażna tagħna, miżmuma għal dejjem jew 7 ijiem b’xejn.

Ibni talba

Il-kontrolli jiġu ġġenerati mill-iskema tal-mudell. Il-kodiċi u l-prezz jaġġornaw hekk kif tibdilhom.

resolution prestabbilit medium

Riżoluzzjoni tat-taħriġ. Żieda fir-riżoluzzjoni żżid ir-rekwiżiti tal-memorja.

aspect_ratio prestabbilit 1:1

Proporzjon tal-aspett tat-taħriġ.

•meħtieġ

URL għal `.zip` li fih dejta tat-taħriġ, organizzata skont il-modalità tat-taħriġ magħżula. Kull fajl tal-midja jista' jkollu caption `.txt` akkumpanjata bl-istess isem bażi.

prestabbilit 2000

Għadd totali ta' passi tat-taħriġ.

Avvanzat 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 · auto_scale_input · split_input_into_scenes · debug_dataset · audio_normalize · audio_preserve_pitch · validation
prestabbilit blurry, out of focus,...

Prompt negattiv applikat waqt il-validazzjoni, li tuża proċess ta' preview bi stadju wieħed. Peress li dak il-proċess japprossima l-inferenza tal-produzzjoni distillata b'żewġ stadji, il-gwida u l-kwalità tal-preview tiegħu jvarjaw mir-riżultati finali.

rank prestabbilit 32

Rank tal-adattament LoRA, li jiskambja konsum akbar tal-memorja għal kapaċità akbar hekk kif jiżdied l-issettjar.

validation_resolution prestabbilit high

Riżoluzzjoni użata waqt il-validazzjoni.

validation_aspect_ratio prestabbilit 1:1

Proporzjon tal-aspett użat waqt il-validazzjoni.

prestabbilit

Frażi ta' attivazzjoni tal-istil LoRA, imdaħħla fil-bidu tal-captions waqt it-taħriġ.

prestabbilit 0.0002

Rata tat-tagħlim tal-ottimizzazzjoni.

prestabbilit 89

Għadd ta' frejms għal kull kampjun tat-taħriġ. Id-diviżjoni tal-għadd bi 8 trid tħalli fdal ta' 1; eżempji jinkludu 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

prestabbilit 24

Rata tal-frejms fil-mira tal-vidjo tat-taħriġ f'frejms kull sekonda. Ir-rata nattiva għal LTX-2.3 hija 24.

prestabbilit 30

Trigger tad-diviżjoni tax-xeni espress bħala tul f'sekondi: vidjos biss itwal mil-limitu jinqasmu.

prestabbilit 89

Għadd ta' frejms għal kull vidjo ta' validazzjoni.

prestabbilit 24

Rata tal-frejms fil-mira għall-vidjos ta' validazzjoni, f'frejms kull sekonda; LTX-2.3 jaħdem b'mod nattiv b'24.

prestabbilit 1

Skala ta' Spatio-Temporal Guidance (STG), b'1.0 rakkomandat u 0.0 jitfi STG.

prestabbilit []

Lista ta' prompts ta' validazzjoni li tqabbel kull prompt ma' track awdjo ta' kundizzjonament.

POST /run/ltx23-trainer-v2/a2v?wait=20 kwotazzjoni → $12.00
# 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/a2v?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"

Ħaddem din it-talba

Iċ-ċavetta tiegħek tibqa’ f’dan il-browser: tintbagħat biss lid-Doitong API u tiġi ssejvjata (localStorage) biss jekk timmarka Ftakar. Ikseb ċavetta API

Dwar LTX 2.3 Trainer (V2) - Audio-to-Video

Iħarreġ LoRA għall-ġenerazzjoni audio-to-video minn `.zip` f’`training_data_url`. `rank` huwa minn 8 sa 128, `number_of_steps` minn 100 sa 10000, u `number_of_frames` minn 9 sa 121. `validation` jaċċetta sa 2 entrati, kull waħda bi track awdjo ta’ kondizzjonament. Joħroġ il-piżijiet tal-LoRA, fajl ta’ konfigurazzjoni u preview fakultattiv.

Parametri

IsemTip PrestabbilitPermess Deskrizzjoni
training_data_urlmeħtieġ
Tipstring
URL għal `.zip` li fih dejta tat-taħriġ, organizzata skont il-modalità tat-taħriġ magħżula. Kull fajl tal-midja jista' jkollu caption `.txt` akkumpanjata bl-istess isem bażi.
rankmhux obbligatorju
Tipenum
Prestabbilit32
8163264128
Rank tal-adattament LoRA, li jiskambja konsum akbar tal-memorja għal kapaċità akbar hekk kif jiżdied l-issettjar.
number_of_stepsmhux obbligatorju
Tipinteger
Prestabbilit2000
100 – 10,000
Għadd totali ta' passi tat-taħriġ.
learning_ratemhux obbligatorju
Tipnumber
Prestabbilit0.0002
0.000001 – 1
Rata tat-tagħlim tal-ottimizzazzjoni.
number_of_framesmhux obbligatorju
Tipinteger
Prestabbilit89
9 – 121
Għadd ta' frejms għal kull kampjun tat-taħriġ. Id-diviżjoni tal-għadd bi 8 trid tħalli fdal ta' 1; eżempji jinkludu 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_ratemhux obbligatorju
Tipinteger
Prestabbilit24
8 – 60
Rata tal-frejms fil-mira tal-vidjo tat-taħriġ f'frejms kull sekonda. Ir-rata nattiva għal LTX-2.3 hija 24.
resolutionmhux obbligatorju
Tipenum
Prestabbilitmedium
lowmediumhigh
Riżoluzzjoni tat-taħriġ. Żieda fir-riżoluzzjoni żżid ir-rekwiżiti tal-memorja.
aspect_ratiomhux obbligatorju
Tipenum
Prestabbilit1:1
16:91:19:16
Proporzjon tal-aspett tat-taħriġ.
trigger_phrasemhux obbligatorju
Tipstring
Prestabbilit
Frażi ta' attivazzjoni tal-istil LoRA, imdaħħla fil-bidu tal-captions waqt it-taħriġ.
auto_scale_inputmhux obbligatorju
Tipboolean
Prestabbilitfalse
Aġġustament awtomatiku tal-vidjo biex jaqbel mal-FPS u mal-għadd ta' frejms mitlubin meta jkun attivat; datasets tal-immaġni jibqgħu mhux mibdulin.
split_input_into_scenesmhux obbligatorju
Tipboolean
Prestabbilitfalse
Diviżjoni tax-xeni għal vidjos tat-taħriġ sintetizzati li jaqbżu l-limitu tat-tul. Meta jkun true, id-diviżjoni sseħħ wara l-assemblaġġ tal-immaġni tal-bidu u tal-awdjo.
split_input_duration_thresholdmhux obbligatorju
Tipnumber
Prestabbilit30
1 – 60
Trigger tad-diviżjoni tax-xeni espress bħala tul f'sekondi: vidjos biss itwal mil-limitu jinqasmu.
debug_datasetmhux obbligatorju
Tipboolean
Prestabbilitfalse
Modalità ta' spezzjoni tal-ipproċessar minn qabel għall-iċċekkjar tal-vidjos, l-immaġnijiet u l-captions qabel ġirja sħiħa tat-taħriġ. L-attivazzjoni tagħha tagħmel lit-trainer jirritorna d-dataset tat-taħriġ ipproċessat f'arkivju li jista' jitniżżel għal reviżjoni manwali.
audio_normalizemhux obbligatorju
Tipboolean
Prestabbilittrue
Normalizzazzjoni tal-quċċati tal-awdjo ta' kundizzjonament biex jinżammu livelli konsistenti fid-dataset kollu.
audio_preserve_pitchmhux obbligatorju
Tipboolean
Prestabbilittrue
Żamma tal-pitch waqt l-aġġustament tal-awdjo biex jaqbel mat-tul tal-vidjo, minflok ma jinqata' jew jiġi padded.
validationmhux obbligatorju
Tipobject[]
Prestabbilit[]
≤ 2 oġġetti
Lista ta' prompts ta' validazzjoni li tqabbel kull prompt ma' track awdjo ta' kundizzjonament.
validation[].promptmeħtieġ
Tipstring
Prompt użat waqt il-validazzjoni.
validation[].image_urlmeħtieġ
Tipurl · image
≥ 1 characters
URL ta' immaġni li a2v juża direttament bħala l-ewwel frejm tiegħu, minflok jiġġenera dak il-frejm. Il-proċess a2v immaġni+awdjo -> vidjo juża kemm l-awdjo pprovdut kif ukoll din l-immaġni bħala kundizzjonament.
validation[].audio_urlmeħtieġ
Tipurl · audio
≥ 1 characters
URL tal-awdjo ta' kundizzjonament użat biex imexxi l-ġenerazzjoni tal-vidjo.
validation_negative_promptmhux obbligatorju
Tipstring
Prestabbilitblurry, 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.
Prompt negattiv applikat waqt il-validazzjoni, li tuża proċess ta' preview bi stadju wieħed. Peress li dak il-proċess japprossima l-inferenza tal-produzzjoni distillata b'żewġ stadji, il-gwida u l-kwalità tal-preview tiegħu jvarjaw mir-riżultati finali.
validation_number_of_framesmhux obbligatorju
Tipinteger
Prestabbilit89
9 – 121
Għadd ta' frejms għal kull vidjo ta' validazzjoni.
validation_frame_ratemhux obbligatorju
Tipinteger
Prestabbilit24
8 – 60
Rata tal-frejms fil-mira għall-vidjos ta' validazzjoni, f'frejms kull sekonda; LTX-2.3 jaħdem b'mod nattiv b'24.
validation_resolutionmhux obbligatorju
Tipenum
Prestabbilithigh
lowmediumhigh
Riżoluzzjoni użata waqt il-validazzjoni.
validation_aspect_ratiomhux obbligatorju
Tipenum
Prestabbilit1:1
16:91:19:16
Proporzjon tal-aspett użat waqt il-validazzjoni.
stg_scalemhux obbligatorju
Tipnumber
Prestabbilit1
0 – 3
Skala ta' Spatio-Temporal Guidance (STG), b'1.0 rakkomandat u 0.0 jitfi STG.
meħtieġ

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/a2v",
  "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": 12000,
    "usd": "12.00",
    "charged": 12000,
    "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"
  }
}
Il-fajls tiegħek, l-għażla tiegħekKull outputs[].url huwa kopja fil-ħażna tagħna: miżmuma għal dejjem (imħallsa għal kull GB-xahar) jew 7 ijiem b’xejn, skont l-issettjar tal-kont tiegħek jew ?storage=.
L-istess struttura fuq kull mudelltype, url, content_type, width, height u duration, kemm għall-immaġnijiet kif ukoll għall-vidjo u l-awdjo. output huwa l-oġġett tar-riżultat tal-mudell innifsu.
Oqsma tal-output
video
object {url, content_type, file_name, file_size} | nullPreview kombinat tal-vidjo mill-validazzjoni, meta jkun disponibbli għal endpoints li jipproduċu vidjo.
audio
object {url, content_type, file_name, file_size} | nullAwdjo kombinat mill-validazzjoni, ipprovdut bħala preview meta jkun disponibbli għal dawn ir-rotot awdjo biss: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a, u /v2a.
lora_file
object {url, content_type, file_name, file_size}URL għal piżijiet LoRA mħarrġa f'format .safetensors.
config_file
object {url, content_type, file_name, file_size}Konfigurazzjoni għas-setup tal-endpoint tal-inferenza.
debug_dataset
object {url, content_type, file_name, file_size} | nullOutput ta' debug disponibbli meta `debug_dataset` ikun attivat: arkivju li jista' jitniżżel u fih id-dejta tat-taħriġ wara l-ipproċessar minn qabel.

Aktar mudelli: Taħriġ

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/ltx23-trainer-v2/a2v.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt