सामग्री पर जाएँ

Wan-2.2 Speech-to-Video 14B

इंटीग्रेट करें

मॉडल id 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://api.doitong.com/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://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

उदाहरण जैसी फ़ाइलें: $0.50 500 API क्रेडिट चलाने से पहले आपकी फ़ाइलों को मापा जाता है इसे इस पेज पर चलाएँ

API कुंजी प्राप्त करें
Alibaba लिपसिंक और अवतार लिपसिंक720p तक #audio-to-video#talking-head

स्थिर इमेज और ऑडियो फ़ाइल से टेक्स्ट प्रॉम्प्ट के मार्गदर्शन में बोलता हुआ वीडियो बनाता है

Doitong पर बनाया गया

Doitong समुदाय द्वारा Wan v22 Large से बनाए गए सार्वजनिक कार्य। एक क्लिक में प्रॉम्प्ट का पुनः उपयोग करें।

दिखाए गए सार्वजनिक कार्य: 2
Create a realistic cinematic UGC-style commercial video, exactly 30 seconds long. The entire scen... वीडियो

Create a realistic cinematic UGC-style commercial video, exactly 30 seconds long. The entire scene takes place inside a modern passenger airplane during a daytime flight. Natural smartphone-like cinematography, realistic airplane cabin, authentic passengers, natural lighting, realistic skin...

Реалистичная бытовая сцена в советской одесской квартире зимним вечером. Женщина находится на кух... वीडियो

Реалистичная бытовая сцена в советской одесской квартире зимним вечером. Женщина находится на кухне, мужчина — в комнате и прихожей. Атмосфера обычной советской семьи перед приходом гостей. Голоса: все персонажи говорят по-русски с естественным, выразительным одесским говором. Характерная...

अनुरोध बनाएँ

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

•आवश्यक

वीडियो बनाने के लिए उपयोग किया गया टेक्स्ट प्रॉम्प्ट।

•आवश्यक image_url
फ़ाइल ड्रॉप करें, या

स्रोत इमेज का URL; चुना गया आस्पेक्ट रेशियो निर्धारित करता है कि प्रीप्रोसेसिंग आवश्यक है या नहीं: असंगति होने पर आकार बदलकर केंद्र से क्रॉप किया जाता है।

•आवश्यक audio_url
फ़ाइल ड्रॉप करें, या

ऑडियो फ़ाइल की ओर संकेत करने वाला URL।

resolution डिफ़ॉल्ट 480p

आउटपुट वीडियो रिज़ॉल्यूशन: 480p, 580p या 720p।

डिफ़ॉल्ट 80

40–120 के बीच 4 के गुणज चुनकर निर्मित किए जाने वाले फ़्रेम की संख्या निर्धारित करें।

उन्नत negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
डिफ़ॉल्ट

वीडियो बनाते समय लागू किया गया नकारात्मक प्रॉम्प्ट।

video_quality डिफ़ॉल्ट high

आउटपुट वीडियो गुणवत्ता सेटिंग, जिसे बढ़ाने पर बेहतर दृश्य के बदले फ़ाइलें बड़ी होती हैं।

video_write_mode डिफ़ॉल्ट balanced

वीडियो लेखन मोड, जिसमें balanced गति और गुणवत्ता के बीच संतुलन देता है। सबसे छोटी फ़ाइलों और सबसे धीमे लेखन के लिए small चुनें; तेज़ लेखन परिणाम जल्दी लौटाता है, लेकिन बड़ी फ़ाइलें बनाता है।

डिफ़ॉल्ट 16

निर्मित वीडियो फ़्रेम दर, 4 से 60 तक के मान स्वीकार करती है; `adjust_fps_for_interpolation` को false पर सेट करने से यह दर अपरिवर्तित रहती है। इंटरपोलेशन के साथ `adjust_fps_for_interpolation` true होने पर (यह इसका डिफ़ॉल्ट है), अंतिम FPS प्राप्त करने के लिए इस दर को इंटरपोलेट किए गए फ़्रेम की संख्या plus one से गुणा करें। उदाहरण के लिए, 1 इंटरपोलेट किए गए फ़्रेम के साथ 16 FPS, 32 FPS हो जाता है।

डिफ़ॉल्ट 27

sampling step count, जिसमें count बढ़ने पर अधिक processing time के बदले बेहतर गुणवत्ता मिलती है।

डिफ़ॉल्ट 3.5

Classifier-free guidance की शक्ति, जिसमें scale बढ़ने पर संभावित गुणवत्ता ह्रास के बदले प्रॉम्प्ट से अधिक निकटता से मिलान होता है।

डिफ़ॉल्ट 5

वीडियो शिफ्ट सेटिंग, जिसकी अनुमत सीमा 1.0–10.0 है।

निर्माण को पुनरुत्पाद्य बनाने वाली सीड। इसे None पर सेट करने से सीड यादृच्छिक रूप से चुनी जाती है।

POST /run/wan/v2.2-14b/speech-to-video?wait=20 कोटेशन → $0.50
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/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://api.doitong.com/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

Wan-2.2 Speech-to-Video 14B के बारे में

`prompt`, स्रोत `image_url` और `audio_url` की आवश्यकता होती है और ऑडियो से संचालित चित्रित विषय का वीडियो बनाता है। `num_frames` 40 से 120 तक 4 के गुणजों में होता है और डिफ़ॉल्ट रूप से 16 fps पर चलता है। `resolution` 480p, 580p या 720p हो सकता है। सैंपलिंग स्टेप्स, गाइडेंस, इंटरपोलेशन और `negative_prompt` समायोजित किए जा सकते हैं।

पैरामीटर

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

नामप्रकार डिफ़ॉल्टअनुमत विवरण
promptआवश्यक
प्रकारstring
वीडियो बनाने के लिए उपयोग किया गया टेक्स्ट प्रॉम्प्ट।
negative_promptवैकल्पिक
प्रकारstring
डिफ़ॉल्ट
वीडियो बनाते समय लागू किया गया नकारात्मक प्रॉम्प्ट।
num_framesवैकल्पिक
प्रकारinteger
डिफ़ॉल्ट80
40 – 120
40–120 के बीच 4 के गुणज चुनकर निर्मित किए जाने वाले फ़्रेम की संख्या निर्धारित करें।
frames_per_secondवैकल्पिक
प्रकारinteger | null
डिफ़ॉल्ट16
4 – 60
निर्मित वीडियो फ़्रेम दर, 4 से 60 तक के मान स्वीकार करती है; `adjust_fps_for_interpolation` को false पर सेट करने से यह दर अपरिवर्तित रहती है। इंटरपोलेशन के साथ `adjust_fps_for_interpolation` true होने पर (यह इसका डिफ़ॉल्ट है), अंतिम FPS प्राप्त करने के लिए इस दर को इंटरपोलेट किए गए फ़्रेम की संख्या plus one से गुणा करें। उदाहरण के लिए, 1 इंटरपोलेट किए गए फ़्रेम के साथ 16 FPS, 32 FPS हो जाता है।
seedवैकल्पिक
प्रकारinteger | null
निर्माण को पुनरुत्पाद्य बनाने वाली सीड। इसे None पर सेट करने से सीड यादृच्छिक रूप से चुनी जाती है।
resolutionवैकल्पिक
प्रकारenum
डिफ़ॉल्ट480p
480p580p720p
आउटपुट वीडियो रिज़ॉल्यूशन: 480p, 580p या 720p।
num_inference_stepsवैकल्पिक
प्रकारinteger
डिफ़ॉल्ट27
2 – 40
sampling step count, जिसमें count बढ़ने पर अधिक processing time के बदले बेहतर गुणवत्ता मिलती है।
enable_safety_checkerवैकल्पिक
प्रकारboolean
डिफ़ॉल्टfalse
प्रोसेसिंग से पहले इनपुट सुरक्षा जाँच, जिसे केवल अधिकृत खाते बंद कर सकते हैं। प्राधिकरण रहित अनुरोध हमेशा जाँचे जाते हैं; अन्यथा true जाँच सक्षम करता है।
enable_output_safety_checkerवैकल्पिक
प्रकारboolean
डिफ़ॉल्टfalse
निर्मित वीडियो की सुरक्षा जाँच नियंत्रित करता है; true सेट करने पर निर्माण के बाद जाँच सक्षम होती है।
guidance_scaleवैकल्पिक
प्रकारnumber
डिफ़ॉल्ट3.5
1 – 10
Classifier-free guidance की शक्ति, जिसमें scale बढ़ने पर संभावित गुणवत्ता ह्रास के बदले प्रॉम्प्ट से अधिक निकटता से मिलान होता है।
shiftवैकल्पिक
प्रकारnumber
डिफ़ॉल्ट5
1 – 10
वीडियो शिफ्ट सेटिंग, जिसकी अनुमत सीमा 1.0–10.0 है।
video_qualityवैकल्पिक
प्रकारenum
डिफ़ॉल्टhigh
lowmediumhighmaximum
आउटपुट वीडियो गुणवत्ता सेटिंग, जिसे बढ़ाने पर बेहतर दृश्य के बदले फ़ाइलें बड़ी होती हैं।
video_write_modeवैकल्पिक
प्रकारenum
डिफ़ॉल्टbalanced
fastbalancedsmall
वीडियो लेखन मोड, जिसमें balanced गति और गुणवत्ता के बीच संतुलन देता है। सबसे छोटी फ़ाइलों और सबसे धीमे लेखन के लिए small चुनें; तेज़ लेखन परिणाम जल्दी लौटाता है, लेकिन बड़ी फ़ाइलें बनाता है।
image_urlआवश्यक image
प्रकारurl · image
स्रोत इमेज का URL; चुना गया आस्पेक्ट रेशियो निर्धारित करता है कि प्रीप्रोसेसिंग आवश्यक है या नहीं: असंगति होने पर आकार बदलकर केंद्र से क्रॉप किया जाता है।
audio_urlआवश्यक audio
प्रकारurl · audio
ऑडियो फ़ाइल की ओर संकेत करने वाला URL।
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": "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://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/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}निर्माण से तैयार की गई वीडियो फ़ाइल।

और मॉडल: लिपसिंक और अवतार

AI एजेंट के लिए: इस पेज का Markdown यहाँ है https://doitong.com/hi/developers/models/wan/v2.2-14b/speech-to-video.md. सभी मॉडल और गाइड: https://doitong.com/developers/llms.txt