Ir al contenido

Wan-2.2 Speech-to-Video 14B

Integrar

Id del modelo 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://vit.doitong.com/api/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://vit.doitong.com/api/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Archivos como el ejemplo: 0,50 $ 500 créditos de API tus archivos se miden antes de la ejecución Ejecutar en esta página

Obtener clave de API
Alibaba Sincronización labial y avatares Sincronización labialhasta 720p #audio-to-video#talking-head

Crea un vídeo hablante a partir de una imagen fija y un archivo de audio, guiado por un prompt de texto

Alibaba · Vídeo

Tu primer resultado aparecerá aquí

Crea una solicitud abajo y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, conservadas para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan al modificarlos.

•obligatorio

Prompt de texto utilizado para generar el video.

•obligatorio image_url
Suelta un archivo o

URL de la imagen de origen; la relación de aspecto seleccionada determina si se necesita preprocesamiento: una discrepancia activa un redimensionamiento seguido de un recorte centrado.

•obligatorio audio_url
Suelta un archivo o

URL que apunta al archivo de audio.

resolution predeterminado 480p

Resolución del video de salida: 480p, 580p o 720p.

predeterminado 80

Elige un múltiplo de 4 entre 40 y 120 para establecer cuántos fotogramas se generan.

Avanzado negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
predeterminado

Prompt negativo aplicado al generar un video.

video_quality predeterminado high

Configuración de calidad del video de salida, que intercambia archivos más grandes por mejores imágenes a medida que aumenta el valor.

video_write_mode predeterminado balanced

Modo de escritura del video, donde balanced ofrece un equilibrio entre velocidad y calidad. Elige small para los archivos más pequeños y la escritura más lenta; una escritura más rápida devuelve los resultados antes, pero crea archivos más grandes.

predeterminado 16

Frecuencia de fotogramas del video generado, que acepta valores de 4 a 60; establecer `adjust_fps_for_interpolation` en false conserva esta frecuencia sin cambios. Con la interpolación activa y `adjust_fps_for_interpolation` en true (su valor predeterminado), multiplica esta frecuencia por uno más la cantidad de fotogramas interpolados para obtener los FPS finales. Por ejemplo, 16 FPS con 1 fotograma interpolado se convierte en 32 FPS.

predeterminado 27

Cantidad de pasos de muestreo, que intercambia un mayor tiempo de procesamiento por una mejor calidad a medida que aumenta la cantidad.

predeterminado 3.5

Intensidad de guía sin clasificador, que intercambia una posible pérdida de calidad por una coincidencia más cercana con el prompt a medida que aumenta la escala.

predeterminado 5

Configuración de desplazamiento del video, con un intervalo permitido de 1.0–10.0.

Semilla que hace reproducible la generación. Establecerla en None selecciona una semilla aleatoriamente.

POST /run/wan/v2.2-14b/speech-to-video?wait=20 cotización → 0,50 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://vit.doitong.com/api/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://vit.doitong.com/api/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y se guarda (localStorage) únicamente si marcas Recordar. Obtener una clave de API

Acerca de Wan-2.2 Speech-to-Video 14B

Necesita un `prompt`, un `image_url` de origen y un `audio_url`, y produce un vídeo del sujeto representado impulsado por el audio. `num_frames` va de 40 a 120 en múltiplos de 4, a 16 fps de forma predeterminada. `resolution` puede ser 480p, 580p o 720p. Los pasos de muestreo, la guía, la interpolación y un `negative_prompt` se pueden ajustar.

Parámetros

Envía el nombre canónico o el nombre nativo, no ambos. Nombres canónicos

NombreTipo PredeterminadoPermitido Descripción
promptobligatorio
Tipostring
Prompt de texto utilizado para generar el video.
negative_promptopcional
Tipostring
Predeterminado
Prompt negativo aplicado al generar un video.
num_framesopcional
Tipointeger
Predeterminado80
40 – 120
Elige un múltiplo de 4 entre 40 y 120 para establecer cuántos fotogramas se generan.
frames_per_secondopcional
Tipointeger | null
Predeterminado16
4 – 60
Frecuencia de fotogramas del video generado, que acepta valores de 4 a 60; establecer `adjust_fps_for_interpolation` en false conserva esta frecuencia sin cambios. Con la interpolación activa y `adjust_fps_for_interpolation` en true (su valor predeterminado), multiplica esta frecuencia por uno más la cantidad de fotogramas interpolados para obtener los FPS finales. Por ejemplo, 16 FPS con 1 fotograma interpolado se convierte en 32 FPS.
seedopcional
Tipointeger | null
Semilla que hace reproducible la generación. Establecerla en None selecciona una semilla aleatoriamente.
resolutionopcional
Tipoenum
Predeterminado480p
480p580p720p
Resolución del video de salida: 480p, 580p o 720p.
num_inference_stepsopcional
Tipointeger
Predeterminado27
2 – 40
Cantidad de pasos de muestreo, que intercambia un mayor tiempo de procesamiento por una mejor calidad a medida que aumenta la cantidad.
enable_safety_checkeropcional
Tipoboolean
Predeterminadofalse
Comprobación de seguridad de la entrada antes del procesamiento, que solo las cuentas autorizadas pueden desactivar. Las solicitudes sin autorización siempre se comprueban; de lo contrario, true habilita la comprobación.
enable_output_safety_checkeropcional
Tipoboolean
Predeterminadofalse
Controla la comprobación de seguridad del video generado; establecerlo en true habilita una comprobación posterior a la generación.
guidance_scaleopcional
Tiponumber
Predeterminado3.5
1 – 10
Intensidad de guía sin clasificador, que intercambia una posible pérdida de calidad por una coincidencia más cercana con el prompt a medida que aumenta la escala.
shiftopcional
Tiponumber
Predeterminado5
1 – 10
Configuración de desplazamiento del video, con un intervalo permitido de 1.0–10.0.
video_qualityopcional
Tipoenum
Predeterminadohigh
lowmediumhighmaximum
Configuración de calidad del video de salida, que intercambia archivos más grandes por mejores imágenes a medida que aumenta el valor.
video_write_modeopcional
Tipoenum
Predeterminadobalanced
fastbalancedsmall
Modo de escritura del video, donde balanced ofrece un equilibrio entre velocidad y calidad. Elige small para los archivos más pequeños y la escritura más lenta; una escritura más rápida devuelve los resultados antes, pero crea archivos más grandes.
image_urlobligatorio image
Tipourl · image
URL de la imagen de origen; la relación de aspecto seleccionada determina si se necesita preprocesamiento: una discrepancia activa un redimensionamiento seguido de un recorte centrado.
audio_urlobligatorio audio
Tipourl · audio
URL que apunta al archivo de audio.
obligatorio Nombre canónico, también aceptado

Los parámetros de archivo aceptan una URL pública https://, un URI data: de hasta 10 MB o el file_url de una carga. Archivos

Salida

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://vit.doitong.com/api/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://vit.doitong.com/api/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: conservada para siempre (se cobra por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para vídeo y audio. output es el objeto de resultado propio del modelo.
Campos de salida
video
object {url, content_type, file_name, file_size}Archivo de video producido por la generación.

Más modelos: Sincronización labial y avatares

Para agentes de IA: esta página en Markdown está en https://doitong.com/es/developers/models/wan/v2.2-14b/speech-to-video.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt