Op den Inhalt sprangen

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

Integréieren

Modell-ID 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"

Dës Ufro: 4,60 $ 4.600 API-Kreditter · ≈ 481,62 ₽ Op dëser Säit ausféieren

API-Schlëssel kréien
Lightricks · Datei

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

resolution Standard medium

Trainingsopléisung. Eng Erhéijung vun der Opléisung erhéicht d'Memoryufuerderungen.

aspect_ratio Standard 1:1

Trainingsaspektverhältnis.

•obligatoresch

URL op e `.zip` mat Trainingsdaten, organiséiert no dem ausgewielten Trainingsmodus. All Medien-Datei kann eng zousätzlech `.txt`-Caption mat passendem Basisnumm hunn.

Standard 2000

Gesamtzuel vun Trainingsschrëtt.

Erweidert 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
Standard blurry, out of focus,...

Negative Prompt während der Validatioun, déi en einstufege Virschauprozess benotzt. Well dëse Prozess d'distilléiert Produktiounsinferenz mat zwou Stufen approximéiert, ënnerscheede sech seng Guidance an d'Virschauqualitéit vun de Schlussresultater.

rank Standard 32

LoRA-Adaptatiounsrang, bei deem méi héije Wäerter méi Kapazitéit géint méi héije Memoryverbrauch ofwiichten.

validation_resolution Standard high

Opléisung, déi während der Validatioun benotzt gëtt.

validation_aspect_ratio Standard 1:1

Aspektverhältnis, dat während der Validatioun benotzt gëtt.

Standard

LoRA-Stil-Aktivéierungsphrase, déi beim Training um Ufank vun de Captions agefouert gëtt.

Standard 0.0002

Léierquote fir d'Optimiséierung.

Standard 89

Framezuel pro Trainingssample. D'Deelung vun der Zuel duerch 8 muss e Rescht vun 1 loossen; Beispiller sinn 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

Standard 24

Zil-Frame-Rate vum Trainingsvideo a Frames pro Sekonn. Déi native Rate fir LTX-2.3 ass 24.

Standard 30

Trigger fir d'Szenendeelung als Dauer a Sekonnen: nëmme Videoe méi laang wéi de Schwellwäert ginn gedeelt.

Standard 5

Audio-Dauer-Bucket a Sekonnen, erfuerderlech fir Audio-only-Modi, well hinnen eng Video-Framezuel feelt, aus där d'Längt berechent kéint ginn. Dëst Zil bestëmmt d'Clipbehandlung: iwwerschëssegen Audio gëtt ofgeschnidden, ze kuerz Clips ginn iwwersprongen.

Standard 89

Framezuel fir all Validatiounsvideo.

Standard 24

Zil-Frame-Rate fir Validatiounsvideoen a Frames pro Sekonn; LTX-2.3 leeft nativ mat 24.

Standard 1

Spatio-Temporal-Guidance-(STG)-Skala, mat 1.0 recommandéiert an 0.0 fir STG auszeschalten.

Standard []

Lëscht vu Validatiouns-Prompts, bei där all Prompt mat engem Referenz-Audio-Clips gepaart gëtt.

POST /run/ltx23-trainer-v2/a2a?wait=20 Präis → 4,60 $
# 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"

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

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

Feintunéiert eng LoRA fir Audio-zu-Audio-Transformatioun aus engem `.zip` mat gepaarte Beispiller an `training_data_url`. `rank` ass 8 bis 128, `number_of_steps` 100 bis 10000, an `audio_duration_seconds` 0.5 bis 60. Hei gëtt keng Szenesplitting benotzt; liwwert dofir schonn opgedeelt Clips. Gëtt d'LoRA-Gewiichter an eng Konfiguratiounsdatei zeréck.

Parameteren

NummTyp StandardErlaabt Beschreiwung
training_data_urlobligatoresch
Typstring
URL op e `.zip` mat Trainingsdaten, organiséiert no dem ausgewielten Trainingsmodus. All Medien-Datei kann eng zousätzlech `.txt`-Caption mat passendem Basisnumm hunn.
rankoptional
Typenum
Standard32
8163264128
LoRA-Adaptatiounsrang, bei deem méi héije Wäerter méi Kapazitéit géint méi héije Memoryverbrauch ofwiichten.
number_of_stepsoptional
Typinteger
Standard2000
100 – 10.000
Gesamtzuel vun Trainingsschrëtt.
learning_rateoptional
Typnumber
Standard0.0002
0,000001 – 1
Léierquote fir d'Optimiséierung.
number_of_framesoptional
Typinteger
Standard89
9 – 121
Framezuel pro Trainingssample. D'Deelung vun der Zuel duerch 8 muss e Rescht vun 1 loossen; Beispiller sinn 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_rateoptional
Typinteger
Standard24
8 – 60
Zil-Frame-Rate vum Trainingsvideo a Frames pro Sekonn. Déi native Rate fir LTX-2.3 ass 24.
resolutionoptional
Typenum
Standardmedium
lowmediumhigh
Trainingsopléisung. Eng Erhéijung vun der Opléisung erhéicht d'Memoryufuerderungen.
aspect_ratiooptional
Typenum
Standard1:1
16:91:19:16
Trainingsaspektverhältnis.
trigger_phraseoptional
Typstring
Standard
LoRA-Stil-Aktivéierungsphrase, déi beim Training um Ufank vun de Captions agefouert gëtt.
auto_scale_inputoptional
Typboolean
Standardfalse
Automatesch Videoanpassung un déi ugefrote FPS- a Framezuel beim Aktivéiere; Bilddatensätz bleiwen onverännert.
split_input_into_scenesoptional
Typboolean
Standardfalse
Kontroll vum Szenendeelen, ignoréiert bei der Virbereedung vu gepaarten Zil-/Referenz-Audio fir a2a, well d'Deele d'Paar desynchroniséiere géif. Loosst et fir a2a aus a liwwert d'Clips scho gedeelt.
split_input_duration_thresholdoptional
Typnumber
Standard30
1 – 60
Trigger fir d'Szenendeelung als Dauer a Sekonnen: nëmme Videoe méi laang wéi de Schwellwäert ginn gedeelt.
debug_datasetoptional
Typboolean
Standardfalse
Inspektiounsmodus vun der Virveraarbechtung fir Videoen, Biller a Captions virun engem kompletten Training ze kontrolléieren. Beim Aktivéiere gëtt den veraarbechten Trainingsdatensaz an engem erofluedbaren Archiv fir d'manuell Iwwerpréiwung zeréckginn.
audio_normalizeoptional
Typboolean
Standardtrue
Peak-Normaliséierung vum Audio, fir konsequent Niveauen am ganzen Datensaz ze behalen.
audio_preserve_pitchoptional
Typboolean
Standardtrue
Erhale vun der Tonhéicht beim Upasse vun der Audio-Dauer amplaz vum Ofschneiden oder Opfëllen.
audio_duration_secondsoptional
Typnumber
Standard5
0,5 – 60
Audio-Dauer-Bucket a Sekonnen, erfuerderlech fir Audio-only-Modi, well hinnen eng Video-Framezuel feelt, aus där d'Längt berechent kéint ginn. Dëst Zil bestëmmt d'Clipbehandlung: iwwerschëssegen Audio gëtt ofgeschnidden, ze kuerz Clips ginn iwwersprongen.
validationoptional
Typobject[]
Standard[]
≤ 2 Elementer
Lëscht vu Validatiouns-Prompts, bei där all Prompt mat engem Referenz-Audio-Clips gepaart gëtt.
validation[].promptobligatoresch
Typstring
Prompt, dee während der Validatioun benotzt gëtt.
validation[].reference_audio_urlobligatoresch
Typurl · audio
≥ 1 characters
Referenz-Audio-URL, déi fir d'Conditioning vun der Audiogeneratioun benotzt gëtt.
validation_negative_promptoptional
Typstring
Standardblurry, 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.
Negative Prompt während der Validatioun, déi en einstufege Virschauprozess benotzt. Well dëse Prozess d'distilléiert Produktiounsinferenz mat zwou Stufen approximéiert, ënnerscheede sech seng Guidance an d'Virschauqualitéit vun de Schlussresultater.
validation_number_of_framesoptional
Typinteger
Standard89
9 – 121
Framezuel fir all Validatiounsvideo.
validation_frame_rateoptional
Typinteger
Standard24
8 – 60
Zil-Frame-Rate fir Validatiounsvideoen a Frames pro Sekonn; LTX-2.3 leeft nativ mat 24.
validation_resolutionoptional
Typenum
Standardhigh
lowmediumhigh
Opléisung, déi während der Validatioun benotzt gëtt.
validation_aspect_ratiooptional
Typenum
Standard1:1
16:91:19:16
Aspektverhältnis, dat während der Validatioun benotzt gëtt.
stg_scaleoptional
Typnumber
Standard1
0 – 3
Spatio-Temporal-Guidance-(STG)-Skala, mat 1.0 recommandéiert an 0.0 fir STG auszeschalten.
obligatoresch

Output

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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
video
object {url, content_type, file_name, file_size} | nullKombinéiert Video-Virschau aus der Validatioun, wa verfügbar fir Endpunkten, déi Video produzéieren.
audio
object {url, content_type, file_name, file_size} | nullKombinéierten Audio aus der Validatioun, als Virschau geliwwert, wa verfügbar fir dës Audio-only-Routen: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a an /v2a.
lora_file
object {url, content_type, file_name, file_size}URL fir trainéiert LoRA-Gewiichter am .safetensors-Format.
config_file
object {url, content_type, file_name, file_size}Konfiguratioun fir d'Ariichtung vum Inferenz-Endpunkts.
debug_dataset
object {url, content_type, file_name, file_size} | nullDebug-Output, verfügbar wann `debug_dataset` aktivéiert ass: en erofluedbart Archiv mat den Trainingsdaten no der Virveraarbechtung.

Méi Modeller: Training

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/ltx23-trainer-v2/a2a.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt