Ir para o conteúdo

Wan-2.2 Speech-to-Video 14B

Integrar

ID do 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"

Arquivos como o exemplo: $ 0,50 500 créditos de API seus arquivos são medidos antes da execução Executar nesta página

Obter chave de API
Alibaba Sincronização labial e avatares Sincronização labialaté 720p #audio-to-video#talking-head

Cria um vídeo falante a partir de uma imagem estática e um arquivo de áudio, orientado por um prompt de texto

Alibaba · Vídeo

Seu primeiro resultado aparecerá aqui

Monte uma requisição abaixo e execute-a com sua chave de API. As saídas são copiadas para nosso armazenamento, mantidas para sempre ou por 7 dias gratuitamente.

Criar uma solicitação

Os controles são gerados a partir do esquema do modelo. O código e o preço são atualizados conforme você os altera.

•obrigatório

Prompt de texto usado para gerar o vídeo.

•obrigatório image_url
Solte um arquivo ou

URL da imagem de origem, com a proporção selecionada determinando se o pré-processamento é necessário: uma incompatibilidade aciona o redimensionamento seguido de um recorte central.

•obrigatório audio_url
Solte um arquivo ou

URL que aponta para o arquivo de áudio.

resolution padrão 480p

Resolução do vídeo de saída: 480p, 580p ou 720p.

padrão 80

Escolha um múltiplo de 4 entre 40 e 120 para definir quantos quadros serão gerados.

Avançado negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
padrão

Prompt negativo aplicado ao gerar um vídeo.

video_quality padrão high

Configuração da qualidade do vídeo de saída, que troca arquivos maiores por visuais aprimorados à medida que o valor aumenta.

video_write_mode padrão balanced

Modo de gravação do vídeo, com balanced oferecendo um equilíbrio entre velocidade e qualidade. Escolha small para os menores arquivos e a gravação mais lenta; a gravação mais rápida retorna resultados antes, mas cria arquivos maiores.

padrão 16

Taxa de quadros do vídeo gerado, aceitando valores de 4 a 60; definir `adjust_fps_for_interpolation` como false preserva essa taxa inalterada. Com a interpolação habilitada e `adjust_fps_for_interpolation` como true (seu padrão), multiplique essa taxa por um mais a quantidade de quadros interpolados para obter o FPS final. Por exemplo, 16 FPS com 1 quadro interpolado torna-se 32 FPS.

padrão 27

Quantidade de etapas de amostragem, trocando um tempo de processamento maior por melhor qualidade à medida que a quantidade aumenta.

padrão 3.5

Intensidade da orientação sem classificador, trocando uma possível perda de qualidade por uma correspondência mais próxima ao prompt à medida que a escala aumenta.

padrão 5

Configuração de deslocamento do vídeo, com intervalo permitido de 1.0–10.0.

Seed que torna a geração reproduzível. Defini-lo como None seleciona uma seed aleatoriamente.

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

Executar esta solicitação

Sua chave permanece neste navegador: ela é enviada somente à Doitong API e salva (localStorage) apenas se você marcar Lembrar. Obter uma chave de API

Sobre Wan-2.2 Speech-to-Video 14B

Requer um `prompt`, uma `image_url` de origem e um `audio_url`, e produz um vídeo do sujeito retratado conduzido pelo áudio. `num_frames` varia de 40 a 120 em múltiplos de 4, a 16 fps por padrão. `resolution` pode ser 480p, 580p ou 720p. Passos de amostragem, orientação, interpolação e um `negative_prompt` podem ser ajustados.

Parâmetros

Envie o nome canônico ou o nome nativo, não ambos. Nomes canônicos

NomeTipo PadrãoPermitido Descrição
promptobrigatório
Tipostring
Prompt de texto usado para gerar o vídeo.
negative_promptopcional
Tipostring
Padrão
Prompt negativo aplicado ao gerar um vídeo.
num_framesopcional
Tipointeger
Padrão80
40 – 120
Escolha um múltiplo de 4 entre 40 e 120 para definir quantos quadros serão gerados.
frames_per_secondopcional
Tipointeger | null
Padrão16
4 – 60
Taxa de quadros do vídeo gerado, aceitando valores de 4 a 60; definir `adjust_fps_for_interpolation` como false preserva essa taxa inalterada. Com a interpolação habilitada e `adjust_fps_for_interpolation` como true (seu padrão), multiplique essa taxa por um mais a quantidade de quadros interpolados para obter o FPS final. Por exemplo, 16 FPS com 1 quadro interpolado torna-se 32 FPS.
seedopcional
Tipointeger | null
Seed que torna a geração reproduzível. Defini-lo como None seleciona uma seed aleatoriamente.
resolutionopcional
Tipoenum
Padrão480p
480p580p720p
Resolução do vídeo de saída: 480p, 580p ou 720p.
num_inference_stepsopcional
Tipointeger
Padrão27
2 – 40
Quantidade de etapas de amostragem, trocando um tempo de processamento maior por melhor qualidade à medida que a quantidade aumenta.
enable_safety_checkeropcional
Tipoboolean
Padrãofalse
Verificação de segurança da entrada antes do processamento, que somente contas autorizadas podem desativar. Requisições sem autorização são sempre verificadas; caso contrário, true habilita a verificação.
enable_output_safety_checkeropcional
Tipoboolean
Padrãofalse
Controla a verificação de segurança do vídeo gerado; definir como true habilita uma verificação após a geração.
guidance_scaleopcional
Tiponumber
Padrão3.5
1 – 10
Intensidade da orientação sem classificador, trocando uma possível perda de qualidade por uma correspondência mais próxima ao prompt à medida que a escala aumenta.
shiftopcional
Tiponumber
Padrão5
1 – 10
Configuração de deslocamento do vídeo, com intervalo permitido de 1.0–10.0.
video_qualityopcional
Tipoenum
Padrãohigh
lowmediumhighmaximum
Configuração da qualidade do vídeo de saída, que troca arquivos maiores por visuais aprimorados à medida que o valor aumenta.
video_write_modeopcional
Tipoenum
Padrãobalanced
fastbalancedsmall
Modo de gravação do vídeo, com balanced oferecendo um equilíbrio entre velocidade e qualidade. Escolha small para os menores arquivos e a gravação mais lenta; a gravação mais rápida retorna resultados antes, mas cria arquivos maiores.
image_urlobrigatório image
Tipourl · image
URL da imagem de origem, com a proporção selecionada determinando se o pré-processamento é necessário: uma incompatibilidade aciona o redimensionamento seguido de um recorte central.
audio_urlobrigatório audio
Tipourl · audio
URL que aponta para o arquivo de áudio.
obrigatório Nome canônico, também aceito

Os parâmetros de arquivo aceitam uma URL https:// pública, um URI data: de até 10 MB ou o file_url de um upload. Arquivos

Saída

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"
  }
}
Seus arquivos, sua escolhaCada outputs[].url é uma cópia em nosso armazenamento: mantida para sempre (cobrada por GB-mês) ou por 7 dias gratuitamente, conforme a configuração da sua conta ou ?storage=.
Mesmo formato em todos os modelostype, url, content_type, width, height e duration, para imagens, vídeos e áudios. output é o próprio objeto de resultado do modelo.
Campos da saída
video
object {url, content_type, file_name, file_size}Arquivo de vídeo produzido pela geração.

Mais modelos: Sincronização labial e avatares

Para agentes de IA: esta página em Markdown está em https://doitong.com/pt-BR/developers/models/wan/v2.2-14b/speech-to-video.md. Todos os modelos e guias: https://doitong.com/developers/llms.txt