رفتن به محتوا

Sam Audio · Visual Separate

یکپارچه‌سازی

شناسه مدل 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"

فایل‌هایی مانند نمونه: ⁨‎$۰٫۰۵⁩ ۵۰ اعتبار API فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Meta ویدیو به صوت ۱۰–۶۰ ثانیه #video-to-audio#sam-audio

یک صدا را از ترک صوتی ویدیو جدا می‌کند؛ با راهنمایی ویدیوی ماسک و پرامپت متنی اختیاری

Meta · داده (JSON)

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.

پیش‌فرض

توضیح زبان طبیعی صدای هدف برای کمک به جداسازی.

•الزامی video_url
یک فایل بیندازید، یا

URL فایل ویدیو برای پردازش، در قالب‌هایی مانند MP4 یا MOV.

پیش‌فرض 1

تعداد نامزدهای تولیدشده برای رتبه‌بندی.

پیشرفته mask_video_url · acceleration · output_format · max_chunk_duration · chunk_overlap
یک فایل بیندازید، یا

URL ویدیوی ماسک با کدگذاری دودویی که در آن شیء هدف روی پس‌زمینهٔ سفید، سیاه نمایش داده می‌شود.

acceleration پیش‌فرض balanced

سطح شتاب اعمال‌شده به پردازش.

output_format پیش‌فرض wav

قالب صوت تولیدشده.

پیش‌فرض 60

حد صوتی هر گذر، برحسب ثانیه، که پس از آن پردازش از قطعه‌های هم‌پوشانِ ترکیب‌شده استفاده می‌کند.

پیش‌فرض 5

طول هم‌پوشانی بین قطعه‌ها، برحسب ثانیه، برای ترکیب crossfade.

POST /run/sam-audio/visual-separate?wait=20 قیمت → ⁨‎$۰٫۰۵⁩
# 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"

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 Sam Audio · Visual Separate

یک `video_url` می‌گیرد و صدای هدف را از صوت آن استخراج می‌کند. `mask_video_url` اختیاری، شیء هدف را مشخص می‌کند (سیاه برای هدف و سفید برای پس‌زمینه) و `prompt` می‌تواند راهنمای متنی اضافه کند. حداکثر 4 مورد `reranking_candidates` قابل رتبه‌بندی است و صوت طولانی قطعه‌قطعه می‌شود. خروجی شامل صوت `target` و `residual` در قالب wav یا mp3 است.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
video_urlالزامی video
نوعurl · video
URL فایل ویدیو برای پردازش، در قالب‌هایی مانند MP4 یا MOV.
mask_video_urlاختیاری
نوعurl · video
URL ویدیوی ماسک با کدگذاری دودویی که در آن شیء هدف روی پس‌زمینهٔ سفید، سیاه نمایش داده می‌شود.
promptاختیاری
نوعstring
پیش‌فرض
توضیح زبان طبیعی صدای هدف برای کمک به جداسازی.
reranking_candidatesاختیاری
نوعinteger
پیش‌فرض1
۱ – ۴
تعداد نامزدهای تولیدشده برای رتبه‌بندی.
accelerationاختیاری
نوعenum
پیش‌فرضbalanced
fastbalancedquality
سطح شتاب اعمال‌شده به پردازش.
max_chunk_durationاختیاری
نوعnumber
پیش‌فرض60
۱۰ – ۶۰
حد صوتی هر گذر، برحسب ثانیه، که پس از آن پردازش از قطعه‌های هم‌پوشانِ ترکیب‌شده استفاده می‌کند.
chunk_overlapاختیاری
نوعnumber
پیش‌فرض5
۰ – ۳۰
طول هم‌پوشانی بین قطعه‌ها، برحسب ثانیه، برای ترکیب crossfade.
output_formatاختیاری
نوعenum
پیش‌فرضwav
wavmp3
قالب صوت تولیدشده.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

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"
  }
}
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
target
object {url, content_type, file_name, file_size}صدای هدف استخراج‌شده به‌صورت جداگانه.
residual
object {url, content_type, file_name, file_size}صوت باقی‌مانده به‌جز صدای هدف.
duration
numberطول خروجی صوت، برحسب ثانیه.
sample_rate
integerفرکانس نمونه‌برداری صوت خروجی برحسب Hz.

مدل‌های بیشتر: ویدیو به صوت

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/sam-audio/visual-separate.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt