Zum Inhalt springen

Wan-2.2 Speech-to-Video 14B

Integrieren

Modell-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"

Dateien wie das Beispiel: 0,50 $ 500 API-Credits Deine Dateien werden vor der Ausführung gemessen Auf dieser Seite ausführen

API-Schlüssel abrufen
Alibaba Lipsync & Avatare Lipsyncbis zu 720p #audio-to-video#talking-head

Erstellt anhand eines Textprompts aus einem Standbild und einer Audiodatei ein sprechendes Video

Auf Doitong erstellt

Öffentliche Werke der Doitong-Community mit Wan v22 Large. Verwende einen Prompt mit einem Klick erneut.

Angezeigte öffentliche Werke: 5
Create a highly realistic UGC-style smartphone video inside a modern commercial airplane during a... Video

Create a highly realistic UGC-style smartphone video inside a modern commercial airplane during a daytime flight. Natural cabin lighting, subtle handheld camera movement, authentic airplane ambience, realistic passengers and natural acting. The video must feel like a real spontaneous phone...

**SORA 2 PROMPT — 20 seconds, vertical 9:16** Create a highly realistic UGC-style smartphone vide... Video

**SORA 2 PROMPT — 20 seconds, vertical 9:16** Create a highly realistic UGC-style smartphone video inside a modern commercial airplane during a daytime flight. Natural cabin lighting, subtle handheld camera movement, authentic airplane ambience, realistic passengers and natural acting. The video...

Create a realistic cinematic 20-second video, filmed like a high-budget modern commercial with na... Video

Create a realistic cinematic 20-second video, filmed like a high-budget modern commercial with natural acting, realistic lighting and believable facial expressions. All dialogue is spoken naturally in French. **SCENE 1 — EXPENSIVE RESTAURANT, EVENING — 0–5 sec** A young man in his late 20s is...

Create a realistic cinematic UGC-style commercial video, exactly 30 seconds long. The entire scen... Video

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...

TITLE: Santa's Secret Christmas Selfie with Dasha 🎄 VIDEO FORMAT: 15–20 seconds, vertical 9:16, c... Video

TITLE: Santa's Secret Christmas Selfie with Dasha 🎄 VIDEO FORMAT: 15–20 seconds, vertical 9:16, cinematic Christmas short film, high-quality realistic 3D animation. REFERENCE IMAGE — DASHA_001 Use the uploaded image as the exact character reference for Dasha. Preserve her recognizable face,...

Anfrage erstellen

Die Steuerelemente werden aus dem Modellschema generiert. Code und Preis werden aktualisiert, während du sie änderst.

•erforderlich

Text-Prompt zur Generierung des Videos.

•erforderlich image_url
Datei ablegen oder

URL des Quellbilds; das ausgewählte Seitenverhältnis bestimmt, ob eine Vorverarbeitung erforderlich ist: Bei einer Abweichung wird das Bild skaliert und anschließend mittig zugeschnitten.

•erforderlich audio_url
Datei ablegen oder

URL der Audiodatei.

resolution Standard 480p

Ausgabevideoauflösung: 480p, 580p oder 720p.

Standard 80

Wähle ein Vielfaches von 4 innerhalb von 40–120, um die Anzahl der generierten Frames festzulegen.

Erweitert negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
Standard

Bei der Videogenerierung angewendeter negativer Prompt.

video_quality Standard high

Qualitätseinstellung des Ausgabevideos, die mit steigender Einstellung größere Dateien gegen eine bessere Darstellung eintauscht.

video_write_mode Standard balanced

Vide-Schreibmodus, wobei balanced einen Kompromiss zwischen Geschwindigkeit und Qualität bietet. Wähle small für die kleinsten Dateien und langsamste Schreibgeschwindigkeit; schnelleres Schreiben liefert Ergebnisse früher, erzeugt aber größere Dateien.

Standard 16

Bildrate des generierten Videos, mit Werten von 4 bis 60; das Setzen von `adjust_fps_for_interpolation` auf false behält diese Bildrate unverändert bei. Bei aktivierter Interpolation und `adjust_fps_for_interpolation` auf true (Standard) wird diese Bildrate mit eins plus der Anzahl interpolierter Frames multipliziert, um die endgültige FPS zu erhalten. Beispiel: 16 FPS mit 1 interpoliertem Frame ergeben 32 FPS.

Standard 27

Anzahl der Sampling-Schritte; eine höhere Anzahl verlängert die Verarbeitung, verbessert aber die Qualität.

Standard 3.5

Stärke der classifier-freien Guidance; mit zunehmender Skalierung wird eine engere Prompt-Übereinstimmung gegen einen möglichen Qualitätsverlust abgewogen.

Standard 5

Video-Shift-Einstellung mit einem zulässigen Bereich von 1.0–10.0.

Seed für reproduzierbare Generierung. Bei None wird ein Seed zufällig ausgewählt.

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

Diese Anfrage ausführen

Dein Schlüssel bleibt in diesem Browser: Er wird nur an die Doitong API gesendet und nur gespeichert (localStorage), wenn du „Merken“ aktivierst. API-Schlüssel abrufen

Über Wan-2.2 Speech-to-Video 14B

Benötigt einen `prompt`, ein Quellbild unter `image_url` und eine Audiodatei unter `audio_url` und erzeugt ein Video des abgebildeten Motivs, das durch die Audiodatei gesteuert wird. `num_frames` reicht von 40 bis 120 in Vielfachen von 4, standardmäßig bei 16 fps. `resolution` kann 480p, 580p oder 720p sein. Sampling-Schritte, Guidance, Interpolation und ein `negative_prompt` können angepasst werden.

Parameter

Sende entweder den kanonischen Namen oder den nativen Namen, nicht beide. Kanonische Namen

NameTyp StandardZulässig Beschreibung
prompterforderlich
Typstring
Text-Prompt zur Generierung des Videos.
negative_promptoptional
Typstring
Standard
Bei der Videogenerierung angewendeter negativer Prompt.
num_framesoptional
Typinteger
Standard80
40 – 120
Wähle ein Vielfaches von 4 innerhalb von 40–120, um die Anzahl der generierten Frames festzulegen.
frames_per_secondoptional
Typinteger | null
Standard16
4 – 60
Bildrate des generierten Videos, mit Werten von 4 bis 60; das Setzen von `adjust_fps_for_interpolation` auf false behält diese Bildrate unverändert bei. Bei aktivierter Interpolation und `adjust_fps_for_interpolation` auf true (Standard) wird diese Bildrate mit eins plus der Anzahl interpolierter Frames multipliziert, um die endgültige FPS zu erhalten. Beispiel: 16 FPS mit 1 interpoliertem Frame ergeben 32 FPS.
seedoptional
Typinteger | null
Seed für reproduzierbare Generierung. Bei None wird ein Seed zufällig ausgewählt.
resolutionoptional
Typenum
Standard480p
480p580p720p
Ausgabevideoauflösung: 480p, 580p oder 720p.
num_inference_stepsoptional
Typinteger
Standard27
2 – 40
Anzahl der Sampling-Schritte; eine höhere Anzahl verlängert die Verarbeitung, verbessert aber die Qualität.
enable_safety_checkeroptional
Typboolean
Standardfalse
Sicherheitsprüfung der Eingabe vor der Verarbeitung, die nur autorisierte Konten deaktivieren dürfen. Nicht autorisierte Anfragen werden immer geprüft; andernfalls aktiviert true die Prüfung.
enable_output_safety_checkeroptional
Typboolean
Standardfalse
Steuert die Sicherheitsprüfung des generierten Videos; true aktiviert eine Prüfung nach der Generierung.
guidance_scaleoptional
Typnumber
Standard3.5
1 – 10
Stärke der classifier-freien Guidance; mit zunehmender Skalierung wird eine engere Prompt-Übereinstimmung gegen einen möglichen Qualitätsverlust abgewogen.
shiftoptional
Typnumber
Standard5
1 – 10
Video-Shift-Einstellung mit einem zulässigen Bereich von 1.0–10.0.
video_qualityoptional
Typenum
Standardhigh
lowmediumhighmaximum
Qualitätseinstellung des Ausgabevideos, die mit steigender Einstellung größere Dateien gegen eine bessere Darstellung eintauscht.
video_write_modeoptional
Typenum
Standardbalanced
fastbalancedsmall
Vide-Schreibmodus, wobei balanced einen Kompromiss zwischen Geschwindigkeit und Qualität bietet. Wähle small für die kleinsten Dateien und langsamste Schreibgeschwindigkeit; schnelleres Schreiben liefert Ergebnisse früher, erzeugt aber größere Dateien.
image_urlerforderlich image
Typurl · image
URL des Quellbilds; das ausgewählte Seitenverhältnis bestimmt, ob eine Vorverarbeitung erforderlich ist: Bei einer Abweichung wird das Bild skaliert und anschließend mittig zugeschnitten.
audio_urlerforderlich audio
Typurl · audio
URL der Audiodatei.
erforderlich Kanonischer Name, ebenfalls akzeptiert

Dateiparameter akzeptieren eine öffentliche https://-URL, eine data:-URI bis 10 MB oder die file_url eines Uploads. Dateien

Ausgabe

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"
  }
}
Deine Dateien, deine EntscheidungJede outputs[].url ist eine Kopie in unserem Speicher: dauerhaft aufbewahrt (Abrechnung pro GB-Monat) oder 7 Tage kostenlos – je nach Kontoeinstellung oder ?storage=.
Gleiche Struktur bei jedem Modelltype, url, content_type, width, height und duration – für Bilder, Video und Audio gleichermaßen. output ist das Ergebnisobjekt des Modells.
Ausgabefelder
video
object {url, content_type, file_name, file_size}Durch die Generierung erzeugte Videodatei.

Weitere Modelle: Lipsync & Avatare

Für KI-Agenten: Diese Seite ist als Markdown verfügbar unter https://doitong.com/de/developers/models/wan/v2.2-14b/speech-to-video.md. Alle Modelle und Anleitungen: https://doitong.com/developers/llms.txt