مواد پر جائیں

LTX 2.3 Trainer (V2) - Audio+Video Reference Transformation

انٹیگریٹ کریں

ماڈل id ltx23-trainer-v2/av2av
# 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/ltx23-trainer-v2/av2av?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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

یہ درخواست: ⁨$13.60⁩ 13,600 API کریڈٹس اس صفحے پر چلائیں

API کلید حاصل کریں
Lightricks تربیت حوالہ جاتی ان پٹس1–60 s

حوالہ کلپ کی ویڈیو اور آڈیو کو جوڑی دار ہدف کلپ سے نقشہ بنانے والا LoRA تربیت دیتا ہے، دونوں ٹریک ساتھ تخلیق ہوتے ہیں

Lightricks · فائل

آپ کا پہلا نتیجہ یہاں آئے گا

ذیل میں درخواست بنائیں اور اپنی API کلید کے ساتھ چلائیں۔ آؤٹ پٹس ہمارے اسٹوریج میں کاپی ہو جاتے ہیں، ہمیشہ کے لیے یا مفت میں 7 دن تک محفوظ رہتے ہیں۔

درخواست بنائیں

کنٹرولز ماڈل اسکیما سے تیار ہوتے ہیں۔ آپ کے بدلنے کے ساتھ کوڈ اور قیمت اپ ڈیٹ ہوتے ہیں۔

resolution ڈیفالٹ medium

Training ریزولوشن۔ ریزولوشن بڑھانے سے memory requirements بڑھتی ہیں۔

aspect_ratio ڈیفالٹ 1:1

Training aspect ratio۔

•لازمی

training data پر مشتمل `.zip` کا URL، منتخب training mode کے مطابق منظم ہے۔ ہر media فائل کے ساتھ matching base name والا `.txt` caption ہو سکتا ہے۔

ڈیفالٹ 2000

Training steps کی کل count۔

ایڈوانسڈ validation_negative_prompt · rank · validation_resolution · validation_aspect_ratio · trigger_phrase · learning_rate · number_of_frames · frame_rate · split_input_duration_threshold · validation_number_of_frames · validation_frame_rate · stg_scale · reference_downscale_factor · reference_temporal_scale_factor · auto_scale_input · split_input_into_scenes · debug_dataset · audio_normalize · audio_preserve_pitch · validation
ڈیفالٹ blurry, out of focus,...

Validation کے دوران لاگو ہونے والا negative پرامپٹ، جو single-stage preview process استعمال کرتی ہے۔ چونکہ یہ process دو stages والی distilled production inference کا تخمینہ ہے، اس کی guidance اور preview quality final results سے مختلف ہے۔

rank ڈیفالٹ 32

LoRA adaptation rank، setting بڑھنے کے ساتھ memory consumption کے بدلے زیادہ capacity فراہم کرتا ہے۔

validation_resolution ڈیفالٹ high

Validation کے دوران استعمال ہونے والا ریزولوشن۔

validation_aspect_ratio ڈیفالٹ 1:1

Validation کے دوران استعمال ہونے والا aspect ratio۔

ڈیفالٹ

LoRA style activation phrase، training کے دوران captions کے آغاز میں داخل کیا جاتا ہے۔

ڈیفالٹ 0.0002

Optimization learning rate۔

ڈیفالٹ 89

ہر training sample کی فریم count۔ count کو 8 سے تقسیم کرنے پر remainder 1 ہونا چاہیے؛ مثالیں 1، 9، 17، 25، 33، 41، 49، 57، 65، 73، 81، 89، 97 ہیں۔

ڈیفالٹ 24

Training ویڈیو کا ہدفی فریم rate، فریم per سیکنڈ میں۔ LTX-2.3 کا native rate 24 ہے۔

ڈیفالٹ 30

Scene-splitting trigger، سیکنڈ میں duration کے طور پر؛ صرف threshold سے لمبی ویڈیوز split ہوتی ہیں۔

ڈیفالٹ 89

ہر validation ویڈیو کی فریم count۔

ڈیفالٹ 24

Validation ویڈیوز کا ہدفی فریم rate، فریم per سیکنڈ میں؛ LTX-2.3 native طور پر 24 پر چلتا ہے۔

ڈیفالٹ 1

Spatio-Temporal Guidance (STG) scale، 1.0 تجویز کردہ ہے اور 0.0 STG کو غیر فعال کرتا ہے۔

ڈیفالٹ 1

Encoding سے پہلے coarse، low-ریزولوشن reference-video control proxy بنانے کا downscaling factor، جبکہ آؤٹ پٹ full ریزولوشن پر برقرار رہتا ہے۔ تقسیم سے پہلے اور factor سے تقسیم کے بعد دونوں reference dimensions 32 سے divisible ہونے چاہییں؛ ڈیفالٹ 1 اصل ریزولوشن محفوظ رکھتا ہے۔

ڈیفالٹ 1

Reference-video frame-rate reduction factor، ڈیفالٹ 1 fps محفوظ رکھتا ہے۔ اس factor کے ذریعے temporal downsampling ویڈیو encode ہونے سے پہلے fps کم کرتی ہے۔

ڈیفالٹ []

Validation پرامپٹ list، ہر پرامپٹ کو reference ویڈیو اور آڈیو کے ساتھ جوڑتی ہے۔

POST /run/ltx23-trainer-v2/av2av?wait=20 قیمت → ⁨$13.60⁩
# 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/ltx23-trainer-v2/av2av?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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

یہ درخواست چلائیں

آپ کی key اسی براؤزر میں رہتی ہے: یہ صرف Doitong API کو بھیجی جاتی ہے اور صرف اس صورت میں localStorage میں محفوظ ہوتی ہے جب آپ Remember منتخب کریں۔ API کلید حاصل کریں

LTX 2.3 Trainer (V2) - Audio+Video Reference Transformation کے بارے میں

جوڑی دار کلپس پر LoRA فِٹ کرتا ہے، جہاں ہر حوالہ ویڈیو اپنی آڈیو سمیت ہدف کلپ سے ملتی ہے۔ `training_data_url` کے ذریعے zip فراہم کریں، اختیاری .txt کیپشن کے ساتھ۔ سین کی تقسیم ڈیفالٹ طور پر بند ہے کیونکہ اس سے آغاز/اختتام کی جوڑیاں ہم وقت سے باہر ہو جائیں گی، اس لیے پہلے سے کٹے ہوئے کلپس دیں۔ Rank 8 سے 128، مراحل 100 سے 10000 تک ہیں، اور زیادہ سے زیادہ 2 validation اندراجات کی اجازت ہے۔

پیرامیٹرز

نامقسم ڈیفالٹمجاز تفصیل
training_data_urlلازمی
قسمstring
training data پر مشتمل `.zip` کا URL، منتخب training mode کے مطابق منظم ہے۔ ہر media فائل کے ساتھ matching base name والا `.txt` caption ہو سکتا ہے۔
rankاختیاری
قسمenum
ڈیفالٹ32
8163264128
LoRA adaptation rank، setting بڑھنے کے ساتھ memory consumption کے بدلے زیادہ capacity فراہم کرتا ہے۔
number_of_stepsاختیاری
قسمinteger
ڈیفالٹ2000
100 – 10,000
Training steps کی کل count۔
learning_rateاختیاری
قسمnumber
ڈیفالٹ0.0002
0.000001 – 1
Optimization learning rate۔
number_of_framesاختیاری
قسمinteger
ڈیفالٹ89
9 – 121
ہر training sample کی فریم count۔ count کو 8 سے تقسیم کرنے پر remainder 1 ہونا چاہیے؛ مثالیں 1، 9، 17، 25، 33، 41، 49، 57، 65، 73، 81، 89، 97 ہیں۔
frame_rateاختیاری
قسمinteger
ڈیفالٹ24
8 – 60
Training ویڈیو کا ہدفی فریم rate، فریم per سیکنڈ میں۔ LTX-2.3 کا native rate 24 ہے۔
resolutionاختیاری
قسمenum
ڈیفالٹmedium
lowmediumhigh
Training ریزولوشن۔ ریزولوشن بڑھانے سے memory requirements بڑھتی ہیں۔
aspect_ratioاختیاری
قسمenum
ڈیفالٹ1:1
16:91:19:16
Training aspect ratio۔
trigger_phraseاختیاری
قسمstring
ڈیفالٹ
LoRA style activation phrase، training کے دوران captions کے آغاز میں داخل کیا جاتا ہے۔
auto_scale_inputاختیاری
قسمboolean
ڈیفالٹfalse
فعال ہونے پر requested FPS اور فریم count سے مطابقت رکھنے کے لیے automatic ویڈیو adjustment؛ تصویر datasets میں کوئی تبدیلی نہیں ہوتی۔
split_input_into_scenesاختیاری
قسمboolean
ڈیفالٹfalse
_start/_end pair کو synchronized رکھنے کے لیے av2av میں scene splitting غیر فعال ہے۔ Clips پہلے split کیے جانے چاہییں؛ target/reference pair preparation scene-splitting setting کو نظرانداز کرتی ہے۔
split_input_duration_thresholdاختیاری
قسمnumber
ڈیفالٹ30
1 – 60
Scene-splitting trigger، سیکنڈ میں duration کے طور پر؛ صرف threshold سے لمبی ویڈیوز split ہوتی ہیں۔
debug_datasetاختیاری
قسمboolean
ڈیفالٹfalse
مکمل training run سے پہلے ویڈیوز، تصاویر اور captions کی جانچ کے لیے preprocessing inspection mode۔ فعال کرنے پر trainer processed training dataset کو downloadable archive میں واپس کرتا ہے تاکہ دستی review کیا جا سکے۔
audio_normalizeاختیاری
قسمboolean
ڈیفالٹtrue
پورے dataset میں یکساں levels برقرار رکھنے کے لیے آڈیو peak normalization۔
audio_preserve_pitchاختیاری
قسمboolean
ڈیفالٹtrue
آڈیو کو ویڈیو length سے ملاتے وقت pitch محفوظ رکھنا، اسے trim کرنے کے بجائے۔
validationاختیاری
قسمobject[]
ڈیفالٹ[]
≤ 2 آئٹمز
Validation پرامپٹ list، ہر پرامپٹ کو reference ویڈیو اور آڈیو کے ساتھ جوڑتی ہے۔
validation[].promptلازمی
قسمstring
Validation کے دوران استعمال ہونے والا پرامپٹ۔
validation[].reference_video_urlلازمی
قسمurl · video
≥ 1 characters
آڈیو اور ویڈیو تخلیق کو condition کرنے کے لیے reference ویڈیو URL۔ ویڈیو کا آڈیو track بھی آڈیو reference کے طور پر کام کرتا ہے۔
validation[].reference_audio_urlاختیاری
قسمurl · audio
`reference_video_url` کے آڈیو track کو اختیاری طور پر override کرنے کے لیے الگ reference آڈیو فائل کا URL فراہم کریں۔
validation_negative_promptاختیاری
قسمstring
ڈیفالٹblurry, 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.
Validation کے دوران لاگو ہونے والا negative پرامپٹ، جو single-stage preview process استعمال کرتی ہے۔ چونکہ یہ process دو stages والی distilled production inference کا تخمینہ ہے، اس کی guidance اور preview quality final results سے مختلف ہے۔
validation_number_of_framesاختیاری
قسمinteger
ڈیفالٹ89
9 – 121
ہر validation ویڈیو کی فریم count۔
validation_frame_rateاختیاری
قسمinteger
ڈیفالٹ24
8 – 60
Validation ویڈیوز کا ہدفی فریم rate، فریم per سیکنڈ میں؛ LTX-2.3 native طور پر 24 پر چلتا ہے۔
validation_resolutionاختیاری
قسمenum
ڈیفالٹhigh
lowmediumhigh
Validation کے دوران استعمال ہونے والا ریزولوشن۔
validation_aspect_ratioاختیاری
قسمenum
ڈیفالٹ1:1
16:91:19:16
Validation کے دوران استعمال ہونے والا aspect ratio۔
stg_scaleاختیاری
قسمnumber
ڈیفالٹ1
0 – 3
Spatio-Temporal Guidance (STG) scale، 1.0 تجویز کردہ ہے اور 0.0 STG کو غیر فعال کرتا ہے۔
reference_downscale_factorاختیاری
قسمinteger
ڈیفالٹ1
1 – 8
Encoding سے پہلے coarse، low-ریزولوشن reference-video control proxy بنانے کا downscaling factor، جبکہ آؤٹ پٹ full ریزولوشن پر برقرار رہتا ہے۔ تقسیم سے پہلے اور factor سے تقسیم کے بعد دونوں reference dimensions 32 سے divisible ہونے چاہییں؛ ڈیفالٹ 1 اصل ریزولوشن محفوظ رکھتا ہے۔
reference_temporal_scale_factorاختیاری
قسمinteger
ڈیفالٹ1
1 – 8
Reference-video frame-rate reduction factor، ڈیفالٹ 1 fps محفوظ رکھتا ہے۔ اس factor کے ذریعے temporal downsampling ویڈیو encode ہونے سے پہلے fps کم کرتی ہے۔
لازمی

آؤٹ پٹ

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "ltx23-trainer-v2/av2av",
  "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": 13600,
    "usd": "13.60",
    "charged": 13600,
    "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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
آپ کی فائلیں، آپ کا انتخابہر outputs[].url ہمارے اسٹوریج میں ایک کاپی ہے: ہمیشہ کے لیے محفوظ (فی GB-ماہ ادائیگی) یا مفت میں 7 دن تک، آپ کی اکاؤنٹ سیٹنگ یا ?storage= کے مطابق۔
ہر ماڈل میں ایک جیسی ساختtype، url، content_type، width، height اور duration، تصاویر، ویڈیو اور آڈیو سب کے لیے یکساں۔ output ماڈل کا اپنا نتیجہ آبجیکٹ ہے۔
آؤٹ پٹ کے فیلڈز
video
object {url, content_type, file_name, file_size} | nullValidation سے combined ویڈیو preview، جب ویڈیو تیار کرنے والے اینڈ پوائنٹ کے لیے دستیاب ہو۔
audio
object {url, content_type, file_name, file_size} | nullValidation سے combined آڈیو، ان audio-only routes کے لیے preview کے طور پر جب دستیاب ہو: /audio-inpaint، /audio-extend-suffix، /audio-extend-prefix، /t2a، /a2a، اور /v2a۔
lora_file
object {url, content_type, file_name, file_size}trained LoRA weights کے لیے `.safetensors` format میں URL۔
config_file
object {url, content_type, file_name, file_size}Configuration for inference اینڈ پوائنٹ setup۔
debug_dataset
object {url, content_type, file_name, file_size} | null`debug_dataset` فعال ہونے پر دستیاب debug آؤٹ پٹ: ایک archive جسے download کیا جا سکتا ہے اور جس میں preprocessing کے بعد training data شامل ہوتا ہے۔

مزید ماڈلز: تربیت

AI ایجنٹس کے لیے: یہ صفحہ Markdown میں یہاں موجود ہے https://doitong.com/ur/developers/models/ltx23-trainer-v2/av2av.md. تمام ماڈلز اور گائیڈز: https://doitong.com/developers/llms.txt