Leum chun t-susbaint

Sam Audio · Visual Separate

Amalaich

ID a’ mhodail 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"

Faidhlichean mar an eisimpleir: $0.05 50 creideasan API thèid na faidhlichean agad a thomhas ron ruith Ruith e air an duilleig seo

Faigh iuchair API
Meta Bhidio gu Fuaim 10–60 s #video-to-audio#sam-audio

Dealachadh fuaim bho shlighe fuaime bhidio, air a stiùireadh le bhidio masg agus prompt teacsa roghainneil

Meta · Dàta (JSON)

Thèid a’ chiad toradh agad an-seo

Tog iarrtas gu h-ìosal agus ruith e leis an iuchair API agad. Tha na h-às-churan air an lethbhreacadh dhan stòradh againn, air an cumail gu bràth no 7 latha an-asgaidh.

Tog iarrtas

Tha na smachdan air an cruthachadh bho sgeama a’ mhodail. Bidh an còd agus a’ phrìs ag ùrachadh fhad ’s a dh’atharraicheas tu iad.

bun-roghainn

Tuairisgeul ann an cànan nàdarra den fhuaim targaid gus cuideachadh le sgaradh.

•riatanach video_url
Leig às faidhle, no

URL faidhle bhidio airson giullachd, ann an cruthan leithid MP4 no MOV.

bun-roghainn 1

Àireamh nan tagraichean a chaidh a ghineadh airson rangachadh.

Adhartach mask_video_url · acceleration · output_format · max_chunk_duration · chunk_overlap
Leig às faidhle, no

URL bhidio masg a’ cleachdadh còdachadh dàna anns a bheil an nì targaid dubh an aghaidh cùl-raoin gheal.

acceleration bun-roghainn balanced

Ìre luathachaidh air a cur an sàs ann an giullachd.

output_format bun-roghainn wav

Cruth airson na claisneachd ghineadh.

bun-roghainn 60

Crìoch claisneachd gach pas, air a thomhas ann an diogan, agus às a dhèidh sin cleachdaidh giullachd pìosan a tha a’ dol thairis air a chèile agus air an co-mheasgadh.

bun-roghainn 5

Fad an tar-tharraing eadar pìosan, air a thomhas ann an diogan, air a chleachdadh airson co-mheasgadh crossfade.

POST /run/sam-audio/visual-separate?wait=20 tuairmse → $0.05
# 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"

Ruith an t-iarrtas seo

Fuirichidh an iuchair agad sa bhrobhsair seo: thèid a cur chun Doitong API a-mhàin agus a sàbhaladh (localStorage) a-mhàin ma chuireas tu comharra ri Cuimhnich. Faigh iuchair API

Mu Sam Audio · Visual Separate

Gabhaidh e `video_url` agus bheir e fuaim targaid a-mach às an fhuaim aige. Bidh `mask_video_url` roghainneil a’ comharrachadh an nì targaid (dubh airson an targaid, geal airson a’ chùlaibh), agus faodaidh `prompt` sanas teacsa a chur ris. Faodar suas ri 4 `reranking_candidates` a rangachadh, agus thèid fuaim fhada a ghearradh ann am pìosan. Tha fuaim `target` agus `residual` san toradh ann an wav no mp3.

Paramadairean

Cuir an t-ainm canonical no an t-ainm dùthchasach, chan e an dà chuid. Ainmean canonical

AinmSeòrsa Bun-roghainnCeadaichte Tuairisgeul
video_urlriatanach video
Seòrsaurl · video
URL faidhle bhidio airson giullachd, ann an cruthan leithid MP4 no MOV.
mask_video_urlroghainneil
Seòrsaurl · video
URL bhidio masg a’ cleachdadh còdachadh dàna anns a bheil an nì targaid dubh an aghaidh cùl-raoin gheal.
promptroghainneil
Seòrsastring
Bun-roghainn
Tuairisgeul ann an cànan nàdarra den fhuaim targaid gus cuideachadh le sgaradh.
reranking_candidatesroghainneil
Seòrsainteger
Bun-roghainn1
1 – 4
Àireamh nan tagraichean a chaidh a ghineadh airson rangachadh.
accelerationroghainneil
Seòrsaenum
Bun-roghainnbalanced
fastbalancedquality
Ìre luathachaidh air a cur an sàs ann an giullachd.
max_chunk_durationroghainneil
Seòrsanumber
Bun-roghainn60
10 – 60
Crìoch claisneachd gach pas, air a thomhas ann an diogan, agus às a dhèidh sin cleachdaidh giullachd pìosan a tha a’ dol thairis air a chèile agus air an co-mheasgadh.
chunk_overlaproghainneil
Seòrsanumber
Bun-roghainn5
0 – 30
Fad an tar-tharraing eadar pìosan, air a thomhas ann an diogan, air a chleachdadh airson co-mheasgadh crossfade.
output_formatroghainneil
Seòrsaenum
Bun-roghainnwav
wavmp3
Cruth airson na claisneachd ghineadh.
riatanach Ainm canonical, gabhar ris cuideachd

Gabhaidh paramadairean faidhle ri URL poblach https://, URI data: suas ri 10 MB, no file_url de luchdachadh suas. Faidhlichean

Toradh

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"
  }
}
Na faidhlichean agad, do roghainnTha gach outputs[].url na lethbhreac air an stòradh againn: air a chumail gu bràth (air a phàigheadh gach GB-mìos) no 7 latha an-asgaidh, a rèir suidheachadh a’ chunntais agad no ?storage=.
An aon chruth air gach modailtype, url, content_type, width, height agus duration, airson dealbhan, bhidio agus fuaim le chèile. ’S e output nì toraidh a’ mhodail fhèin.
Raointean toraidh
target
object {url, content_type, file_name, file_size}Fuaim targaid air a thoirt a-mach leis fhèin.
residual
object {url, content_type, file_name, file_size}Claisneachd a tha air fhàgail ach am fuaim targaid.
duration
numberFad claisneachd às-chuir, air a thomhas ann an diogan.
sample_rate
integerTricead samplachaidh ann an Hz airson an às-chur claisneachd.

Barrachd mhodalan: Bhidio gu Fuaim

Do riochdairean AI: tha an duilleag seo mar Markdown aig https://doitong.com/gd/developers/models/sam-audio/visual-separate.md. Na modailean agus na treòraichean uile: https://doitong.com/developers/llms.txt