Op den Inhalt sprangen

Stable Audio 3 Trainer

Integréieren

Modell-ID 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"

Dateie wéi am Beispill: 3,00 $ 3.000 API-Kreditter Är Dateie gi virun der Ausféierung gemooss Op dëser Säit ausféieren

API-Schlëssel kréien
Stability AI Training 1–380 s #music#audio#sfx#lora

Trainéiert eng LoRA op Stable Audio 3 aus engem Zip mat Audio-Clips a passende Text-Captions

Stability AI · Datei

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

•obligatoresch

Dataset-Zip-URL, an där all Audio-/Caption-Paar zesummen ënner identesche Basisnimm gespäichert ass: `clip.wav` gehéiert zum Beispill zu `clip.txt`. Captions mussen d'Extensioun `.txt` benotzen.

Standard 1000

Unzuel vun de Schrëtt fir d'LoRA-Training.

Crop-/Pad-Dauer a Sekonnen, an alle Fäll duerch d'native Trainingslängt vum ausgewielte Modell begrenzt. Gitt eng Längt un oder loosst se ewech, fir de längste Clip am Dataset ze benotzen, ënner dëser Limit.

Standard 1

Batch-Gréisst, déi beim Training benotzt gëtt.

Erweidert model · base_precision · adapter_type · lora_checkpoint_url · learning_rate · rank · seed · pre_encode · include · exclude
model Standard medium-base

Basis-Checkpoint fir d'Fine-Tuning vu Stable Audio 3.

base_precision Standard bf16

Präzisioun vun de gefruere Basisgewichter; d'LoRA-Parameter bleiwen fp32.

Standard dora-rows

Adapter-Famill, déi fir d'LoRA-Training benotzt gëtt.

Optional URL vun engem `.safetensors`-LoRA-Checkpoint, vun deem aus weidergefouert gëtt.

Standard 0.0001

Learning Rate, déi den AdamW op LoRA-Parameter applizéiert.

Standard 16

Rank vum LoRA-Adapter.

Standard 42

Seed fir d'Zoufällegmaachung.

Deelstringe vu Modulnimm, déi limitéieren, wou LoRA dobäigesat gëtt: nëmmen passende Moduler kréien et.

Numm-Deelstringe fir passende Moduler auszeschléissen.

POST /run/stable-audio-3-trainer?wait=20 Präis → 3,00 $
# 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"

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer Stable Audio 3 Trainer

Feintunet e Basis-Checkpoint (medium-base, small-music-base oder small-sfx-base) op engem `audio_data_url`-Zip, an deem all Audio-Datei eng `.txt`-Beschreiwung mam selwechten Numm huet. Dir kënnt `number_of_steps` (bis zu 20000), `learning_rate`, `rank` (1 bis 256), `adapter_type` an `batch_size` upassen oder vun engem `.safetensors`-Checkpoint weiderfueren. Gëtt LoRA-Gewiichter an eng Konfiguratiounsdatei zeréck.

Parameteren

NummTyp StandardErlaabt Beschreiwung
audio_data_urlobligatoresch
Typstring
Dataset-Zip-URL, an där all Audio-/Caption-Paar zesummen ënner identesche Basisnimm gespäichert ass: `clip.wav` gehéiert zum Beispill zu `clip.txt`. Captions mussen d'Extensioun `.txt` benotzen.
modeloptional
Typenum
Standardmedium-base
medium-basesmall-music-basesmall-sfx-base
Basis-Checkpoint fir d'Fine-Tuning vu Stable Audio 3.
number_of_stepsoptional
Typinteger
Standard1000
1 – 20.000
Unzuel vun de Schrëtt fir d'LoRA-Training.
learning_rateoptional
Typnumber
Standard0.0001
≤ 0,01> 0
Learning Rate, déi den AdamW op LoRA-Parameter applizéiert.
rankoptional
Typinteger
Standard16
1 – 256
Rank vum LoRA-Adapter.
adapter_typeoptional
Typenum
Standarddora-rows
loradoradora-rowsdora-colsboralora-xsdora-rows-xsdora-cols-xsbora-xs
Adapter-Famill, déi fir d'LoRA-Training benotzt gëtt.
durationoptional
Typnumber | null
1 – 380
Crop-/Pad-Dauer a Sekonnen, an alle Fäll duerch d'native Trainingslängt vum ausgewielte Modell begrenzt. Gitt eng Längt un oder loosst se ewech, fir de längste Clip am Dataset ze benotzen, ënner dëser Limit.
batch_sizeoptional
Typinteger
Standard1
1 – 8
Batch-Gréisst, déi beim Training benotzt gëtt.
seedoptional
Typinteger
Standard42
0 – 2.147.483.647
Seed fir d'Zoufällegmaachung.
base_precisionoptional
Typenum
Standardbf16
bf16bfloat16fp16float16
Präzisioun vun de gefruere Basisgewichter; d'LoRA-Parameter bleiwen fp32.
includeoptional
Typstring[]
Deelstringe vu Modulnimm, déi limitéieren, wou LoRA dobäigesat gëtt: nëmmen passende Moduler kréien et.
excludeoptional
Typstring[]
Numm-Deelstringe fir passende Moduler auszeschléissen.
lora_checkpoint_urloptional
Typstring | null
Optional URL vun engem `.safetensors`-LoRA-Checkpoint, vun deem aus weidergefouert gëtt.
pre_encodeoptional
Typboolean
Standardfalse
Virverkodéierung vum Audio-Archiv a SAME-Latenten virum LoRA-Training.
obligatoresch

Output

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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
lora_file
object {url, content_type, file_name, file_size}LoRA-Gewichter, déi fir Stable Audio 3 trainéiert goufen.
config_file
object {url, content_type, file_name, file_size}JSON-Metadaten, déi den Trainingslaf an de kompatibele Modell fir d'Inferenz beschreiwen.

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/stable-audio-3-trainer.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt