কনটেন্টে যান

Sam Audio · Visual Separate

ইন্টিগ্রেট করুন

মডেল id sam-audio/visual-separate
# 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/sam-audio/visual-separate?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "video": "https://content.doitong.com/video/showcase/v3/gen_fox_cartoon.mp4"
  }'

# 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"

উদাহরণের মতো ফাইল: ০.০৫$ ৫০ API ক্রেডিট চালানোর আগে আপনার ফাইল মাপা হয় এই পেজে চালান

API কী পান
Meta ভিডিও থেকে অডিও ১০–৬০ s #video-to-audio#sam-audio

ঐচ্ছিক মাস্ক ভিডিও ও টেক্সট প্রম্পটের নির্দেশনায় ভিডিওর অডিও ট্র্যাক থেকে একটি শব্দ আলাদা করে

Meta · ডেটা (JSON)

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

ডিফল্ট

আলাদা করতে লক্ষ্য শব্দের natural-language বর্ণনা, যা separation-এ সহায়তা করে।

•আবশ্যক video_url
একটি ফাইল ড্রপ করুন, অথবা

প্রসেসিংয়ের জন্য ভিডিও ফাইলের URL, যেমন MP4 বা MOV ফরম্যাটে।

ডিফল্ট 1

র‍্যাঙ্কিংয়ের জন্য জেনারেট করা candidate-এর সংখ্যা।

অ্যাডভান্সড mask_video_url · acceleration · output_format · max_chunk_duration · chunk_overlap
একটি ফাইল ড্রপ করুন, অথবা

binary encoding-সহ mask ভিডিওর URL, যেখানে সাদা background-এর বিপরীতে লক্ষ্য object কালো দেখা যায়।

acceleration ডিফল্ট balanced

প্রসেসিংয়ে প্রয়োগ করা ত্বরণ স্তর।

output_format ডিফল্ট wav

জেনারেট করা অডিওর ফরম্যাট।

ডিফল্ট 60

প্রতি pass-এ অডিওর সীমা, সেকেন্ডে পরিমাপ করা হয়; এর বেশি হলে processing-এ overlapping chunk ব্যবহার করে সেগুলো একসঙ্গে blend করা হয়।

ডিফল্ট 5

chunk-গুলোর overlap-এর দৈর্ঘ্য, সেকেন্ডে পরিমাপ করা হয় এবং crossfade blending-এর জন্য ব্যবহৃত হয়।

POST /run/sam-audio/visual-separate?wait=20 মূল্য → ০.০৫$
# 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/sam-audio/visual-separate?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "video": "https://content.doitong.com/video/showcase/v3/gen_fox_cartoon.mp4"
  }'

# 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"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Sam Audio · Visual Separate সম্পর্কে

একটি `video_url` নিয়ে এর অডিও থেকে টার্গেট শব্দ বের করে। ঐচ্ছিক `mask_video_url` টার্গেট অবজেক্ট চিহ্নিত করে (টার্গেটের জন্য কালো, ব্যাকগ্রাউন্ডের জন্য সাদা), আর `prompt` টেক্সট ইঙ্গিত যোগ করতে পারে। সর্বোচ্চ 4টি `reranking_candidates` র‍্যাঙ্ক করা যায় এবং দীর্ঘ অডিও ভাগ করা হয়। আউটপুটে wav বা mp3-তে `target` ও `residual` অডিও থাকে।

প্যারামিটার

ক্যানোনিকাল নাম অথবা নেটিভ নাম—দুটো একসঙ্গে নয়—পাঠান। ক্যানোনিকাল নামগুলো

নামধরন ডিফল্টঅনুমোদিত বিবরণ
video_urlআবশ্যক video
ধরনurl · video
প্রসেসিংয়ের জন্য ভিডিও ফাইলের URL, যেমন MP4 বা MOV ফরম্যাটে।
mask_video_urlঐচ্ছিক
ধরনurl · video
binary encoding-সহ mask ভিডিওর URL, যেখানে সাদা background-এর বিপরীতে লক্ষ্য object কালো দেখা যায়।
promptঐচ্ছিক
ধরনstring
ডিফল্ট
আলাদা করতে লক্ষ্য শব্দের natural-language বর্ণনা, যা separation-এ সহায়তা করে।
reranking_candidatesঐচ্ছিক
ধরনinteger
ডিফল্ট1
১ – ৪
র‍্যাঙ্কিংয়ের জন্য জেনারেট করা candidate-এর সংখ্যা।
accelerationঐচ্ছিক
ধরনenum
ডিফল্টbalanced
fastbalancedquality
প্রসেসিংয়ে প্রয়োগ করা ত্বরণ স্তর।
max_chunk_durationঐচ্ছিক
ধরনnumber
ডিফল্ট60
১০ – ৬০
প্রতি pass-এ অডিওর সীমা, সেকেন্ডে পরিমাপ করা হয়; এর বেশি হলে processing-এ overlapping chunk ব্যবহার করে সেগুলো একসঙ্গে blend করা হয়।
chunk_overlapঐচ্ছিক
ধরনnumber
ডিফল্ট5
০ – ৩০
chunk-গুলোর overlap-এর দৈর্ঘ্য, সেকেন্ডে পরিমাপ করা হয় এবং crossfade blending-এর জন্য ব্যবহৃত হয়।
output_formatঐচ্ছিক
ধরনenum
ডিফল্টwav
wavmp3
জেনারেট করা অডিওর ফরম্যাট।
আবশ্যক ক্যানোনিকাল নাম, এটিও গ্রহণযোগ্য

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "sam-audio/visual-separate",
  "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": 50,
    "usd": "0.05",
    "charged": 50,
    "refunded": 0
  },
  "input": {
    "video_url": "https://content.doitong.com/video/showcase/v3/gen_fox_cartoon.mp4"
  },
  "output": {
    "target": {
      "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
    },
    "residual": {
      "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
    },
    "duration": 5,
    "sample_rate": 48000
  },
  "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"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
target
object {url, content_type, file_name, file_size}আলাদা করে বের করা লক্ষ্য শব্দ।
residual
object {url, content_type, file_name, file_size}লক্ষ্য শব্দ বাদে অবশিষ্ট অডিও।
duration
numberআউটপুট অডিওর দৈর্ঘ্য, সেকেন্ডে পরিমাপ করা হয়।
sample_rate
integerআউটপুট অডিওর Hz-এ স্যাম্পলিং ফ্রিকোয়েন্সি।

আরও মডেল: ভিডিও থেকে অডিও

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/sam-audio/visual-separate.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt