Aqbeż għall-kontenut

H3 Max Lip Sync Image to Video

Integra

Id tal-mudell 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"

Fajls bħall-eżempju: $0.80 800 krediti tal-API il-fajls tiegħek jitkejlu qabel it-tħaddim Ħaddmu f’din il-paġna

Ikseb ċavetta API
MiniMax · Vidjo

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.

•meħtieġ image_url
Waqqa’ fajl, jew

Immaġni input għall-animazzjoni; huma aċċettati biss proporzjonijiet tal-aspett fil-medda 0.4–2.5.

•meħtieġ audio_url
Waqqa’ fajl, jew

Awdjo li jmexxi l-movimenti tal-ħalq, b’tul appoġġjat minn 5 sekondi sa 15-il minuta. Il-vidjo iġġenerat għandu l-istess tul bħall-awdjo.

resolution prestabbilit 768P

Riżoluzzjoni tal-output iġġenerat, bl-użu tal-proporzjon tal-aspett appoġġjat l-aktar qrib ta’ dak tal-immaġni.

Avvanzat seed · enable_transcription · enable_safety_checker

Seed għall-ġenerazzjoni każwali; jekk jitħalla barra, issir għażla każwali.

POST /run/minimax/h3-max/lip-sync/image-to-video?wait=20 kwotazzjoni → $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"

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 H3 Max Lip Sync Image to Video

Janima immaġni waħda sabiex il-movimenti tal-ħalq isegwu klipp awdjo pprovdut. L-awdjo għandu jkun ta' mill-inqas 5 sekondi, jappoġġja sa 15-il minuta, u t-tul tal-output jaqbel miegħu. Il-proporzjon tal-aspett tal-immaġni għandu jkun bejn 0.4 u 2.5. `resolution` tvarja minn 480P sa 2K, u `enable_transcription` jista' jżid traskrizzjoni biex jiggwida s-sinkronizzazzjoni.

Parametri

Ibgħat jew l-isem kanoniku jew l-isem nattiv, mhux it-tnejn. Ismijiet kanoniċi

IsemTip PrestabbilitPermess Deskrizzjoni
image_urlmeħtieġ image
Tipurl · image
Immaġni input għall-animazzjoni; huma aċċettati biss proporzjonijiet tal-aspett fil-medda 0.4–2.5.
audio_urlmeħtieġ audio
Tipurl · audio
Awdjo li jmexxi l-movimenti tal-ħalq, b’tul appoġġjat minn 5 sekondi sa 15-il minuta. Il-vidjo iġġenerat għandu l-istess tul bħall-awdjo.
resolutionmhux obbligatorju
Tipenum
Prestabbilit768P
480P768P1080P2K
Riżoluzzjoni tal-output iġġenerat, bl-użu tal-proporzjon tal-aspett appoġġjat l-aktar qrib ta’ dak tal-immaġni.
enable_transcriptionmhux obbligatorju
Tipboolean
Prestabbilitfalse
Għajnuna għat-traskrizzjoni għas-sinkronizzazzjoni tax-xufftejn. Meta din tkun diżattivata, is-sinkronizzazzjoni tuża l-awdjo waħdu; meta tkun attivata, tittraskrivi l-awdjo pprovdut u tuża dik it-traskrizzjoni bħala gwida.
seedmhux obbligatorju
Tipinteger | null
0 – 2,147,483,647
Seed għall-ġenerazzjoni każwali; jekk jitħalla barra, issir għażla każwali.
enable_safety_checkermhux obbligatorju
Tipboolean
Prestabbilittrue
Jikkontrolla jekk l-iskrinjar tas-sikurezza tal-kontenut ikunx attivat.
meħtieġ Isem kanoniku, aċċettat ukoll

Il-parametri tal-fajls jaċċettaw URL pubbliku https://, URI data: sa 10 MB, jew file_url ta’ upload. Fajls

Output

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"
  }
}
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}Vidjo b’movimenti tax-xufftejn sinkronizzati u l-track tal-awdjo pprovdut.
seed
integerSeed tal-ġeneratur każwali użat biex jiġi prodott ir-riżultat.
duration
numberTul tar-riżultat, imkejjel f’sekondi.
timings
object | nullKejl tal-ħin espress f’sekondi, disponibbli biss fuq rotot li jirrapportaw il-ħinijiet tal-backend; inkella null. L-entrata 'inference' tiġbor il-ħin tad-denoising DiT fuq il-backend tal-GPU fit-twieqi kollha ġġenerati għal din it-talba.

Aktar mudelli: Lipsync u avatars

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/minimax/h3-max/lip-sync/image-to-video.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt