सामग्री पर जाएँ

H3 Max Lip Sync Image to Video

इंटीग्रेट करें

मॉडल id minimax/h3-max/lip-sync/image-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/minimax/h3-max/lip-sync/image-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

उदाहरण जैसी फ़ाइलें: $0.80 800 API क्रेडिट चलाने से पहले आपकी फ़ाइलों को मापा जाता है इसे इस पेज पर चलाएँ

API कुंजी प्राप्त करें
MiniMax लिपसिंक और अवतार नेटिव ऑडियोलिपसिंक2K तक #lipsync#animation#audio

पोर्ट्रेट चित्र और ऑडियो फ़ाइल को अधिकतम 2K के लिप-सिंक किए गए बोलते हुए वीडियो में बदलता है

MiniMax · वीडियो

आपका पहला परिणाम यहाँ आएगा

नीचे एक अनुरोध बनाएँ और उसे अपनी API कुंजी से चलाएँ। आउटपुट हमारे स्टोरेज में कॉपी किए जाते हैं और हमेशा के लिए या 7 दिन तक मुफ़्त में रखे जाते हैं।

अनुरोध बनाएँ

कंट्रोल मॉडल स्कीमा से जनरेट होते हैं। इन्हें बदलने पर कोड और कीमत अपडेट होती है।

•आवश्यक image_url
फ़ाइल ड्रॉप करें, या

ऐनिमेशन इनपुट इमेज; केवल 0.4–2.5 सीमा के भीतर के आस्पेक्ट रेशियो स्वीकार किए जाते हैं।

•आवश्यक audio_url
फ़ाइल ड्रॉप करें, या

मुँह की गतिविधियों को संचालित करने वाला ऑडियो, जिसकी समर्थित अवधि 5 सेकंड से 15 मिनट है। निर्मित वीडियो की अवधि ऑडियो के समान होती है।

resolution डिफ़ॉल्ट 768P

निर्मित आउटपुट का रिज़ॉल्यूशन, जिसमें इमेज के सबसे निकट समर्थित आस्पेक्ट रेशियो का उपयोग किया जाता है।

उन्नत seed · enable_transcription · enable_safety_checker

रैंडम निर्माण के लिए सीड; इसे छोड़ने पर रैंडम चयन किया जाता है।

POST /run/minimax/h3-max/lip-sync/image-to-video?wait=20 कोटेशन → $0.80
# 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/minimax/h3-max/lip-sync/image-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

यह अनुरोध चलाएँ

आपकी key इसी ब्राउज़र में रहती है: इसे केवल Doitong API को भेजा जाता है और केवल तभी (localStorage) में सेव किया जाता है जब आप Remember चुनते हैं। API कुंजी प्राप्त करें

H3 Max Lip Sync Image to Video के बारे में

एकल चित्र को इस तरह एनिमेट करता है कि मुँह की गतिविधियाँ दिए गए ऑडियो क्लिप के अनुरूप हों। ऑडियो कम से कम 5 सेकंड लंबा होना चाहिए, अधिकतम 15 मिनट तक समर्थित है और आउटपुट की लंबाई उससे मेल खाती है। चित्र का आस्पेक्ट रेशियो 0.4 और 2.5 के बीच होना चाहिए। `resolution` 480P से 2K तक होता है, और `enable_transcription` सिंक्रोनाइज़ेशन का मार्गदर्शन करने के लिए ट्रांसक्रिप्ट जोड़ सकता है।

पैरामीटर

कैनोनिकल नाम या नेटिव नाम में से कोई एक भेजें, दोनों नहीं। कैनोनिकल नाम

नामप्रकार डिफ़ॉल्टअनुमत विवरण
image_urlआवश्यक image
प्रकारurl · image
ऐनिमेशन इनपुट इमेज; केवल 0.4–2.5 सीमा के भीतर के आस्पेक्ट रेशियो स्वीकार किए जाते हैं।
audio_urlआवश्यक audio
प्रकारurl · audio
मुँह की गतिविधियों को संचालित करने वाला ऑडियो, जिसकी समर्थित अवधि 5 सेकंड से 15 मिनट है। निर्मित वीडियो की अवधि ऑडियो के समान होती है।
resolutionवैकल्पिक
प्रकारenum
डिफ़ॉल्ट768P
480P768P1080P2K
निर्मित आउटपुट का रिज़ॉल्यूशन, जिसमें इमेज के सबसे निकट समर्थित आस्पेक्ट रेशियो का उपयोग किया जाता है।
enable_transcriptionवैकल्पिक
प्रकारboolean
डिफ़ॉल्टfalse
लिप सिंक्रोनाइज़ेशन के लिए ट्रांसक्रिप्ट सहायता। इसे अक्षम करने पर सिंक्रोनाइज़ेशन केवल ऑडियो का उपयोग करता है; सक्षम करने पर दिए गए ऑडियो का ट्रांसक्रिप्शन बनाकर उसे मार्गदर्शन के रूप में उपयोग किया जाता है।
seedवैकल्पिक
प्रकारinteger | null
0 – 2,14,74,83,647
रैंडम निर्माण के लिए सीड; इसे छोड़ने पर रैंडम चयन किया जाता है।
enable_safety_checkerवैकल्पिक
प्रकारboolean
डिफ़ॉल्टtrue
यह नियंत्रित करता है कि कंटेंट सुरक्षा जाँच सक्षम है या नहीं।
आवश्यक कैनोनिकल नाम, यह भी स्वीकार्य है

फ़ाइल पैरामीटर में सार्वजनिक https:// URL, 10 MB तक का data: URI, या अपलोड का file_url लिया जाता है। फ़ाइलें

आउटपुट

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/h3-max/lip-sync/image-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": 800,
    "usd": "0.80",
    "charged": 800,
    "refunded": 0
  },
  "input": {
    "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
    },
    "seed": 42,
    "duration": 5,
    "timings": {}
  },
  "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"
  }
}
आपकी फ़ाइलें, आपकी पसंदहर outputs[].url हमारे स्टोरेज में एक कॉपी है: हमेशा के लिए (प्रति GB-माह भुगतान) या 7 दिन तक मुफ़्त में, आपके अकाउंट की सेटिंग या ?storage= के अनुसार।
हर मॉडल पर एक जैसा आकारइमेज, वीडियो और ऑडियो सभी के लिए type, url, content_type, width, height और duration। output मॉडल का अपना परिणाम ऑब्जेक्ट है।
आउटपुट के फ़ील्ड
video
object {url, content_type, file_name, file_size}सिंक्रोनाइज़ की गई होंठों की गतिविधियों और दिए गए ऑडियो ट्रैक वाला वीडियो।
seed
integerपरिणाम बनाने के लिए उपयोग किया गया रैंडम जनरेटर सीड।
duration
numberपरिणाम की अवधि, सेकंड में मापी गई।
timings
object | nullसेकंड में व्यक्त समय माप, केवल उन रूट पर उपलब्ध हैं जो बैकएंड समय की रिपोर्ट करते हैं; अन्यथा null। 'inference' प्रविष्टि इस अनुरोध के लिए बनाए गए सभी विंडो में GPU-बैकएंड DiT डिनॉइज़िंग समय का योग देती है।

और मॉडल: लिपसिंक और अवतार

AI एजेंट के लिए: इस पेज का Markdown यहाँ है https://doitong.com/hi/developers/models/minimax/h3-max/lip-sync/image-to-video.md. सभी मॉडल और गाइड: https://doitong.com/developers/llms.txt