Léim chuig an ábhar

Wan-2.2 Speech-to-Video 14B

Comhtháthú

Aitheantas na samhla 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"

Comhaid cosúil leis an sampla: $0.50 500 gcreidmheas API déantar do chuid comhad a thomhas roimh an rith Rith ar an leathanach seo

Faigh eochair API
Alibaba Sioncronú Liopaí agus Abhatáir Sioncronú liopaísuas le 720p #audio-to-video#talking-head

Cruthaíonn sé físeán cainteach ó íomhá neamhbheo agus comhad fuaime, faoi threoir leid téacs

Alibaba · Físeán

Beidh do chéad toradh anseo

Tóg iarratas thíos agus rith é le d’eochair API. Cóipeáiltear na haschuir chuig ár stóráil, coinnithe go deo nó ar feadh 7 lá saor in aisce.

Tóg iarratas

Gintear na rialtáin ó scéim na samhla. Nuashonraítear an cód agus an praghas de réir mar a athraíonn tú iad.

•riachtanach

Leid téacs a úsáidtear chun an físeán a ghiniúint.

•riachtanach image_url
Scaoil comhad, nó

URL na híomhá foinse, agus an cóimheas gné roghnaithe ag cinneadh an bhfuil réamhphróiseáil riachtanach: spreagann neamhréir athmhéidiú agus barrghearradh lárnach.

•riachtanach audio_url
Scaoil comhad, nó

URL a dhíríonn chuig an gcomhad fuaime.

resolution réamhshocrú 480p

Taifeach aschuir an fhíseáin: 480p, 580p nó 720p.

réamhshocrú 80

Roghnaigh iolraí de 4 idir 40–120 chun líon na bhfrámaí a ghintear a shocrú.

Ardleibhéal negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
réamhshocrú

Leid dhiúltach a chuirtear i bhfeidhm agus físeán á ghiniúint.

video_quality réamhshocrú high

Socrú cáilíochta aschuir físeáin a mhalartaíonn comhaid níos mó ar amhairc fheabhsaithe de réir mar a mhéadaítear an socrú.

video_write_mode réamhshocrú balanced

Mód scríofa físeáin, agus balanced ina chomhréiteach idir luas agus cáilíocht. Roghnaigh small do na comhaid is lú agus an scríobh is moille; tugann scríobh níos tapúla torthaí níos luaithe ach cruthaíonn sé comhaid níos mó.

réamhshocrú 16

Ráta frámaí an fhíseáin ghinte, ag glacadh le luachanna ó 4 go 60; má shocraítear `adjust_fps_for_interpolation` go false, coimeádtar an ráta seo gan athrú. Agus idirshuíomh in úsáid agus `adjust_fps_for_interpolation` true (a réamhshocrú), iolraigh an ráta seo faoi a haon móide líon na bhfrámaí idirshuite chun an FPS deiridh a fháil. Mar shampla, éiríonn 16 FPS le 1 fhráma idirshuite ina 32 FPS.

réamhshocrú 27

Líon na gcéimeanna samplála, áit a mhalartaítear am próiseála níos faide ar cháilíocht níos fearr de réir mar a mhéadaíonn an líon.

réamhshocrú 3.5

Neart treorach saor ó aicmitheoir, áit a mhalartaítear caillteanas cáilíochta féideartha ar mheaitseáil níos dlúithe leis an leid de réir mar a mhéadaíonn an scála.

réamhshocrú 5

Socrú aistrithe físeáin, le raon ceadaithe 1.0–10.0.

Síol a fhágann giniúint in-atáirgthe. Má shocraítear é go None, roghnaítear síol go randamach.

POST /run/wan/v2.2-14b/speech-to-video?wait=20 luachan → $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"

Rith an t-iarratas seo

Fanann d'eochair sa bhrabhsálaí seo: seoltar chuig Doitong API amháin í agus sábháiltear (localStorage) í ach amháin má chuireann tú tic le Meabhraigh. Faigh eochair API

Maidir le Wan-2.2 Speech-to-Video 14B

Teastaíonn `prompt`, `image_url` foinseach agus `audio_url` uaidh, agus táirgeann sé físeán den ábhar sa phictiúr faoi stiúir na fuaime. Téann `num_frames` ó 40 go 120 in iolraithe de 4, ag 16 fps de réir réamhshocraithe. Is féidir `resolution` a bheith 480p, 580p nó 720p. Is féidir céimeanna samplála, treoir, idirshuíomh agus `negative_prompt` a choigeartú.

Paraiméadair

Seol an t-ainm canónach nó an t-ainm dúchasach, ní an dá cheann. Ainmneacha canónacha

AinmCineál RéamhshocrúCeadaithe Cur síos
promptriachtanach
Cineálstring
Leid téacs a úsáidtear chun an físeán a ghiniúint.
negative_promptroghnach
Cineálstring
Réamhshocrú
Leid dhiúltach a chuirtear i bhfeidhm agus físeán á ghiniúint.
num_framesroghnach
Cineálinteger
Réamhshocrú80
40 – 120
Roghnaigh iolraí de 4 idir 40–120 chun líon na bhfrámaí a ghintear a shocrú.
frames_per_secondroghnach
Cineálinteger | null
Réamhshocrú16
4 – 60
Ráta frámaí an fhíseáin ghinte, ag glacadh le luachanna ó 4 go 60; má shocraítear `adjust_fps_for_interpolation` go false, coimeádtar an ráta seo gan athrú. Agus idirshuíomh in úsáid agus `adjust_fps_for_interpolation` true (a réamhshocrú), iolraigh an ráta seo faoi a haon móide líon na bhfrámaí idirshuite chun an FPS deiridh a fháil. Mar shampla, éiríonn 16 FPS le 1 fhráma idirshuite ina 32 FPS.
seedroghnach
Cineálinteger | null
Síol a fhágann giniúint in-atáirgthe. Má shocraítear é go None, roghnaítear síol go randamach.
resolutionroghnach
Cineálenum
Réamhshocrú480p
480p580p720p
Taifeach aschuir an fhíseáin: 480p, 580p nó 720p.
num_inference_stepsroghnach
Cineálinteger
Réamhshocrú27
2 – 40
Líon na gcéimeanna samplála, áit a mhalartaítear am próiseála níos faide ar cháilíocht níos fearr de réir mar a mhéadaíonn an líon.
enable_safety_checkerroghnach
Cineálboolean
Réamhshocrúfalse
Scagadh sábháilteachta an ionchuir roimh phróiseáil, nach féidir ach le cuntais údaraithe é a mhúchadh. Déantar scagadh i gcónaí ar iarratais gan údarú; ar shlí eile, cumasaíonn true an scagadh.
enable_output_safety_checkerroghnach
Cineálboolean
Réamhshocrúfalse
Rialaíonn sé scagadh sábháilteachta an fhíseáin ghinte; cumasaíonn true seiceáil i ndiaidh na giniúna.
guidance_scaleroghnach
Cineálnumber
Réamhshocrú3.5
1 – 10
Neart treorach saor ó aicmitheoir, áit a mhalartaítear caillteanas cáilíochta féideartha ar mheaitseáil níos dlúithe leis an leid de réir mar a mhéadaíonn an scála.
shiftroghnach
Cineálnumber
Réamhshocrú5
1 – 10
Socrú aistrithe físeáin, le raon ceadaithe 1.0–10.0.
video_qualityroghnach
Cineálenum
Réamhshocrúhigh
lowmediumhighmaximum
Socrú cáilíochta aschuir físeáin a mhalartaíonn comhaid níos mó ar amhairc fheabhsaithe de réir mar a mhéadaítear an socrú.
video_write_moderoghnach
Cineálenum
Réamhshocrúbalanced
fastbalancedsmall
Mód scríofa físeáin, agus balanced ina chomhréiteach idir luas agus cáilíocht. Roghnaigh small do na comhaid is lú agus an scríobh is moille; tugann scríobh níos tapúla torthaí níos luaithe ach cruthaíonn sé comhaid níos mó.
image_urlriachtanach image
Cineálurl · image
URL na híomhá foinse, agus an cóimheas gné roghnaithe ag cinneadh an bhfuil réamhphróiseáil riachtanach: spreagann neamhréir athmhéidiú agus barrghearradh lárnach.
audio_urlriachtanach audio
Cineálurl · audio
URL a dhíríonn chuig an gcomhad fuaime.
riachtanach Ainm canónach, glactar leis freisin

Glacann paraiméadair chomhaid le URL poiblí https://, URI data: suas le 10 MB, nó file_url uaslódála. Comhaid

Aschur

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"
  }
}
Do chuid comhad, do roghaIs cóip ar ár stóráil é gach outputs[].url: coinnithe go deo (íoctha in aghaidh GB-mhí) nó ar feadh 7 lá saor in aisce, de réir shocrú do chuntais nó ?storage=.
An cruth céanna ar gach samhailtype, url, content_type, width, height agus duration, d'íomhánna, d'fhíseáin agus d'fhuaim araon. Is é output réad toraidh na samhla féin.
Réimsí aschuir
video
object {url, content_type, file_name, file_size}Comhad físeáin a tháirgtear leis an nginiúint.

Tuilleadh samhlacha: Sioncronú Liopaí agus Abhatáir

Do ghníomhairí AI: tá an leathanach seo mar Markdown ag https://doitong.com/ga/developers/models/wan/v2.2-14b/speech-to-video.md. Gach samhail agus treoir: https://doitong.com/developers/llms.txt