# Pixal3d API

> ஒற்றைப் படத்தை, ஒவ்வொரு உருவாக்க நிலையின் மீதும் விரிவான கட்டுப்பாட்டுடன் கூடிய இழைநயமுள்ள GLB 3D மாதிரியாக மாற்றுகிறது

ஒரு படத்தைப் பெற்று, பயன்படுத்தப்பட்ட விதையுடன் GLB மாதிரியைத் திருப்பியளிக்கிறது. கட்டமைப்பு, வடிவம் மற்றும் இழைநயம் நிலைகளுக்குத் தனித்தனி வழிகாட்டல், அளவுமாற்றம், படி-எண்ணிக்கை மற்றும் இரைச்சல்-அட்டவணை அமைப்புகள் உள்ளன. வெளியீட்டு `resolution` 1024 அல்லது 1536, `texture_size` 1024, 2048 அல்லது 4096, `decimation_target` 5000 முதல் 1586021 வரை உச்சிப் புள்ளி எண்ணிக்கையை அமைக்கிறது. `remesh` கட்டமைப்பியலை மீண்டும் உருவாக்குகிறது.

- Model id: `pixal3d`
- Made by: Open model
- Category: Image to 3D
- Output: 3d
- Price: from $0.30 / request (cheapest run $0.30 (300 API credits))
- Run: `POST https://api.doitong.com/v1/run/pixal3d`
- Quote: `POST https://api.doitong.com/v1/quote/pixal3d`
- Docs page: https://doitong.com/ta/developers/models/pixal3d

## Pricing

Price: **from $0.30 / request** (the lowest tier; the quote prices your exact input). Billed once per request.

Price rules (the first rule that matches the input wins; a parameter you leave out counts as its default):

- When `resolution` = 1536: $0.42 (420 API credits) / request

The full example input below costs $0.30 = 300 API credits (1 request × 300 API credits).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.com/v1/quote/pixal3d` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

Send either the canonical name or the native field name (not both). Canonical names are the same across models.

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `image_url` | `image` | string (image URL) | yes |  |  | 3D மாற்றத்திற்கான மூலப் படத்தைச் சுட்டும் URL. |
| `seed` |  | integer \| null | no |  |  | மீண்டும் உருவாக்கக்கூடிய சீரற்ற உருவாக்கத்திற்குப் பயன்படுத்தப்படும் Seed. |
| `resolution` |  | enum (integer) | no | `1024` | `1024`, `1536` | வெளியீட்டின் தெளிவுத்திறன்; இதை அதிகரித்தால் விவரம் கூடும், ஆனால் அதிக நேரம் தேவைப்படும். |
| `ss_guidance_strength` |  | number | no | `7.5` | 0 – 10 | ஆரம்ப 3D கட்டமைப்பின் துல்லியக் கட்டுப்பாடு: இதை அதிகரித்தால் கூடுதல் noise ஏற்படும் அபாயத்துடன் உள்ளீட்டுப் படத்துடன் நெருக்கமான ஒத்திசைவு கிடைக்கும். |
| `ss_guidance_rescale` |  | number | no | `0.7` | 0 – 1 | Stage 1 guidance-artifact கட்டுப்பாடு; குறைந்த அமைப்புகளில் வலுவான guidance விளைவுகளுக்கும் அதிக அமைப்புகளில் நிலையான வெளியீட்டிற்கும் இடையே சமநிலைப்படுத்துகிறது. |
| `ss_sampling_steps` |  | integer | no | `12` | 1 – 50 | ஆரம்பக் கட்டமைப்பின் denoising எண்ணிக்கை: கூடுதல் steps மூலம் கிடைக்கக்கூடிய தர மேம்பாடு மெதுவான செயலாக்கத்துடன் வருகிறது. |
| `ss_rescale_t` |  | number | no | `5` | 1 – 6 | கட்டமைப்பு-உருவாக்க noise schedule மூலம் transition கூர்மையை அமைக்கவும்; இந்த மதிப்பை அதிகரித்தால் transitions மேலும் கூர்மையாகும். |
| `shape_slat_guidance_strength` |  | number | no | `7.5` | 0 – 10 | விரிவான geometry-யின் துல்லியக் கட்டுப்பாடு: உள்ளீட்டுப் படத்துடன் அதிகமாக ஒத்திசைந்தால் கூடுதல் விவரம் கிடைக்கும், ஆனால் noise ஏற்படும் அபாயம் உள்ளது. |
| `shape_slat_guidance_rescale` |  | number | no | `0.5` | 0 – 1 | Geometry-யில் noise தெரிந்தால் இந்த அமைப்பை அதிகரிக்கவும்: shape stage-இல் வலுவான guidance காரணமான artifacts-ஐ இது குறைக்கும். |
| `shape_slat_sampling_steps` |  | integer | no | `12` | 1 – 50 | Shape-refinement denoising எண்ணிக்கை: கூடுதல் steps பயன்படுத்தும்போது மென்மையான geometry கிடைக்கலாம், ஆனால் வேகம் குறையும். |
| `shape_slat_rescale_t` |  | number | no | `3` | 1 – 6 | Shape-refinement noise schedule மூலம் geometric detail கூர்மையை அமைக்கவும்; இந்த மதிப்பை அதிகரித்தால் விவரங்கள் மேலும் கூர்மையாகும். |
| `tex_slat_guidance_strength` |  | number | no | `1` | 0 – 10 | Texture நிறத் துல்லியக் கட்டுப்பாடு: அதிக அமைப்புகளில் உள்ளீட்டுப் படத்தின் நிறங்களுடன் நெருக்கமாக ஒத்திசைவதால் vividness அதிகரிக்கும், ஆனால் oversaturation ஏற்படலாம். |
| `tex_slat_guidance_rescale` |  | number | no | `0` | 0 – 1 | Noise கொண்ட textures அல்லது color banding-ஐச் சரிசெய்ய இந்த அமைப்பை அதிகரிக்கவும்: texture stage-இல் வலுவான guidance காரணமான artifacts-ஐ இது குறைக்கும். |
| `tex_slat_sampling_steps` |  | integer | no | `12` | 1 – 50 | Textures உருவாக்கப் பயன்படுத்தப்படும் denoising steps-ன் எண்ணிக்கை. எண்ணிக்கையை அதிகரித்தால் அதிக நேரம் தேவைப்படும், ஆனால் தூய்மையான textures கிடைக்கலாம். |
| `tex_slat_rescale_t` |  | number | no | `3` | 1 – 6 | Texture-generation noise schedule மூலம் texture detail கூர்மையை அமைக்கவும்; இந்த மதிப்பை அதிகரித்தால் விவரங்கள் மேலும் கூர்மையாகும். |
| `mesh_scale` |  | number | no | `1` | 0.1 – 4 | மாதிரி பயன்படுத்தும் camera-distance மதிப்பீட்டில் தாக்கம் செலுத்த inferred mesh-ஐ அளவிடவும். |
| `max_num_tokens` |  | integer | no | `49152` | 4,096 – 131,072 | Cascaded shape sampler-க்கான HR டோக்கன் உச்சவரம்பு; அதிக அமைப்புகளில் நுணுக்கமான geometry-க்கும் குறைந்த அமைப்புகளில் memory மற்றும் processing-time சேமிப்பிற்கும் இடையே சமநிலைப்படுத்துகிறது. |
| `decimation_target` |  | integer | no | `200000` | 5,000 – 1,586,021 | Mesh சிக்கல்தன்மை இலக்கு; இறுதி முடிவுக்கான vertex எண்ணிக்கையாக வெளிப்படுத்தப்படுகிறது. இந்த இலக்கைக் குறைத்து கோப்பு அளவைக் குறைத்தால் விவரமும் குறையும். |
| `texture_size` |  | enum (integer) | no | `2048` | `1024`, `2048`, `4096` | Baking-க்கான mesh texture தெளிவுத்திறன். இந்த தெளிவுத்திறனை அதிகரித்தால் மேற்பரப்பு விவரம் நுணுக்கமாகும், ஆனால் கோப்புகள் பெரிதாகும். |
| `remesh` |  | boolean | no | `true` |  | Mesh topology-யை மறுகட்டமைத்தல்; நீண்ட செயலாக்க நேரத்திற்கு மாற்றாக சுத்தமான triangles உருவாக்குவதன் மூலம் downstream பயன்பாட்டுக்கு பொதுவாக உதவுகிறது. |
| `enable_safety_checker` |  | boolean | no | `true` |  | அழைப்பாளர் அங்கீகரிக்கப்பட்டிருந்தால், false என அமைப்பதன் மூலம் திரையிடலைத் தளர்த்தலாம். |

File parameters (`image`) take a public `https://` URL, a `data:` URI up to 10 MB, or the `file_url` of an upload from `POST /files`.

## Example input

Required parameters only:

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

A fuller example:

```json
{
  "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
}
```

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# 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/pixal3d?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image_url": "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"
```

### JavaScript

```javascript
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/pixal3d?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "image_url": "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 + ")");
```

### Python

```python
import os
import requests

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

payload = {
    "image_url": "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/pixal3d", 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"])
```

### MCP

The MCP server at `https://api.doitong.com/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "pixal3d",
      "input": {
        "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg"
      },
      "wait_seconds": 20
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "pixal3d",
  "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
    },
    "seed": 42
  },
  "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `model_glb` | object {url, content_type, file_name, file_size} | GLB format-இல் உருவாக்கப்பட்ட 3D மாதிரி. |
| `seed` | integer | உண்மையில் பயன்படுத்தப்பட்ட Seed மதிப்பு. |

## Related models

- [ReconViaGen 0.5](https://doitong.com/developers/models/reconviagen-0.5.md) (`reconviagen-0.5`): from $0.25 / request
- [Hi3D Image to 3D](https://doitong.com/developers/models/hitem3d/hi3d/image-to-3d.md) (`hitem3d/hi3d/image-to-3d`): $0.50 / run
- [Hi3D Image to 3D · v3.0](https://doitong.com/developers/models/hitem3d/hi3d/v3.0/image-to-3d.md) (`hitem3d/hi3d/v3.0/image-to-3d`): from $1.80 / run
- [Hi3D Multiview to 3D · Multi View to 3D](https://doitong.com/developers/models/hitem3d/hi3d/multi-view-to-3d.md) (`hitem3d/hi3d/multi-view-to-3d`): $0.50 / run
- [Hi3D Multiview to 3D · v3.0 · Multi View to 3D](https://doitong.com/developers/models/hitem3d/hi3d/v3.0/multi-view-to-3d.md) (`hitem3d/hi3d/v3.0/multi-view-to-3d`): from $1.80 / run
- [Hunyuan 3D Pro Image to 3D](https://doitong.com/developers/models/hunyuan-3d/v3.1/pro/image-to-3d.md) (`hunyuan-3d/v3.1/pro/image-to-3d`): $0.375 / run
- [Hunyuan 3D Rapid Image to 3D](https://doitong.com/developers/models/hunyuan-3d/v3.1/rapid/image-to-3d.md) (`hunyuan-3d/v3.1/rapid/image-to-3d`): from $0.225 / request
- [Hunyuan World · Image to World](https://doitong.com/developers/models/hunyuan_world/image-to-world.md) (`hunyuan_world/image-to-world`): $0.30 / request

## Links

- HTML page: https://doitong.com/developers/models/pixal3d
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=pixal3d
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/pixal3d