Trellis 2

یکپارچه‌سازی

شناسه مدل trellis-2

# 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/trellis-2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  }'

# 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"

const API = "https://api.doitong.com/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/trellis-2?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.com/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/trellis-2", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

# 1. Connect once (Claude Code; Cursor, VS Code, Claude Desktop: https://doitong.com/fa/developers/docs/mcp)
claude mcp add --transport http doitong-models https://api.doitong.com/v1/mcp \
  --header "Authorization: Bearer $DOITONG_API_KEY"

# 2. Your agent calls the "run" tool with:
{
  "model_id": "trellis-2",
  "input": {
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  }
}

مدل Trellis 2 (trellis-2) را از طریق Doitong API فراخوانی کنید. مستندات عامل‌ها: https://doitong.com/fa/developers/models/trellis-2.md

POST https://api.doitong.com/v1/run/trellis-2?wait=20
Authorization: Bearer $DOITONG_API_KEY
Content-Type: application/json

{
  "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
}

اگر وضعیت پاسخ "queued" یا "running" است، GET https://api.doitong.com/v1/requests/REQUEST_ID?wait=20 را تا زمانی که وضعیت "succeeded" شود به‌طور دوره‌ای فراخوانی کنید؛ فایل‌ها در outputs[].url قرار دارند. ارسال POST https://api.doitong.com/v1/quote/trellis-2 با همان بدنه، قیمت دقیق را پیش از اجرا برمی‌گرداند.

این درخواست: ⁨‎$۰٫۳۰⁩ ۳۰۰ اعتبار API اجرای آن در این صفحه

دریافت کلید API

Microsoft تصویر به 3D #image-to-3d

تبدیل یک تصویر به مش سه‌بعدی GLB بافت‌دار با تنظیمات قابل کنترل ساختار، شکل، بافت و UV

OpenAPI Markdown

Microsoft · 3D

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

قیمت

قیمت دقیق

⁨‎$۰٫۳۰⁩برای هر اجرا

۳۰۰ اعتبار API

قیمت: از ⁨‎$۰٫۲۵⁩

۱ درخواست × ⁨‎$۰٫۳۰⁩ اجرا · ⁨‎$۰٫۳۰⁩

فقط در صورت موفقیت هزینه دریافت می‌شود و در صورت شکست، مبلغ به‌طور خودکار بازپرداخت می‌شود.

resolution پیش‌فرض 1024

قوانین قیمت‌گذاری

وقتی resolution = 1024: ⁨‎$۰٫۳۰⁩ / درخواست
وقتی resolution = 1536: ⁨‎$۰٫۳۵⁩ / درخواست

برای هر درخواست یک‌بار هزینه دریافت می‌شود.

نقطه پایانی برآورد قیمت: POST /quote/{id}

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

image •الزامی image_url

یک فایل بیندازید، یا

URL اشاره‌کننده به تصویر منبع برای تبدیل 3D.

resolution پیش‌فرض 1024

وضوح خروجی؛ افزایش آن جزئیات را بیشتر اما پردازش را طولانی‌تر می‌کند.

پیشرفته texture_size · ss_guidance_strength · ss_guidance_rescale · ss_guidance_interval_start · ss_guidance_interval_end · ss_sampling_steps · ss_rescale_t · shape_slat_guidance_strength · shape_slat_guidance_rescale · shape_slat_guidance_interval_start · shape_slat_guidance_interval_end · shape_slat_sampling_steps · shape_slat_rescale_t · tex_slat_guidance_strength · tex_slat_guidance_rescale · tex_slat_guidance_interval_start · tex_slat_guidance_interval_end · tex_slat_sampling_steps · tex_slat_rescale_t · decimation_target · remesh_band · remesh_project · uv_unwrap_angle_threshold_deg · uv_unwrap_refine_iterations · uv_unwrap_global_iterations · uv_unwrap_smooth_strength · seed · remesh

texture_size پیش‌فرض 2048

وضوح بافت مش برای baking. افزایش وضوح، جزئیات سطحی ظریف‌تر اما فایل‌های بزرگ‌تری ایجاد می‌کند.

ss_guidance_strength پیش‌فرض 7.5

کنترل وفاداری ساختار 3D اولیه؛ افزایش آن تطابق نزدیک‌تر با تصویر ورودی را ترجیح می‌دهد، اما ممکن است نویز بیشتری ایجاد کند.

ss_guidance_rescale پیش‌فرض 0.7

کنترل مصنوعات هدایت در مرحله 1؛ تنظیمات پایین اثر هدایت قوی‌تر و تنظیمات بالا خروجی پایدارتر ایجاد می‌کنند.

ss_guidance_interval_start پیش‌فرض 0.6

مرز آغاز پنجره راهنمایی بدون دسته‌بندی در مرحله 1 (ساختار پراکنده)، به‌صورت کسری از حذف نویز. مقادیر کمتر راهنمایی را زودتر آغاز می‌کنند؛ فقط بازه interval_start تا interval_end از راهنمایی استفاده می‌کند و باقی پردازش بدون راهنمایی است.

ss_guidance_interval_end پیش‌فرض 1

مرز راهنمایی مرحله 1 (ساختار پراکنده): مقداری حداقل برابر با ss_guidance_interval_start انتخاب کنید. مقدار، کسری از حذف نویز را مشخص می‌کند که در آن راهنمایی بدون دسته‌بندی متوقف می‌شود.

ss_sampling_steps پیش‌فرض 12

تعداد گام‌های حذف نویز ساختار اولیه؛ افزایش گام‌ها ممکن است کیفیت را بهتر کند اما پردازش را کندتر می‌کند.

ss_rescale_t پیش‌فرض 5

وضوح گذار را از طریق زمان‌بندی نویز تولید ساختار تعیین کنید؛ افزایش این مقدار گذارها را واضح‌تر می‌کند.

shape_slat_guidance_strength پیش‌فرض 7.5

کنترل وفاداری هندسه دقیق؛ افزایش پایبندی به تصویر ورودی جزئیات بیشتری ایجاد می‌کند، اما خطر نویز را افزایش می‌دهد.

shape_slat_guidance_rescale پیش‌فرض 0.5

اگر هندسه نویزی به نظر می‌رسد این تنظیم را افزایش دهید؛ مصنوعات ناشی از هدایت قوی در مرحله شکل را کاهش می‌دهد.

shape_slat_guidance_interval_start پیش‌فرض 0.6

نقطه فعال‌سازی راهنمایی بدون دسته‌بندی برای اصلاح شکل در مرحله 2. این مقدار به‌صورت کسری از پیشرفت حذف نویز، interval_start را تعیین می‌کند؛ راهنمایی فقط در پنجره میان interval_start و interval_end انجام می‌شود.

shape_slat_guidance_interval_end پیش‌فرض 1

مرز راهنمایی مرحله 2 (اصلاح شکل): مقداری حداقل برابر با shape_slat_guidance_interval_start انتخاب کنید. مقدار، کسری از حذف نویز را مشخص می‌کند که در آن راهنمایی بدون دسته‌بندی متوقف می‌شود.

shape_slat_sampling_steps پیش‌فرض 12

تعداد گام‌های حذف نویز پالایش شکل؛ گام‌های بیشتر ممکن است هندسه‌ای هموارتر ایجاد کنند اما سرعت را کاهش می‌دهند.

shape_slat_rescale_t پیش‌فرض 3

وضوح جزئیات هندسی را از طریق زمان‌بندی نویز پالایش شکل تعیین کنید؛ افزایش این مقدار جزئیات را واضح‌تر می‌کند.

tex_slat_guidance_strength پیش‌فرض 1

کنترل وفاداری رنگ بافت؛ پایبندی بیشتر به رنگ‌های تصویر ورودی در تنظیمات بالاتر، شادابی را افزایش می‌دهد اما ممکن است باعث اشباع بیش‌ازحد شود.

tex_slat_guidance_rescale پیش‌فرض 0

برای رفع بافت‌های نویزی یا نوارشدگی رنگ این تنظیم را افزایش دهید؛ مصنوعات ناشی از هدایت قوی در مرحله بافت را کاهش می‌دهد.

tex_slat_guidance_interval_start پیش‌فرض 0.6

نقطه فعال‌سازی راهنمایی بدون دسته‌بندی برای تولید بافت در مرحله 3. این مقدار به‌صورت کسری از پیشرفت حذف نویز، interval_start را تعیین می‌کند؛ راهنمایی فقط در پنجره میان interval_start و interval_end انجام می‌شود.

tex_slat_guidance_interval_end پیش‌فرض 0.9

مرز راهنمایی مرحله 3 (بافت): مقداری حداقل برابر با tex_slat_guidance_interval_start انتخاب کنید. مقدار، کسری از حذف نویز را مشخص می‌کند که در آن راهنمایی بدون دسته‌بندی متوقف می‌شود.

tex_slat_sampling_steps پیش‌فرض 12

تعداد گام‌های حذف نویز برای تولید بافت‌ها. افزایش تعداد گام‌ها زمان بیشتری می‌برد اما ممکن است بافت‌های پاک‌تری ایجاد کند.

tex_slat_rescale_t پیش‌فرض 3

وضوح جزئیات بافت را از طریق زمان‌بندی نویز تولید بافت تعیین کنید؛ افزایش این مقدار جزئیات را واضح‌تر می‌کند.

decimation_target پیش‌فرض 500000

هدف تعداد رأس‌های مش؛ 500k برای استفاده عمومی و 20k–50k برای وب/موبایل توصیه می‌شود. کاهش هدف، جزئیات مش را در ازای فایل‌های کوچک‌تر کاهش می‌دهد.

remesh_band پیش‌فرض 1

میزان جابه‌جایی بازسازی مش: افزایش این مقدار ممکن است بافت‌گذاری بیشتر را به قیمت از دست‌رفتن جزئیات ظریف انجام دهد. این تنظیم جابه‌جایی رأس را نسبت به سطح اصلی محدود می‌کند.

remesh_project پیش‌فرض 0

قدرت تصویرسازی برای بازگرداندن رأس‌های بازسازی‌شده به سطح اصلی: مقدار 1 جزئیات را با تصویرسازی کامل حفظ می‌کند، درحالی‌که 0 تصویرسازی را خاموش و نتیجه را نرم‌تر می‌کند.

uv_unwrap_angle_threshold_deg پیش‌فرض 90

حد زاویه نمودار UV برحسب درجه، که اختلاف نرمال‌های وجه‌های مجاور را در یک نمودار محدود می‌کند. افزایش حد، نمودارهای کمتر و بزرگ‌تر را ترجیح می‌دهد اما خطر کشیدگی دارد؛ کاهش آن نمودارهای بیشتر و اعوجاج کمتر ایجاد می‌کند.

uv_unwrap_refine_iterations پیش‌فرض 0

تعداد گذرهای اصلاح موضعی برای محاسبه نمودارهای UV.

uv_unwrap_global_iterations پیش‌فرض 1

با افزایش تعداد گذرهای خوشه‌بندی سراسری برای محاسبه نمودارها می‌توان توازن نمودار UV را بهبود داد.

uv_unwrap_smooth_strength پیش‌فرض 1

میزان هموارسازی لبه‌های نمودار UV را تنظیم کنید؛ در مقادیر بالاتر درزهای کمتر دیده می‌شوند، اما خطر اعوجاج UV افزایش می‌یابد.

seed

seed استفاده‌شده برای تولید تصادفی تکرارپذیر.

POST /run/trellis-2?wait=20 قیمت → ⁨‎$۰٫۳۰⁩

# 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/trellis-2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  }'

# 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"

const API = "https://api.doitong.com/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/trellis-2?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.com/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/trellis-2", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "trellis-2",
      "input": {
        "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
      },
      "wait_seconds": 20
    }
  }
}

اجرای این درخواست

کلید API

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. در این مرورگر به خاطر بسپار دریافت کلید API

درباره Trellis 2

از یک تصویر (`image_url`) دارایی سه‌بعدی می‌سازد و یک فایل GLB برمی‌گرداند. `resolution` برابر با 512، 1024 یا 1536 و `texture_size` برابر با 1024، 2048 یا 4096 است. هرکدام از سه مرحلهٔ ساختار، شکل و بافت کنترل‌های هدایت و گام نمونه‌برداری مستقل دارند. `decimation_target` تعداد رأس‌های مش را تعیین می‌کند (از 5,000 تا 2,000,000) و گزینه‌های بازسازی مش و بازکردن UV نیز در دسترس هستند.

پارامترها

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

نامنوع پیش‌فرضمجاز توضیحات

seedاختیاری

نوعinteger | null

seed استفاده‌شده برای تولید تصادفی تکرارپذیر.

resolutionاختیاری

نوعenum

پیش‌فرض1024

51210241536

وضوح خروجی؛ افزایش آن جزئیات را بیشتر اما پردازش را طولانی‌تر می‌کند.

ss_guidance_strengthاختیاری

نوعnumber

پیش‌فرض7.5

۰ – ۱۰

ss_guidance_rescaleاختیاری

نوعnumber

پیش‌فرض0.7

۰ – ۱

کنترل مصنوعات هدایت در مرحله 1؛ تنظیمات پایین اثر هدایت قوی‌تر و تنظیمات بالا خروجی پایدارتر ایجاد می‌کنند.

ss_guidance_interval_startاختیاری

نوعnumber

پیش‌فرض0.6

۰ – ۱

ss_guidance_interval_endاختیاری

نوعnumber

پیش‌فرض1

۰ – ۱

ss_sampling_stepsاختیاری

نوعinteger

پیش‌فرض12

۱ – ۵۰

تعداد گام‌های حذف نویز ساختار اولیه؛ افزایش گام‌ها ممکن است کیفیت را بهتر کند اما پردازش را کندتر می‌کند.

ss_rescale_tاختیاری

نوعnumber

پیش‌فرض5

۱ – ۶

وضوح گذار را از طریق زمان‌بندی نویز تولید ساختار تعیین کنید؛ افزایش این مقدار گذارها را واضح‌تر می‌کند.

shape_slat_guidance_strengthاختیاری

نوعnumber

پیش‌فرض7.5

۰ – ۱۰

shape_slat_guidance_rescaleاختیاری

نوعnumber

پیش‌فرض0.5

۰ – ۱

اگر هندسه نویزی به نظر می‌رسد این تنظیم را افزایش دهید؛ مصنوعات ناشی از هدایت قوی در مرحله شکل را کاهش می‌دهد.

shape_slat_guidance_interval_startاختیاری

نوعnumber

پیش‌فرض0.6

۰ – ۱

shape_slat_guidance_interval_endاختیاری

نوعnumber

پیش‌فرض1

۰ – ۱

shape_slat_sampling_stepsاختیاری

نوعinteger

پیش‌فرض12

۱ – ۵۰

shape_slat_rescale_tاختیاری

نوعnumber

پیش‌فرض3

۱ – ۶

tex_slat_guidance_strengthاختیاری

نوعnumber

پیش‌فرض1

۰ – ۱۰

tex_slat_guidance_rescaleاختیاری

نوعnumber

پیش‌فرض0

۰ – ۱

tex_slat_guidance_interval_startاختیاری

نوعnumber

پیش‌فرض0.6

۰ – ۱

tex_slat_guidance_interval_endاختیاری

نوعnumber

پیش‌فرض0.9

۰ – ۱

tex_slat_sampling_stepsاختیاری

نوعinteger

پیش‌فرض12

۱ – ۵۰

tex_slat_rescale_tاختیاری

نوعnumber

پیش‌فرض3

۱ – ۶

وضوح جزئیات بافت را از طریق زمان‌بندی نویز تولید بافت تعیین کنید؛ افزایش این مقدار جزئیات را واضح‌تر می‌کند.

decimation_targetاختیاری

نوعinteger

پیش‌فرض500000

۵٬۰۰۰ – ۲٬۰۰۰٬۰۰۰

texture_sizeاختیاری

نوعenum

پیش‌فرض2048

102420484096

وضوح بافت مش برای baking. افزایش وضوح، جزئیات سطحی ظریف‌تر اما فایل‌های بزرگ‌تری ایجاد می‌کند.

remeshاختیاری

نوعboolean

پیش‌فرضtrue

بازسازی توپولوژی که مثلث‌های مش تمیزتری ایجاد می‌کند و معمولاً مناسب‌بودن برای کاربردهای بعدی مانند پویانمایی یا چاپ سه‌بعدی را بهبود می‌دهد، اما پردازش کندتر می‌شود.

remesh_bandاختیاری

نوعnumber

پیش‌فرض1

۰ – ۴

remesh_projectاختیاری

نوعnumber

پیش‌فرض0

۰ – ۱

uv_unwrap_angle_threshold_degاختیاری

نوعnumber

پیش‌فرض90

۰ – ۱۸۰

uv_unwrap_refine_iterationsاختیاری

نوعinteger

پیش‌فرض0

۰ – ۱۰

تعداد گذرهای اصلاح موضعی برای محاسبه نمودارهای UV.

uv_unwrap_global_iterationsاختیاری

نوعinteger

پیش‌فرض1

۱ – ۱۰

با افزایش تعداد گذرهای خوشه‌بندی سراسری برای محاسبه نمودارها می‌توان توازن نمودار UV را بهبود داد.

uv_unwrap_smooth_strengthاختیاری

نوعnumber

پیش‌فرض1

۰ – ۱۰

image_urlالزامی image

نوعurl · image

URL اشاره‌کننده به تصویر منبع برای تبدیل 3D.

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": "trellis-2",
  "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": 300,
    "usd": "0.30",
    "charged": 300,
    "refunded": 0
  },
  "input": {
    "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
  },
  "output": {
    "model_glb": {
      "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

model_glb: object {url, content_type, file_name, file_size}مدل 3D تولیدشده در قالب GLB.

مدل‌های بیشتر: تصویر به 3D

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/trellis-2.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt

اولین نتیجه شما اینجا قرار می‌گیرد

ساخت درخواست

اجرای این درخواست

درباره Trellis 2

پارامترها

خروجی

گونه‌های دیگر Trellis 2

Trellis 2 · Retexture گونه‌ها: 2

مدل‌های بیشتر: تصویر به 3D

Trellis گونه‌ها: 2

Trellis · Multi گونه‌ها: 2

TRELLIS.2 LoRA Inference

Hi3D Image to 3D گونه‌ها: 6