ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

Stable Audio 3 Trainer

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ 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"

ਉਦਾਹਰਨ ਵਰਗੀਆਂ ਫ਼ਾਈਲਾਂ: $3.00 3,000 API ਕ੍ਰੈਡਿਟ ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ ਚਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਮਾਪੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
Stability AI ਟ੍ਰੇਨਿੰਗ 1–380 s #music#audio#sfx#lora

ਮਿਲਦੇ-ਜੁਲਦੇ ਟੈਕਸਟ ਕੈਪਸ਼ਨਾਂ ਵਾਲੀਆਂ ਆਡੀਓ ਕਲਿੱਪਾਂ ਦੀ zip ਤੋਂ Stable Audio 3 ਉੱਤੇ LoRA ਟ੍ਰੇਨ ਕਰਦਾ ਹੈ

Stability AI · ਫ਼ਾਈਲ

ਤੁਹਾਡਾ ਪਹਿਲਾ ਨਤੀਜਾ ਇੱਥੇ ਹੋਵੇਗਾ

ਹੇਠਾਂ ਬੇਨਤੀ ਬਣਾਓ ਅਤੇ ਆਪਣੀ API ਕੁੰਜੀ ਨਾਲ ਚਲਾਓ। ਆਉਟਪੁੱਟ ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਕਾਪੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਹਮੇਸ਼ਾ ਲਈ ਜਾਂ ਮੁਫ਼ਤ ਵਿੱਚ 7 ਦਿਨ ਤੱਕ ਰੱਖੇ ਜਾਂਦੇ ਹਨ।

ਰਿਕਵੈਸਟ ਬਣਾਓ

ਕੰਟਰੋਲ ਮਾਡਲ ਸਕੀਮਾ ਤੋਂ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਬਦਲਾਅ ਕਰਦੇ ਹੀ ਕੋਡ ਅਤੇ ਕੀਮਤ ਅੱਪਡੇਟ ਹੋ ਜਾਂਦੇ ਹਨ।

•ਲੋੜੀਂਦਾ

ਡੇਟਾਸੈੱਟ zip URL, ਜਿਸ ਵਿੱਚ ਹਰ ਆਡੀਓ/ਕੈਪਸ਼ਨ ਜੋੜ ਮਿਲਦੇ ਬੇਸਨਾਮਾਂ ਹੇਠ ਇਕੱਠੇ ਸਟੋਰ ਹੁੰਦਾ ਹੈ: ਉਦਾਹਰਨ ਲਈ `clip.wav` ਦਾ ਜੋੜ `clip.txt` ਹੈ। ਕੈਪਸ਼ਨਾਂ ਲਈ `.txt` ਐਕਸਟੈਂਸ਼ਨ ਲਾਜ਼ਮੀ ਹੈ।

ਡਿਫ਼ਾਲਟ 1000

LoRA training ਲਈ steps ਦੀ ਗਿਣਤੀ।

ਸਕਿੰਟਾਂ ਵਿੱਚ ਕ੍ਰੌਪ/ਪੈਡ ਮਿਆਦ, ਜੋ ਹਰ ਸਥਿਤੀ ਵਿੱਚ ਚੁਣੇ ਗਏ ਮਾਡਲ ਦੀ ਮੂਲ ਟ੍ਰੇਨਿੰਗ ਲੰਬਾਈ ਤੱਕ ਸੀਮਿਤ ਹੈ। ਲੰਬਾਈ ਦਿਓ ਜਾਂ ਇਸਨੂੰ ਛੱਡ ਦਿਓ ਤਾਂ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮਿਲੇ ਸਭ ਤੋਂ ਲੰਬੇ ਕਲਿੱਪ ਦੀ ਵਰਤੋਂ ਹੋਵੇਗੀ, ਪਰ ਇਸ ਸੀਮਾ ਦੇ ਅਧੀਨ।

ਡਿਫ਼ਾਲਟ 1

ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਬੈਚ ਆਕਾਰ।

ਉੱਨਤ model · base_precision · adapter_type · lora_checkpoint_url · learning_rate · rank · seed · pre_encode · include · exclude
model ਡਿਫ਼ਾਲਟ medium-base

Stable Audio 3 ਦੀ ਫ਼ਾਈਨ-ਟਿਊਨਿੰਗ ਲਈ ਬੇਸ ਚੈਕਪੌਇੰਟ।

base_precision ਡਿਫ਼ਾਲਟ bf16

ਫ੍ਰੋਜ਼ਨ ਬੇਸ ਵਜ਼ਨਾਂ ਲਈ ਵਰਤੀ ਗਈ ਪ੍ਰਿਸੀਜ਼ਨ; LoRA ਪੈਰਾਮੀਟਰ fp32 ਰਹਿੰਦੇ ਹਨ।

ਡਿਫ਼ਾਲਟ dora-rows

LoRA ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਐਡਾਪਟਰ ਪਰਿਵਾਰ।

ਉਸ `.safetensors` LoRA ਚੈਕਪੌਇੰਟ ਦਾ ਵਿਕਲਪਿਕ URL, ਜਿਸ ਤੋਂ ਮੁੜ ਸ਼ੁਰੂ ਕਰਨਾ ਹੈ।

ਡਿਫ਼ਾਲਟ 0.0001

AdamW ਦੁਆਰਾ LoRA ਪੈਰਾਮੀਟਰਾਂ ਉੱਤੇ ਲਾਗੂ ਕੀਤੀ ਗਈ ਲਰਨਿੰਗ ਰੇਟ।

ਡਿਫ਼ਾਲਟ 16

LoRA ਐਡਾਪਟਰ ਦਾ ਰੈਂਕ।

ਡਿਫ਼ਾਲਟ 42

ਬੇਤਰਤੀਬੀ ਲਈ ਸੀਡ।

ਮੋਡੀਊਲ-ਨਾਮ ਦੇ ਉਹ ਸਬਸਟਰਿੰਗ ਜੋ LoRA ਜੋੜਨ ਦੀ ਥਾਂ ਸੀਮਿਤ ਕਰਦੇ ਹਨ: ਸਿਰਫ਼ ਮਿਲਦੇ ਮੋਡੀਊਲ ਇਸਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।

ਮਿਲਦੇ ਮੋਡੀਊਲਾਂ ਨੂੰ ਬਾਹਰ ਰੱਖਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਨਾਮ ਸਬਸਟਰਿੰਗ।

POST /run/stable-audio-3-trainer?wait=20 ਕੋਟ → $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"

ਇਹ ਬੇਨਤੀ ਚਲਾਓ

ਤੁਹਾਡੀ key ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ: ਇਹ ਸਿਰਫ਼ Doitong API ਨੂੰ ਭੇਜੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ (localStorage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਜੇ ਤੁਸੀਂ Remember ਚੁਣੋ। API ਕੁੰਜੀ ਪ੍ਰਾਪਤ ਕਰੋ

Stable Audio 3 Trainer ਬਾਰੇ

ਇੱਕ ਬੇਸ ਚੈਕਪੋਇੰਟ (medium-base, small-music-base ਜਾਂ small-sfx-base) ਨੂੰ `audio_data_url` zip ਉੱਤੇ ਫ਼ਾਈਨ-ਟਿਊਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਰ ਆਡੀਓ ਫ਼ਾਈਲ ਦੀ ਉਸੇ ਨਾਮ ਵਾਲੀ `.txt` ਕੈਪਸ਼ਨ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ `number_of_steps` (20000 ਤੱਕ), `learning_rate`, `rank` (1 ਤੋਂ 256), `adapter_type` ਅਤੇ `batch_size` ਸਮਾਯੋਜਿਤ ਕਰ ਸਕਦੇ ਹੋ, ਜਾਂ `.safetensors` ਚੈਕਪੋਇੰਟ ਤੋਂ ਮੁੜ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ। LoRA ਵਜ਼ਨ ਅਤੇ ਇੱਕ config ਫ਼ਾਈਲ ਵਾਪਸ ਕਰਦਾ ਹੈ।

ਪੈਰਾਮੀਟਰ

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
audio_data_urlਲੋੜੀਂਦਾ
ਕਿਸਮstring
ਡੇਟਾਸੈੱਟ zip URL, ਜਿਸ ਵਿੱਚ ਹਰ ਆਡੀਓ/ਕੈਪਸ਼ਨ ਜੋੜ ਮਿਲਦੇ ਬੇਸਨਾਮਾਂ ਹੇਠ ਇਕੱਠੇ ਸਟੋਰ ਹੁੰਦਾ ਹੈ: ਉਦਾਹਰਨ ਲਈ `clip.wav` ਦਾ ਜੋੜ `clip.txt` ਹੈ। ਕੈਪਸ਼ਨਾਂ ਲਈ `.txt` ਐਕਸਟੈਂਸ਼ਨ ਲਾਜ਼ਮੀ ਹੈ।
modelਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟmedium-base
medium-basesmall-music-basesmall-sfx-base
Stable Audio 3 ਦੀ ਫ਼ਾਈਨ-ਟਿਊਨਿੰਗ ਲਈ ਬੇਸ ਚੈਕਪੌਇੰਟ।
number_of_stepsਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ1000
1 – 20,000
LoRA training ਲਈ steps ਦੀ ਗਿਣਤੀ।
learning_rateਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ0.0001
≤ 0.01> 0
AdamW ਦੁਆਰਾ LoRA ਪੈਰਾਮੀਟਰਾਂ ਉੱਤੇ ਲਾਗੂ ਕੀਤੀ ਗਈ ਲਰਨਿੰਗ ਰੇਟ।
rankਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ16
1 – 256
LoRA ਐਡਾਪਟਰ ਦਾ ਰੈਂਕ।
adapter_typeਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟdora-rows
loradoradora-rowsdora-colsboralora-xsdora-rows-xsdora-cols-xsbora-xs
LoRA ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਐਡਾਪਟਰ ਪਰਿਵਾਰ।
durationਵਿਕਲਪਿਕ
ਕਿਸਮnumber | null
1 – 380
ਸਕਿੰਟਾਂ ਵਿੱਚ ਕ੍ਰੌਪ/ਪੈਡ ਮਿਆਦ, ਜੋ ਹਰ ਸਥਿਤੀ ਵਿੱਚ ਚੁਣੇ ਗਏ ਮਾਡਲ ਦੀ ਮੂਲ ਟ੍ਰੇਨਿੰਗ ਲੰਬਾਈ ਤੱਕ ਸੀਮਿਤ ਹੈ। ਲੰਬਾਈ ਦਿਓ ਜਾਂ ਇਸਨੂੰ ਛੱਡ ਦਿਓ ਤਾਂ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮਿਲੇ ਸਭ ਤੋਂ ਲੰਬੇ ਕਲਿੱਪ ਦੀ ਵਰਤੋਂ ਹੋਵੇਗੀ, ਪਰ ਇਸ ਸੀਮਾ ਦੇ ਅਧੀਨ।
batch_sizeਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ1
1 – 8
ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਬੈਚ ਆਕਾਰ।
seedਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ42
0 – 2,14,74,83,647
ਬੇਤਰਤੀਬੀ ਲਈ ਸੀਡ।
base_precisionਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟbf16
bf16bfloat16fp16float16
ਫ੍ਰੋਜ਼ਨ ਬੇਸ ਵਜ਼ਨਾਂ ਲਈ ਵਰਤੀ ਗਈ ਪ੍ਰਿਸੀਜ਼ਨ; LoRA ਪੈਰਾਮੀਟਰ fp32 ਰਹਿੰਦੇ ਹਨ।
includeਵਿਕਲਪਿਕ
ਕਿਸਮstring[]
ਮੋਡੀਊਲ-ਨਾਮ ਦੇ ਉਹ ਸਬਸਟਰਿੰਗ ਜੋ LoRA ਜੋੜਨ ਦੀ ਥਾਂ ਸੀਮਿਤ ਕਰਦੇ ਹਨ: ਸਿਰਫ਼ ਮਿਲਦੇ ਮੋਡੀਊਲ ਇਸਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।
excludeਵਿਕਲਪਿਕ
ਕਿਸਮstring[]
ਮਿਲਦੇ ਮੋਡੀਊਲਾਂ ਨੂੰ ਬਾਹਰ ਰੱਖਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਨਾਮ ਸਬਸਟਰਿੰਗ।
lora_checkpoint_urlਵਿਕਲਪਿਕ
ਕਿਸਮstring | null
ਉਸ `.safetensors` LoRA ਚੈਕਪੌਇੰਟ ਦਾ ਵਿਕਲਪਿਕ URL, ਜਿਸ ਤੋਂ ਮੁੜ ਸ਼ੁਰੂ ਕਰਨਾ ਹੈ।
pre_encodeਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟfalse
LoRA ਦੀ ਟ੍ਰੇਨਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਆਡੀਓ ਆਰਕਾਈਵ ਨੂੰ SAME ਲੈਟੈਂਟਸ ਵਿੱਚ ਪ੍ਰੀ-ਐਨਕੋਡ ਕਰਨਾ।
ਲੋੜੀਂਦਾ

ਆਉਟਪੁੱਟ

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"
  }
}
ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ, ਤੁਹਾਡੀ ਚੋਣਹਰ outputs[].url ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਕਾਪੀ ਹੈ: ਹਮੇਸ਼ਾ ਲਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ (ਪ੍ਰਤੀ GB-ਮਹੀਨਾ ਭੁਗਤਾਨ) ਜਾਂ 7 ਦਿਨ ਤੱਕ ਮੁਫ਼ਤ, ਤੁਹਾਡੀ ਖਾਤਾ ਸੈਟਿੰਗ ਜਾਂ ?storage= ਅਨੁਸਾਰ।
ਹਰ ਮਾਡਲ ’ਤੇ ਇੱਕੋ ਜਿਹਾ ਰੂਪਤਸਵੀਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਸਭ ਲਈ type, url, content_type, width, height ਅਤੇ duration। output ਮਾਡਲ ਦਾ ਆਪਣਾ ਨਤੀਜਾ ਆਬਜੈਕਟ ਹੈ।
ਆਉਟਪੁੱਟ ਦੇ ਫ਼ੀਲਡ
lora_file
object {url, content_type, file_name, file_size}Stable Audio 3 ਲਈ ਟ੍ਰੇਨ ਕੀਤੇ LoRA ਵਜ਼ਨ।
config_file
object {url, content_type, file_name, file_size}ਟ੍ਰੇਨਿੰਗ ਰਨ ਅਤੇ ਇਨਫ਼ਰੈਂਸ ਲਈ ਅਨੁਕੂਲ ਮਾਡਲ ਦਾ ਵਰਣਨ ਕਰਨ ਵਾਲਾ JSON ਮੈਟਾਡੇਟਾ।

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/stable-audio-3-trainer.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt