رفتن به محتوا

Stable Audio 3 · Medium · Text to Audio

یکپارچه‌سازی

شناسه مدل stable-audio-3/medium/text-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/text-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"
  }'

# 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: ⁨‎$۰٫۰۳۸⁩ ۳۸ اعتبار API اجرای آن در این صفحه

دریافت کلید API
Stability AI صوت ۱–۳۸۰ ثانیه #music#audio#stereo

تبدیل متن به صدای Medium تقطیرشده با پیش‌فرض سریع 8 گام، کلیپ‌هایی تا 380 ثانیه

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

متنی که محتوای صوتی موردنظر را مشخص می‌کند.

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 · 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.

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

POST /run/stable-audio-3/medium/text-to-audio?wait=20 قیمت → ⁨‎$۰٫۰۳۸⁩
# 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/text-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"
  }'

# 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 · Text to Audio

از یک `prompt` متنی، به‌صورت اختیاری همراه با `negative_prompt`، صوت ایجاد می‌کند. این گونهٔ پساآموزش‌دیده به‌طور پیش‌فرض 8 گام نمونه‌برداری دارد و گام‌های بیشتر سود کمی دارند؛ مقیاس هدایت نیز به‌دلیل اثرگذاری فقط روی چک‌پوینت‌های پایه، پیش‌فرض 1 است. `duration` بین 1 تا 380 ثانیه است. خروجی را از میان mp3، wav، flac، ogg، opus، m4a یا aac انتخاب کنید.

پارامترها

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
متنی که محتوای صوتی موردنظر را مشخص می‌کند.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "stable-audio-3/medium/text-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": 38,
    "usd": "0.038",
    "charged": 38,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  },
  "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/text-to-audio.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt