رفتن به محتوا

Stable Audio 3 Trainer

یکپارچه‌سازی

شناسه مدل stable-audio-3-trainer
# 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/stable-audio-3-trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio_data_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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: ⁨‎$۳٫۰۰⁩ ۳٬۰۰۰ اعتبار API فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Stability AI آموزش ۱–۳۸۰ ثانیه #music#audio#sfx#lora

یک LoRA را روی Stable Audio 3 از فایل zip شامل کلیپ‌های صوتی و کپشن‌های متنی متناظر آموزش می‌دهد

Stability AI · فایل

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.

•الزامی

نشانی اینترنتی zip مجموعه‌داده؛ هر جفت صوت/زیرنویس با نام پایهٔ یکسان کنار هم ذخیره می‌شود: برای نمونه، `clip.wav` با `clip.txt` جفت است. زیرنویس‌ها باید پسوند `.txt` داشته باشند.

پیش‌فرض 1000

تعداد گام‌های آموزش LoRA.

مدت برش/پرکردن، برحسب ثانیه، که در همهٔ حالت‌ها به طول آموزش بومی مدل انتخاب‌شده محدود است. طولی ارائه کنید یا آن را حذف کنید تا از طولانی‌ترین کلیپ شناسایی‌شده در مجموعه‌داده استفاده شود؛ البته با رعایت این سقف.

پیش‌فرض 1

اندازهٔ دستهٔ مورد استفاده هنگام آموزش.

پیشرفته model · base_precision · adapter_type · lora_checkpoint_url · learning_rate · rank · seed · pre_encode · include · exclude
model پیش‌فرض medium-base

نقطهٔ بررسی پایه برای ریزتنظیم Stable Audio 3.

base_precision پیش‌فرض bf16

دقت مورد استفاده برای وزن‌های پایهٔ ثابت؛ پارامترهای LoRA همچنان fp32 می‌مانند.

پیش‌فرض dora-rows

خانوادهٔ آداپتور مورد استفاده برای آموزش LoRA.

نشانی اینترنتی اختیاری یک نقطهٔ بررسی LoRA با پسوند `.safetensors` برای ادامهٔ آموزش.

پیش‌فرض 0.0001

نرخ یادگیری که AdamW روی پارامترهای LoRA اعمال می‌کند.

پیش‌فرض 16

رتبهٔ آداپتور LoRA.

پیش‌فرض 42

بذر تصادفی‌سازی.

زیررشته‌های نام ماژول که محل افزودن LoRA را محدود می‌کنند؛ فقط ماژول‌های منطبق آن را دریافت می‌کنند.

زیررشته‌های نامی که برای حذف ماژول‌های منطبق استفاده می‌شوند.

POST /run/stable-audio-3-trainer?wait=20 قیمت → ⁨‎$۳٫۰۰⁩
# 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/stable-audio-3-trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio_data_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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 Stable Audio 3 Trainer

یک چک‌پوینت پایه (medium-base، small-music-base یا small-sfx-base) را روی یک zip از `audio_data_url` تنظیم دقیق می‌کند؛ هر فایل صوتی کپشنی با نام یکسان و پسوند `.txt` دارد. می‌توانید `number_of_steps` (تا 20000)، `learning_rate`، `rank` (از 1 تا 256)، `adapter_type` و `batch_size` را تنظیم کنید یا از یک چک‌پوینت `.safetensors` ادامه دهید. وزن‌های LoRA و یک فایل پیکربندی برمی‌گرداند.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
audio_data_urlالزامی
نوعstring
نشانی اینترنتی zip مجموعه‌داده؛ هر جفت صوت/زیرنویس با نام پایهٔ یکسان کنار هم ذخیره می‌شود: برای نمونه، `clip.wav` با `clip.txt` جفت است. زیرنویس‌ها باید پسوند `.txt` داشته باشند.
modelاختیاری
نوعenum
پیش‌فرضmedium-base
medium-basesmall-music-basesmall-sfx-base
نقطهٔ بررسی پایه برای ریزتنظیم Stable Audio 3.
number_of_stepsاختیاری
نوعinteger
پیش‌فرض1000
۱ – ۲۰٬۰۰۰
تعداد گام‌های آموزش LoRA.
learning_rateاختیاری
نوعnumber
پیش‌فرض0.0001
≤ ۰٫۰۱> ۰
نرخ یادگیری که AdamW روی پارامترهای LoRA اعمال می‌کند.
rankاختیاری
نوعinteger
پیش‌فرض16
۱ – ۲۵۶
رتبهٔ آداپتور LoRA.
adapter_typeاختیاری
نوعenum
پیش‌فرضdora-rows
loradoradora-rowsdora-colsboralora-xsdora-rows-xsdora-cols-xsbora-xs
خانوادهٔ آداپتور مورد استفاده برای آموزش LoRA.
durationاختیاری
نوعnumber | null
۱ – ۳۸۰
مدت برش/پرکردن، برحسب ثانیه، که در همهٔ حالت‌ها به طول آموزش بومی مدل انتخاب‌شده محدود است. طولی ارائه کنید یا آن را حذف کنید تا از طولانی‌ترین کلیپ شناسایی‌شده در مجموعه‌داده استفاده شود؛ البته با رعایت این سقف.
batch_sizeاختیاری
نوعinteger
پیش‌فرض1
۱ – ۸
اندازهٔ دستهٔ مورد استفاده هنگام آموزش.
seedاختیاری
نوعinteger
پیش‌فرض42
۰ – ۲٬۱۴۷٬۴۸۳٬۶۴۷
بذر تصادفی‌سازی.
base_precisionاختیاری
نوعenum
پیش‌فرضbf16
bf16bfloat16fp16float16
دقت مورد استفاده برای وزن‌های پایهٔ ثابت؛ پارامترهای LoRA همچنان fp32 می‌مانند.
includeاختیاری
نوعstring[]
زیررشته‌های نام ماژول که محل افزودن LoRA را محدود می‌کنند؛ فقط ماژول‌های منطبق آن را دریافت می‌کنند.
excludeاختیاری
نوعstring[]
زیررشته‌های نامی که برای حذف ماژول‌های منطبق استفاده می‌شوند.
lora_checkpoint_urlاختیاری
نوعstring | null
نشانی اینترنتی اختیاری یک نقطهٔ بررسی LoRA با پسوند `.safetensors` برای ادامهٔ آموزش.
pre_encodeاختیاری
نوعboolean
پیش‌فرضfalse
پیش‌رمزگذاری بایگانی صوتی به لاتنت‌های SAME پیش از آموزش LoRA.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "stable-audio-3-trainer",
  "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": 3000,
    "usd": "3.00",
    "charged": 3000,
    "refunded": 0
  },
  "input": {
    "audio_data_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "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
    }
  },
  "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
lora_file
object {url, content_type, file_name, file_size}وزن‌های LoRA آموزش‌دیده برای Stable Audio 3.
config_file
object {url, content_type, file_name, file_size}فرادادهٔ JSON که اجرای آموزش و مدل سازگار برای استنتاج را توصیف می‌کند.

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/stable-audio-3-trainer.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt