رفتن به محتوا

Stable Audio 3 Medium Audio to Audio

یکپارچه‌سازی

شناسه مدل stable-audio-3/medium/audio-to-audio
# 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/medium/audio-to-audio?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "audio": "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"

این درخواست: ⁨‎$۰٫۰۴۲⁩ ۴۲ اعتبار API اجرای آن در این صفحه

دریافت کلید API
Stability AI صوت ۱–۳۸۰ ثانیه #music#style-transfer#remix

Stable Audio 3 Medium تقطیرشده که کلیپ منبع را بر اساس پرامپت به گونه‌ای جدید بازترکیب می‌کند

Stability AI · صوت

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

دستورهای متنی که تبدیل اعمال‌شده روی صوت منبع را توصیف می‌کنند.

•الزامی audio_url
یک فایل بیندازید، یا

صوت ورودی برای تبدیل.

پیش‌فرض 30

طول صوت برحسب ثانیه، با حداکثر 380 ثانیه برای مدل متوسط (تقریباً 6 دقیقه و 20 ثانیه).

پیشرفته negative_prompt · output_format · bitrate · num_inference_steps · guidance_scale · init_noise_level · seed · enable_prompt_expansion · enable_safety_checker
پیش‌فرض

متنی که ویژگی‌های ناخواسته در خروجی را مشخص می‌کند.

output_format پیش‌فرض mp3

قالب محفظهٔ صوت حاصل.

پیش‌فرض 192k

بیت‌ریت صوت خروجی که هنگام استفاده از wav یا flac نادیده گرفته می‌شود، زیرا بدون افت هستند. برای قالب‌های فشرده مانند mp3، aac یا opus، مقداری به‌شکل '192k' یا '320k' ارائه کنید.

پیش‌فرض 8

تعداد تکرارهای نمونه‌برداری؛ مقدار پیش‌فرض 8 است، زیرا نقاط بررسی تقطیرشده و پساآموزش‌دیده در همین مقدار کیفیت خوبی دارند و تکرارهای بیشتر سود کمی ایجاد می‌کنند.

پیش‌فرض 1

قدرت راهنمایی بدون طبقه‌بند، فقط برای نقاط بررسی پایه؛ نقاط بررسی تقطیرشده تحت تأثیر قرار نمی‌گیرند. در نقاط بررسی مربوط، افزایش آن پایبندی به پرامپت را بیشتر می‌کند.

پیش‌فرض 0.9

سطح نویز صوت منبع: مقدار 0.1 شباهت زیادی به ورودی حفظ می‌کند، 0.5 حالت میانی است و 1.0 منبع را کاملاً با نویز جایگزین می‌کند تا تولید خالص انجام شود.

بذر مولد تصادفی برای نتایج تکرارپذیر؛ حذف آن یک بذر تصادفی انتخاب می‌کند.

POST /run/stable-audio-3/medium/audio-to-audio?wait=20 قیمت → ⁨‎$۰٫۰۴۲⁩
# 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/medium/audio-to-audio?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "audio": "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 Medium Audio to Audio

`audio_url` را بر اساس `prompt` تبدیل می‌کند و صدایی با `duration` از 1 تا 380 ثانیه تولید می‌کند (پیش‌فرض 30). `init_noise_level` از 0 تا 1 میزان پیروی نتیجه از منبع را تعیین می‌کند: مقدار کم نتیجه را نزدیک نگه می‌دارد و 1.0 تولید کامل است. مقدار پیش‌فرض 8 گام است و چندین قالب خروجی در دسترس است.

پارامترها

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

نامنوع پیش‌فرضمجاز توضیحات
negative_promptاختیاری
نوعstring
پیش‌فرض
متنی که ویژگی‌های ناخواسته در خروجی را مشخص می‌کند.
durationاختیاری
نوعnumber
پیش‌فرض30
۱ – ۳۸۰
طول صوت برحسب ثانیه، با حداکثر 380 ثانیه برای مدل متوسط (تقریباً 6 دقیقه و 20 ثانیه).
num_inference_stepsاختیاری
نوعinteger
پیش‌فرض8
۱ – ۱۰۰
تعداد تکرارهای نمونه‌برداری؛ مقدار پیش‌فرض 8 است، زیرا نقاط بررسی تقطیرشده و پساآموزش‌دیده در همین مقدار کیفیت خوبی دارند و تکرارهای بیشتر سود کمی ایجاد می‌کنند.
guidance_scaleاختیاری
نوعnumber
پیش‌فرض1
۰ – ۲۵
قدرت راهنمایی بدون طبقه‌بند، فقط برای نقاط بررسی پایه؛ نقاط بررسی تقطیرشده تحت تأثیر قرار نمی‌گیرند. در نقاط بررسی مربوط، افزایش آن پایبندی به پرامپت را بیشتر می‌کند.
seedاختیاری
نوعinteger | null
بذر مولد تصادفی برای نتایج تکرارپذیر؛ حذف آن یک بذر تصادفی انتخاب می‌کند.
enable_prompt_expansionاختیاری
نوعboolean
پیش‌فرضfalse
گسترش پرامپت با استفاده از LLM هنگام فعال‌بودن، برای افزودن جزئیات و بهبود کیفیت نتیجه.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
بررسی ایمنی برای محتوای NSFW.
output_formatاختیاری
نوعenum
پیش‌فرضmp3
mp3wavflacoggopusm4aaac
قالب محفظهٔ صوت حاصل.
bitrateاختیاری
نوعstring
پیش‌فرض192k
بیت‌ریت صوت خروجی که هنگام استفاده از wav یا flac نادیده گرفته می‌شود، زیرا بدون افت هستند. برای قالب‌های فشرده مانند mp3، aac یا opus، مقداری به‌شکل '192k' یا '320k' ارائه کنید.
promptالزامی
نوعstring
دستورهای متنی که تبدیل اعمال‌شده روی صوت منبع را توصیف می‌کنند.
audio_urlالزامی audio
نوعurl · audio
صوت ورودی برای تبدیل.
init_noise_levelاختیاری
نوعnumber
پیش‌فرض0.9
۰ – ۱
سطح نویز صوت منبع: مقدار 0.1 شباهت زیادی به ورودی حفظ می‌کند، 0.5 حالت میانی است و 1.0 منبع را کاملاً با نویز جایگزین می‌کند تا تولید خالص انجام شود.
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": "stable-audio-3/medium/audio-to-audio",
  "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": 42,
    "usd": "0.042",
    "charged": 42,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "seed": 42,
    "prompt": "string"
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "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
audio
object {url, content_type, file_name, file_size}کلیپ صوتی تولیدشده.
seed
integerseed کنترل‌کننده تصادفی‌بودن هنگام تولید.
prompt
stringپرامپتی که برای تولید خروجی استفاده شده است.

مدل‌های بیشتر: صوت

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