שפּרינגען צו אינהאַלט

Wan-2.2 Speech-to-Video 14B

אינטעגרירן

מאָדעל־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"

פֿײַלן ווי דער בײַשפּיל: ⁨$ 0.50⁩ 500 API־קרעדיטן אײַערע פֿײַלן ווערן געמאסטן איידערן לויפֿן לויפֿן עס אויף דער דאָזיקער בלאַט

באַקומען אַן API שליסל
Alibaba ליפּסינק און אַוואַטאַרן ליפּסינקביז 720p #audio-to-video#talking-head

מאַכט אַ רעדנדיקע ווידעא פֿון אַ שטיל בילד און אַן אוידיאָ טעקע, געפֿירט דורך אַ טעקסט פּראָמפּט

געמאַכט אויף Doitong

עפֿנטלעכע ווערק געמאַכט מיט Wan v22 Large פֿון דער Doitong קהילה. ניצט אַ פּינטלעך מיט איין קליק.

געוויזענע עפֿנטלעכע ווערק: 5
Create a highly realistic UGC-style smartphone video inside a modern commercial airplane during a... ווידעא

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... ווידעא

**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... ווידעא

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... ווידעא

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... ווידעא

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,...

בויען אַ בעטן

קאָנטראָלן ווערן דזשענערירט פֿון דעם מאָדעל־סכעמע. דער קאָד און דער פּרײַז דערהײַנטיקן זיך ווען איר ענדערט זיי.

•פארלאנגט

טעקסט־פּראָמפּט גענוצט צו גענערירן די ווידעא.

•פארלאנגט image_url
לייגט אַרײַן אַ טעקע, אָדער

URL פון דער מקור־בילד; די אויסגעקליבענע אַספּעקט־פאַרהעלטעניש באַשטימט צי פּרעפּראָסעסינג איז נייטיק: אַ מיסמאַטש צינדט אָן רעזיזינג נאכגעפאָלגט דורך אַ צענטער־קראָפּ.

•פארלאנגט audio_url
לייגט אַרײַן אַ טעקע, אָדער

URL צו דער אַודיאָ־פֿײַל.

resolution סטאַנדאַרט 480p

רעזולטאַט־ווידעא־רעזאָלוציע: 480p, 580p אָדער 720p.

סטאַנדאַרט 80

קלייַבן אַ קייפל פֿון 4 צווישן 40–120 צו באַשטימען וויפֿל ראַמען ווערן גענערירט.

פֿאָרגעשריטן negative_prompt · video_quality · video_write_mode · frames_per_second · num_inference_steps · guidance_scale · shift · seed · enable_safety_checker · enable_output_safety_checker
סטאַנדאַרט

נעגאַטיווער פּראָמפּט געווענדט בײַ גענערירן אַ ווידעא.

video_quality סטאַנדאַרט high

קוואַליטעט־באַשטעטיקונג פֿאַר דער רעזולטאַט־ווידעא, וואָס וועקסלט גרעסערע פֿײַלן פֿאַר בעסערע וויזועלע רעזולטאַטן ווען דער ווערט שטייגט.

video_write_mode סטאַנדאַרט balanced

ווידעא־שרײַב־מאָדע, מיט balanced ווי אַ קאָמפּראָמיס צווישן גיכקייט און קוואַליטעט. קלייַבן small פֿאַר די קלענסטע פֿײַלן און די פּאַמעלעכסטע שרײַבונג; שנעלער שרײַבונג גיט רעזולטאַטן פריער אָבער שאַפֿט גרעסערע פֿײַלן.

סטאַנדאַרט 16

ראַם־קורס פֿון דער גענערירטער ווידעא, מיט ערלויבטע ווערטן פֿון 4 ביז 60; באַשטימען `adjust_fps_for_interpolation` צו false האַלט דעם קורס אומגעענדערט. מיט ינטערפּאָלאַציע און true (זײַן סטאַנדאַרט), מאַלטיפּליצירט דעם קורס מיט איינס פּלוס דער צאָל ינטערפּאָלירטע ראַמען צו באַקומען דעם לעצטן FPS. צום בײַשפּיל, 16 FPS מיט 1 ינטערפּאָלירטן ראַם ווערט 32 FPS.

סטאַנדאַרט 27

צאָל סאַמפּלינג־טריט, וואָס האַנדלט מער פּראַסעסירונג־צײַט פֿאַר בעסערע קוואַליטעט ווען די צאָל שטייגט.

סטאַנדאַרט 3.5

קלאַסיפֿייער־פֿרײַע גיידאַנס־שטאַרקייט, וואָס האַנדלט מעגלעכע קוואַליטעט־פֿאַרלוסט פֿאַר נעענטערן פּראָמפּט־אָפּקלײַב ווען די סקייל שטייגט.

סטאַנדאַרט 5

ווידעא־shift־באַשטעטיקונג, מיט דערלויבטער ריי פֿון 1.0–10.0.

סיד וואָס מאכט גענערירונג רעפּראָדוצירבאַר. אויב מען שטעלט עס אויף None, ווערט אַ סיד ראַנדאָם אויסגעקליבן.

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

לויפֿן דעם ריקוועסט

אײַער key בלײַבט אין דעם בלעטערער: זי ווערט געשיקט נאָר צום Doitong API און אָפּגעהיט (localStorage) נאָר אויב איר טיקט אָן געדענקען. באַקומען אַן API שליסל

וועגן Wan-2.2 Speech-to-Video 14B

דאַרף אַ `prompt`, אַ מקור־`image_url` און אַן `audio_url`, און שאַפֿט אַ ווידעא פֿון דעם געוויזענעם טעמע, געטריבן דורך דעם אַודיאָ. `num_frames` לויפֿט פֿון 40 ביז 120 אין מולטיפּלעס פֿון 4, מיט 16 fps סטאַנדאַרט. `resolution` קען זײַן 480p, 580p אָדער 720p. סאַמפּלינג־סטעפּס, גיידאַנס, ינטערפּאָלאַציע און אַ `negative_prompt` זענען אַדזשאַסטירבאַר.

פּאַראַמעטערס

שיקט אָדער דעם קאַנאָנישן נאָמען אָדער דעם נאַטיוון נאָמען, נישט ביידע. קאַנאָנישע נעמען

נאָמעןטיפּ סטאַנדאַרטערלויבט באַשרײַבונג
promptפארלאנגט
טיפּstring
טעקסט־פּראָמפּט גענוצט צו גענערירן די ווידעא.
negative_promptאָפּציאָנעל
טיפּstring
סטאַנדאַרט
נעגאַטיווער פּראָמפּט געווענדט בײַ גענערירן אַ ווידעא.
num_framesאָפּציאָנעל
טיפּinteger
סטאַנדאַרט80
40 – 120
קלייַבן אַ קייפל פֿון 4 צווישן 40–120 צו באַשטימען וויפֿל ראַמען ווערן גענערירט.
frames_per_secondאָפּציאָנעל
טיפּinteger | null
סטאַנדאַרט16
4 – 60
ראַם־קורס פֿון דער גענערירטער ווידעא, מיט ערלויבטע ווערטן פֿון 4 ביז 60; באַשטימען `adjust_fps_for_interpolation` צו false האַלט דעם קורס אומגעענדערט. מיט ינטערפּאָלאַציע און true (זײַן סטאַנדאַרט), מאַלטיפּליצירט דעם קורס מיט איינס פּלוס דער צאָל ינטערפּאָלירטע ראַמען צו באַקומען דעם לעצטן FPS. צום בײַשפּיל, 16 FPS מיט 1 ינטערפּאָלירטן ראַם ווערט 32 FPS.
seedאָפּציאָנעל
טיפּinteger | null
סיד וואָס מאכט גענערירונג רעפּראָדוצירבאַר. אויב מען שטעלט עס אויף None, ווערט אַ סיד ראַנדאָם אויסגעקליבן.
resolutionאָפּציאָנעל
טיפּenum
סטאַנדאַרט480p
480p580p720p
רעזולטאַט־ווידעא־רעזאָלוציע: 480p, 580p אָדער 720p.
num_inference_stepsאָפּציאָנעל
טיפּinteger
סטאַנדאַרט27
2 – 40
צאָל סאַמפּלינג־טריט, וואָס האַנדלט מער פּראַסעסירונג־צײַט פֿאַר בעסערע קוואַליטעט ווען די צאָל שטייגט.
enable_safety_checkerאָפּציאָנעל
טיפּboolean
סטאַנדאַרטfalse
זיכערהייט־סקרינינג פֿון אַרײַנגעבונג פֿאַרן פּראַסעסינג, וואָס נאָר אָטעריזירטע אַקאַונץ מעגן אויסשליסן. בקשות אָן דערלויבעניש ווערן תּמיד סקרינירט; אַנדערש אַקטיווירט true סקרינינג.
enable_output_safety_checkerאָפּציאָנעל
טיפּboolean
סטאַנדאַרטfalse
קאָנטראָלירט זיכערהייט־סקרינינג פֿון דער גענערירטער ווידעא; true אַקטיווירט אַ קאָנטראָל נאָך גענערירונג.
guidance_scaleאָפּציאָנעל
טיפּnumber
סטאַנדאַרט3.5
1 – 10
קלאַסיפֿייער־פֿרײַע גיידאַנס־שטאַרקייט, וואָס האַנדלט מעגלעכע קוואַליטעט־פֿאַרלוסט פֿאַר נעענטערן פּראָמפּט־אָפּקלײַב ווען די סקייל שטייגט.
shiftאָפּציאָנעל
טיפּnumber
סטאַנדאַרט5
1 – 10
ווידעא־shift־באַשטעטיקונג, מיט דערלויבטער ריי פֿון 1.0–10.0.
video_qualityאָפּציאָנעל
טיפּenum
סטאַנדאַרטhigh
lowmediumhighmaximum
קוואַליטעט־באַשטעטיקונג פֿאַר דער רעזולטאַט־ווידעא, וואָס וועקסלט גרעסערע פֿײַלן פֿאַר בעסערע וויזועלע רעזולטאַטן ווען דער ווערט שטייגט.
video_write_modeאָפּציאָנעל
טיפּenum
סטאַנדאַרטbalanced
fastbalancedsmall
ווידעא־שרײַב־מאָדע, מיט balanced ווי אַ קאָמפּראָמיס צווישן גיכקייט און קוואַליטעט. קלייַבן small פֿאַר די קלענסטע פֿײַלן און די פּאַמעלעכסטע שרײַבונג; שנעלער שרײַבונג גיט רעזולטאַטן פריער אָבער שאַפֿט גרעסערע פֿײַלן.
image_urlפארלאנגט image
טיפּurl · image
URL פון דער מקור־בילד; די אויסגעקליבענע אַספּעקט־פאַרהעלטעניש באַשטימט צי פּרעפּראָסעסינג איז נייטיק: אַ מיסמאַטש צינדט אָן רעזיזינג נאכגעפאָלגט דורך אַ צענטער־קראָפּ.
audio_urlפארלאנגט audio
טיפּurl · audio
URL צו דער אַודיאָ־פֿײַל.
פארלאנגט קאַנאָנישער נאָמען, אויך אַקצעפּטירט

טעקע־פּאַראַמעטערס נעמען אַן עפֿנטלעכע https:// URL, אַ data: URI ביז 10 MB, אָדער דעם file_url פֿון אַן אַרויפֿלאָד. טעקעס

אויסגאַבע

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"
  }
}
אייער טעקעס, אייער ברירהיעדער outputs[].url איז אַ קאַפּיע אין אונדזער סטאָרידזש: געהאַלטן אויף אייביק (באַצאָלט פּער GB־חודש) אָדער 7 טעג אומזיסט, לויט אײַער חשבון־באַשטעטיקונג אָדער ?storage=.
דער זעלבער פֿאָרעם בײַ יעדן מאָדעלtype, url, content_type, width, height און duration, סײַ פֿאַר בילדער, ווידעאָ און אַודיאָ. output איז דער אייגענער רעזולטאַט־אָביעקט פֿון מאָדעל.
פֿעלדער פֿון דער אויסגאַבע
video
object {url, content_type, file_name, file_size}ווידעא־פֿײַל געשאַפֿן דורך גענערירונג.

מער מאָדעלן: ליפּסינק און אַוואַטאַרן

פֿאַר AI־אַגענטן: דער בלאַט ווי Markdown געפֿינט זיך בײַ https://doitong.com/yi/developers/models/wan/v2.2-14b/speech-to-video.md. אַלע מאָדעלן און גוידעס: https://doitong.com/developers/llms.txt