رفتن به محتوا

LTX 2.3 Trainer (V2) - Audio-to-Audio

یکپارچه‌سازی

شناسه مدل ltx23-trainer-v2/a2a
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/ltx23-trainer-v2/a2a?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

این درخواست: ⁨‎$۴٫۶۰⁩ ۴٬۶۰۰ اعتبار API · ≈ ⁨‎₽۴۸۵٫۱۳⁩ اجرای آن در این صفحه

دریافت کلید API
Lightricks آموزش ۱–۶۰ ثانیه

آموزش LoRA برای LTX 2.3 که کلیپ صوتی مرجع را از نمونه‌های جفت‌شده به کلیپ صوتی هدف نگاشت می‌کند

Lightricks · فایل

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

resolution پیش‌فرض medium

وضوح آموزشی. افزایش وضوح نیاز حافظه را بیشتر می‌کند.

aspect_ratio پیش‌فرض 1:1

نسبت تصویر آموزشی.

•الزامی

URL یک `.zip` حاوی داده‌های آموزشی، سازمان‌یافته بر اساس حالت آموزشی انتخاب‌شده. هر فایل رسانه‌ای می‌تواند یک کپشن `.txt` با نام پایه یکسان داشته باشد.

پیش‌فرض 2000

تعداد کل گام‌های آموزشی.

پیشرفته validation_negative_prompt · rank · validation_resolution · validation_aspect_ratio · trigger_phrase · learning_rate · number_of_frames · frame_rate · split_input_duration_threshold · audio_duration_seconds · validation_number_of_frames · validation_frame_rate · stg_scale · auto_scale_input · split_input_into_scenes · debug_dataset · audio_normalize · audio_preserve_pitch · validation
پیش‌فرض blurry, out of focus,...

پرامپت منفی اعمال‌شده هنگام اعتبارسنجی که از فرایند پیش‌نمایش تک‌مرحله‌ای استفاده می‌کند. چون این فرایند استنتاج تولید تقطیرشده دومرحله‌ای را تقریب می‌زند، راهنمایی و کیفیت پیش‌نمایش آن با نتایج نهایی متفاوت است.

rank پیش‌فرض 32

رتبه سازگارسازی LoRA که با افزایش مقدار، مصرف حافظه بیشتر و ظرفیت بالاتری ایجاد می‌کند.

validation_resolution پیش‌فرض high

وضوح استفاده‌شده هنگام اعتبارسنجی.

validation_aspect_ratio پیش‌فرض 1:1

نسبت تصویر استفاده‌شده هنگام اعتبارسنجی.

پیش‌فرض

عبارت فعال‌سازی سبک LoRA که هنگام آموزش در ابتدای کپشن‌ها درج می‌شود.

پیش‌فرض 0.0002

نرخ یادگیری بهینه‌سازی.

پیش‌فرض 89

تعداد فریم هر نمونه آموزشی. تقسیم این تعداد بر 8 باید باقیمانده 1 داشته باشد؛ نمونه‌ها شامل 1، 9، 17، 25، 33، 41، 49، 57، 65، 73، 81، 89، 97 هستند.

پیش‌فرض 24

نرخ فریم هدف ویدیوی آموزشی برحسب فریم در ثانیه. نرخ بومی LTX-2.3 برابر 24 است.

پیش‌فرض 30

محرک تقسیم صحنه که به‌صورت مدت برحسب ثانیه بیان می‌شود: فقط ویدیوهای طولانی‌تر از آستانه تقسیم می‌شوند.

پیش‌فرض 5

بازه مدت صوت برحسب ثانیه که برای حالت‌های فقط صوت لازم است، زیرا آن‌ها تعداد فریم ویدیو برای محاسبه طول ندارند. این هدف نحوه مدیریت کلیپ را تعیین می‌کند: صوت اضافی بریده می‌شود و کلیپ‌های کوتاه‌تر رد می‌شوند.

پیش‌فرض 89

تعداد فریم هر ویدیوی اعتبارسنجی.

پیش‌فرض 24

نرخ فریم هدف برای ویدیوهای اعتبارسنجی، برحسب فریم در ثانیه؛ LTX-2.3 به‌صورت بومی با 24 اجرا می‌شود.

پیش‌فرض 1

مقیاس راهنمایی مکانی-زمانی (STG)؛ مقدار پیشنهادی 1.0 است و 0.0، STG را خاموش می‌کند.

پیش‌فرض []

فهرست پرامپت‌های اعتبارسنجی که هر پرامپت را با یک کلیپ صوتی مرجع جفت می‌کند.

POST /run/ltx23-trainer-v2/a2a?wait=20 قیمت → ⁨‎$۴٫۶۰⁩
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/ltx23-trainer-v2/a2a?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره LTX 2.3 Trainer (V2) - Audio-to-Audio

یک LoRA را برای تبدیل صدا به صدا از فایل `.zip` نمونه‌های جفت‌شده در `training_data_url` تنظیم دقیق می‌کند. `rank` از 8 تا 128، `number_of_steps` از 100 تا 10000 و `audio_duration_seconds` از 0.5 تا 60 است. تقسیم صحنه در اینجا استفاده نمی‌شود؛ بنابراین کلیپ‌های ازپیش‌تقسیم‌شده ارائه کنید. وزن‌های LoRA و فایل پیکربندی بازگردانده می‌شوند.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
training_data_urlالزامی
نوعstring
URL یک `.zip` حاوی داده‌های آموزشی، سازمان‌یافته بر اساس حالت آموزشی انتخاب‌شده. هر فایل رسانه‌ای می‌تواند یک کپشن `.txt` با نام پایه یکسان داشته باشد.
rankاختیاری
نوعenum
پیش‌فرض32
8163264128
رتبه سازگارسازی LoRA که با افزایش مقدار، مصرف حافظه بیشتر و ظرفیت بالاتری ایجاد می‌کند.
number_of_stepsاختیاری
نوعinteger
پیش‌فرض2000
۱۰۰ – ۱۰٬۰۰۰
تعداد کل گام‌های آموزشی.
learning_rateاختیاری
نوعnumber
پیش‌فرض0.0002
۰٫۰۰۰۰۰۱ – ۱
نرخ یادگیری بهینه‌سازی.
number_of_framesاختیاری
نوعinteger
پیش‌فرض89
۹ – ۱۲۱
تعداد فریم هر نمونه آموزشی. تقسیم این تعداد بر 8 باید باقیمانده 1 داشته باشد؛ نمونه‌ها شامل 1، 9، 17، 25، 33، 41، 49، 57، 65، 73، 81، 89، 97 هستند.
frame_rateاختیاری
نوعinteger
پیش‌فرض24
۸ – ۶۰
نرخ فریم هدف ویدیوی آموزشی برحسب فریم در ثانیه. نرخ بومی LTX-2.3 برابر 24 است.
resolutionاختیاری
نوعenum
پیش‌فرضmedium
lowmediumhigh
وضوح آموزشی. افزایش وضوح نیاز حافظه را بیشتر می‌کند.
aspect_ratioاختیاری
نوعenum
پیش‌فرض1:1
16:91:19:16
نسبت تصویر آموزشی.
trigger_phraseاختیاری
نوعstring
پیش‌فرض
عبارت فعال‌سازی سبک LoRA که هنگام آموزش در ابتدای کپشن‌ها درج می‌شود.
auto_scale_inputاختیاری
نوعboolean
پیش‌فرضfalse
تنظیم خودکار ویدیو برای تطبیق با FPS و تعداد فریم درخواستی هنگام فعال‌بودن؛ مجموعه‌داده‌های تصویری بدون تغییر می‌مانند.
split_input_into_scenesاختیاری
نوعboolean
پیش‌فرضfalse
کنترل تقسیم صحنه که هنگام آماده‌سازی صوت هدف/مرجع جفت‌شده برای a2a نادیده گرفته می‌شود، زیرا تقسیم باعث ناهماهنگی جفت می‌شود. برای a2a آن را خاموش نگه دارید و کلیپ‌های ازپیش‌تقسیم‌شده ارائه کنید.
split_input_duration_thresholdاختیاری
نوعnumber
پیش‌فرض30
۱ – ۶۰
محرک تقسیم صحنه که به‌صورت مدت برحسب ثانیه بیان می‌شود: فقط ویدیوهای طولانی‌تر از آستانه تقسیم می‌شوند.
debug_datasetاختیاری
نوعboolean
پیش‌فرضfalse
حالت بررسی پیش‌پردازش برای وارسی ویدیوها، تصاویر و کپشن‌ها پیش از اجرای کامل آموزش. فعال‌کردن آن باعث می‌شود آموزش‌دهنده مجموعه‌داده آموزشی پردازش‌شده را در یک بایگانی قابل‌دانلود برای بررسی دستی برگرداند.
audio_normalizeاختیاری
نوعboolean
پیش‌فرضtrue
نرمال‌سازی اوج صوت برای حفظ سطوح یکنواخت در سراسر مجموعه‌داده.
audio_preserve_pitchاختیاری
نوعboolean
پیش‌فرضtrue
حفظ زیر و بمی هنگام تطبیق مدت صوت، به‌جای برش یا افزودن حاشیه.
audio_duration_secondsاختیاری
نوعnumber
پیش‌فرض5
۰٫۵ – ۶۰
بازه مدت صوت برحسب ثانیه که برای حالت‌های فقط صوت لازم است، زیرا آن‌ها تعداد فریم ویدیو برای محاسبه طول ندارند. این هدف نحوه مدیریت کلیپ را تعیین می‌کند: صوت اضافی بریده می‌شود و کلیپ‌های کوتاه‌تر رد می‌شوند.
validationاختیاری
نوعobject[]
پیش‌فرض[]
≤ ۲ مورد
فهرست پرامپت‌های اعتبارسنجی که هر پرامپت را با یک کلیپ صوتی مرجع جفت می‌کند.
validation[].promptالزامی
نوعstring
پرامپت استفاده‌شده هنگام اعتبارسنجی.
validation[].reference_audio_urlالزامی
نوعurl · audio
≥ 1 characters
URL صوت مرجع استفاده‌شده برای شرطی‌سازی تولید صوت.
validation_negative_promptاختیاری
نوعstring
پیش‌فرضblurry, out of focus, overexposed, underexposed, low contrast, washed out colors, excessive noise, grainy texture, poor lighting, flickering, motion blur, distorted proportions, unnatural skin tones, deformed facial features, asymmetrical face, missing facial features, extra limbs, disfigured hands, wrong hand count, artifacts around text, inconsistent perspective, camera shake, incorrect depth of field, background too sharp, background clutter, distracting reflections, harsh shadows, inconsistent lighting direction, color banding, cartoonish rendering, 3D CGI look, unrealistic materials, uncanny valley effect, incorrect ethnicity, wrong gender, exaggerated expressions, wrong gaze direction, mismatched lip sync, silent or muted audio, distorted voice, robotic voice, echo, background noise, off-sync audio, incorrect dialogue, added dialogue, repetitive speech, jittery movement, awkward pauses, incorrect timing, unnatural transitions, inconsistent framing, tilted camera, flat lighting, inconsistent tone, cinematic oversaturation, stylized filters, or AI artifacts.
پرامپت منفی اعمال‌شده هنگام اعتبارسنجی که از فرایند پیش‌نمایش تک‌مرحله‌ای استفاده می‌کند. چون این فرایند استنتاج تولید تقطیرشده دومرحله‌ای را تقریب می‌زند، راهنمایی و کیفیت پیش‌نمایش آن با نتایج نهایی متفاوت است.
validation_number_of_framesاختیاری
نوعinteger
پیش‌فرض89
۹ – ۱۲۱
تعداد فریم هر ویدیوی اعتبارسنجی.
validation_frame_rateاختیاری
نوعinteger
پیش‌فرض24
۸ – ۶۰
نرخ فریم هدف برای ویدیوهای اعتبارسنجی، برحسب فریم در ثانیه؛ LTX-2.3 به‌صورت بومی با 24 اجرا می‌شود.
validation_resolutionاختیاری
نوعenum
پیش‌فرضhigh
lowmediumhigh
وضوح استفاده‌شده هنگام اعتبارسنجی.
validation_aspect_ratioاختیاری
نوعenum
پیش‌فرض1:1
16:91:19:16
نسبت تصویر استفاده‌شده هنگام اعتبارسنجی.
stg_scaleاختیاری
نوعnumber
پیش‌فرض1
۰ – ۳
مقیاس راهنمایی مکانی-زمانی (STG)؛ مقدار پیشنهادی 1.0 است و 0.0، STG را خاموش می‌کند.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/a2a",
  "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": 4600,
    "usd": "4.60",
    "charged": 4600,
    "refunded": 0
  },
  "input": {
    "training_data_url": "https://example.com/your-file.zip"
  },
  "output": {
    "video": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "lora_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "config_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "debug_dataset": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
video
object {url, content_type, file_name, file_size} | nullپیش‌نمایش ترکیبی ویدیو از اعتبارسنجی، در صورت وجود برای نقاط پایانی تولیدکننده ویدیو.
audio
object {url, content_type, file_name, file_size} | nullصوت ترکیبی اعتبارسنجی که در صورت وجود، برای این مسیرهای فقط صوت به‌صورت پیش‌نمایش ارائه می‌شود: /audio-inpaint، /audio-extend-suffix، /audio-extend-prefix، /t2a، /a2a و /v2a.
lora_file
object {url, content_type, file_name, file_size}URL وزن‌های آموزش‌دیده LoRA در قالب .safetensors.
config_file
object {url, content_type, file_name, file_size}پیکربندی راه‌اندازی نقطه پایانی استنتاج.
debug_dataset
object {url, content_type, file_name, file_size} | nullخروجی اشکال‌زدایی در صورت فعال‌بودن `debug_dataset`: بایگانی قابل‌دانلود حاوی داده‌های آموزشی پس از پیش‌پردازش.

مدل‌های بیشتر: آموزش

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/ltx23-trainer-v2/a2a.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt