Przejdź do treści

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

Integracja

Identyfikator modelu 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"

To żądanie: 4,60 $ 4600 kredytów API · ≈ 490,20 ₽ Uruchom na tej stronie

Uzyskaj klucz API
Lightricks · Plik

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

resolution domyślnie medium

Rozdzielczość treningu. Zwiększenie rozdzielczości podnosi wymagania pamięciowe.

aspect_ratio domyślnie 1:1

Proporcje treningu.

•wymagane

URL pliku `.zip` zawierającego dane treningowe uporządkowane zgodnie z wybranym trybem treningu. Każdy plik multimedialny może mieć towarzyszący plik `.txt` z podpisem i taką samą nazwą bazową.

domyślnie 2000

Łączna liczba kroków treningu.

Zaawansowane 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
domyślnie blurry, out of focus,...

Prompt negatywny stosowany podczas walidacji, która używa jednoetapowego procesu podglądu. Ponieważ proces ten przybliża destylowane wnioskowanie produkcyjne z dwoma etapami, jego wskazówki i jakość podglądu różnią się od wyników końcowych.

rank domyślnie 32

Ranga adaptacji LoRA, która wraz ze wzrostem wartości wymienia większe zużycie pamięci na większą pojemność.

validation_resolution domyślnie high

Rozdzielczość używana podczas walidacji.

validation_aspect_ratio domyślnie 1:1

Proporcje używane podczas walidacji.

domyślnie

Fraza aktywująca styl LoRA, wstawiana na początku podpisów podczas treningu.

domyślnie 0.0002

Współczynnik uczenia optymalizacji.

domyślnie 89

Liczba klatek w każdej próbce treningowej. Dzielenie tej liczby przez 8 musi pozostawiać resztę 1; przykłady to 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.

domyślnie 24

Docelowa liczba klatek na sekundę wideo treningowego. Natywna wartość dla LTX-2.3 to 24.

domyślnie 30

Wyzwalacz podziału scen wyrażony jako czas trwania w sekundach: dzielone są tylko wideo dłuższe od tego progu.

domyślnie 5

Przedział czasu trwania audio w sekundach, wymagany w trybach tylko audio, ponieważ nie mają one liczby klatek wideo do obliczenia długości. Wartość docelowa określa obsługę klipu: nadmiarowe audio jest przycinane, a zbyt krótkie klipy są pomijane.

domyślnie 89

Liczba klatek każdego wideo walidacyjnego.

domyślnie 24

Docelowa liczba klatek na sekundę dla wideo walidacyjnych; LTX-2.3 działa natywnie z wartością 24.

domyślnie 1

Skala wskazówek czasoprzestrzennych (STG); zalecana wartość to 1.0, a 0.0 wyłącza STG.

domyślnie []

Lista promptów walidacyjnych, z których każdy jest powiązany z referencyjnym klipem audio.

POST /run/ltx23-trainer-v2/a2a?wait=20 wycena → 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"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

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

Dostraja LoRA do transformacji audio-to-audio z pliku `.zip` zawierającego sparowane przykłady w `training_data_url`. `rank` wynosi od 8 do 128, `number_of_steps` od 100 do 10000, a `audio_duration_seconds` od 0.5 do 60. Dzielenie scen nie jest tutaj używane, dlatego należy dostarczyć wcześniej podzielone klipy. Zwraca wagi LoRA i plik konfiguracyjny.

Parametry

NazwaTyp DomyślneDozwolone Opis
training_data_urlwymagane
Typstring
URL pliku `.zip` zawierającego dane treningowe uporządkowane zgodnie z wybranym trybem treningu. Każdy plik multimedialny może mieć towarzyszący plik `.txt` z podpisem i taką samą nazwą bazową.
rankopcjonalne
Typenum
Domyślne32
8163264128
Ranga adaptacji LoRA, która wraz ze wzrostem wartości wymienia większe zużycie pamięci na większą pojemność.
number_of_stepsopcjonalne
Typinteger
Domyślne2000
100 – 10 000
Łączna liczba kroków treningu.
learning_rateopcjonalne
Typnumber
Domyślne0.0002
0,000001 – 1
Współczynnik uczenia optymalizacji.
number_of_framesopcjonalne
Typinteger
Domyślne89
9 – 121
Liczba klatek w każdej próbce treningowej. Dzielenie tej liczby przez 8 musi pozostawiać resztę 1; przykłady to 1, 9, 17, 25, 33, 41, 49, 57, 65, 73, 81, 89, 97.
frame_rateopcjonalne
Typinteger
Domyślne24
8 – 60
Docelowa liczba klatek na sekundę wideo treningowego. Natywna wartość dla LTX-2.3 to 24.
resolutionopcjonalne
Typenum
Domyślnemedium
lowmediumhigh
Rozdzielczość treningu. Zwiększenie rozdzielczości podnosi wymagania pamięciowe.
aspect_ratioopcjonalne
Typenum
Domyślne1:1
16:91:19:16
Proporcje treningu.
trigger_phraseopcjonalne
Typstring
Domyślne
Fraza aktywująca styl LoRA, wstawiana na początku podpisów podczas treningu.
auto_scale_inputopcjonalne
Typboolean
Domyślnefalse
Automatyczne dostosowanie wideo do żądanej liczby FPS i klatek po włączeniu; zbiory obrazów pozostają niezmienione.
split_input_into_scenesopcjonalne
Typboolean
Domyślnefalse
Sterowanie podziałem scen, ignorowane podczas przygotowywania sparowanego audio docelowego/referencyjnego dla a2a, ponieważ podział rozsynchronizowałby parę. Pozostaw wyłączone dla a2a i dostarcz wcześniej podzielone klipy.
split_input_duration_thresholdopcjonalne
Typnumber
Domyślne30
1 – 60
Wyzwalacz podziału scen wyrażony jako czas trwania w sekundach: dzielone są tylko wideo dłuższe od tego progu.
debug_datasetopcjonalne
Typboolean
Domyślnefalse
Tryb inspekcji przetwarzania wstępnego do sprawdzania wideo, obrazów i podpisów przed pełnym treningiem. Włączenie powoduje zwrócenie przez trenera przetworzonego zbioru treningowego w archiwum do pobrania i ręcznej weryfikacji.
audio_normalizeopcjonalne
Typboolean
Domyślnetrue
Normalizacja szczytów audio zapewniająca spójne poziomy w całym zbiorze.
audio_preserve_pitchopcjonalne
Typboolean
Domyślnetrue
Zachowanie wysokości dźwięku podczas dopasowywania czasu trwania audio zamiast przycinania lub dopełniania.
audio_duration_secondsopcjonalne
Typnumber
Domyślne5
0,5 – 60
Przedział czasu trwania audio w sekundach, wymagany w trybach tylko audio, ponieważ nie mają one liczby klatek wideo do obliczenia długości. Wartość docelowa określa obsługę klipu: nadmiarowe audio jest przycinane, a zbyt krótkie klipy są pomijane.
validationopcjonalne
Typobject[]
Domyślne[]
≤ 2 elementy
Lista promptów walidacyjnych, z których każdy jest powiązany z referencyjnym klipem audio.
validation[].promptwymagane
Typstring
Prompt używany podczas walidacji.
validation[].reference_audio_urlwymagane
Typurl · audio
≥ 1 characters
URL referencyjnego audio używanego do uwarunkowania generowania audio.
validation_negative_promptopcjonalne
Typstring
Domyślneblurry, 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.
Prompt negatywny stosowany podczas walidacji, która używa jednoetapowego procesu podglądu. Ponieważ proces ten przybliża destylowane wnioskowanie produkcyjne z dwoma etapami, jego wskazówki i jakość podglądu różnią się od wyników końcowych.
validation_number_of_framesopcjonalne
Typinteger
Domyślne89
9 – 121
Liczba klatek każdego wideo walidacyjnego.
validation_frame_rateopcjonalne
Typinteger
Domyślne24
8 – 60
Docelowa liczba klatek na sekundę dla wideo walidacyjnych; LTX-2.3 działa natywnie z wartością 24.
validation_resolutionopcjonalne
Typenum
Domyślnehigh
lowmediumhigh
Rozdzielczość używana podczas walidacji.
validation_aspect_ratioopcjonalne
Typenum
Domyślne1:1
16:91:19:16
Proporcje używane podczas walidacji.
stg_scaleopcjonalne
Typnumber
Domyślne1
0 – 3
Skala wskazówek czasoprzestrzennych (STG); zalecana wartość to 1.0, a 0.0 wyłącza STG.
wymagane

Wynik

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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
video
object {url, content_type, file_name, file_size} | nullPołączony podgląd wideo z walidacji, gdy jest dostępny dla endpointów generujących wideo.
audio
object {url, content_type, file_name, file_size} | nullPołączone audio z walidacji, udostępniane jako podgląd, gdy jest dostępne dla tych tras tylko audio: /audio-inpaint, /audio-extend-suffix, /audio-extend-prefix, /t2a, /a2a i /v2a.
lora_file
object {url, content_type, file_name, file_size}URL wytrenowanych wag LoRA w formacie .safetensors.
config_file
object {url, content_type, file_name, file_size}Konfiguracja ustawień endpointu wnioskowania.
debug_dataset
object {url, content_type, file_name, file_size} | nullWynik debugowania dostępny po włączeniu `debug_dataset`: archiwum do pobrania zawierające dane treningowe po przetwarzaniu wstępnym.

Więcej modeli: Trenowanie

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/ltx23-trainer-v2/a2a.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt