ข้ามไปยังเนื้อหา

Stable Audio 3 Trainer

ผสานการทำงาน

ID โมเดล 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"

ไฟล์เช่นเดียวกับตัวอย่าง: $3.00 3,000 เครดิต API ไฟล์ของคุณจะถูกวัดก่อนเรียกใช้ เรียกใช้ในหน้านี้

รับคีย์ API
Stability AI การฝึกโมเดล 1–380 s #music#audio#sfx#lora

ฝึก LoRA บน Stable Audio 3 จากไฟล์ zip ของคลิปเสียงที่มีคำบรรยายข้อความตรงกัน

Stability AI · ไฟล์

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น

URL ของไฟล์ zip ชุดข้อมูล โดยจัดเก็บคู่เสียง/คำบรรยายแต่ละคู่ไว้ด้วยกันภายใต้ชื่อพื้นฐานที่ตรงกัน เช่น `clip.wav` จับคู่กับ `clip.txt` คำบรรยายต้องใช้นามสกุล `.txt`

ค่าเริ่มต้น 1000

จำนวนขั้นตอนสำหรับการฝึก LoRA

ระยะเวลาการครอป/แพดเป็นวินาที ซึ่งถูกจำกัดในทุกกรณีด้วยความยาวการฝึกดั้งเดิมของโมเดลที่เลือก ระบุความยาวหรือเว้นไว้เพื่อใช้คลิปที่ยาวที่สุดที่ตรวจพบในชุดข้อมูล โดยอยู่ภายใต้ขีดจำกัดดังกล่าว

ค่าเริ่มต้น 1

ขนาดแบตช์ที่ใช้ระหว่างการฝึก

ขั้นสูง model · base_precision · adapter_type · lora_checkpoint_url · learning_rate · rank · seed · pre_encode · include · exclude
model ค่าเริ่มต้น medium-base

เช็กพอยต์พื้นฐานสำหรับการปรับแต่ง Stable Audio 3

base_precision ค่าเริ่มต้น bf16

ความแม่นยำที่ใช้กับน้ำหนักพื้นฐานที่ตรึงไว้ ส่วนพารามิเตอร์ LoRA ยังคงเป็น fp32

ค่าเริ่มต้น dora-rows

ตระกูลอะแดปเตอร์ที่ใช้สำหรับการฝึก LoRA

URL เสริมของเช็กพอยต์ LoRA `.safetensors` สำหรับดำเนินการต่อ

ค่าเริ่มต้น 0.0001

อัตราการเรียนรู้ที่ AdamW ใช้กับพารามิเตอร์ LoRA

ค่าเริ่มต้น 16

อันดับของอะแดปเตอร์ LoRA

ค่าเริ่มต้น 42

ซีดสำหรับการสุ่ม

ส่วนของชื่อโมดูลที่จำกัดตำแหน่งการเพิ่ม LoRA โดยจะใช้กับโมดูลที่ตรงกันเท่านั้น

ส่วนของชื่อที่ใช้ยกเว้นโมดูลที่ตรงกัน

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

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ Stable Audio 3 Trainer

ปรับแต่งละเอียดเช็กพอยต์พื้นฐาน (medium-base, small-music-base หรือ small-sfx-base) จากไฟล์ zip `audio_data_url` ซึ่งไฟล์เสียงแต่ละไฟล์มีคำบรรยาย `.txt` ที่ใช้ชื่อเดียวกัน คุณสามารถปรับ `number_of_steps` (สูงสุด 20000), `learning_rate`, `rank` (1 ถึง 256), `adapter_type` และ `batch_size` หรือดำเนินการต่อจากเช็กพอยต์ `.safetensors` ส่งคืนค่าน้ำหนัก LoRA และไฟล์ config

พารามิเตอร์

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
audio_data_urlจำเป็น
ประเภทstring
URL ของไฟล์ zip ชุดข้อมูล โดยจัดเก็บคู่เสียง/คำบรรยายแต่ละคู่ไว้ด้วยกันภายใต้ชื่อพื้นฐานที่ตรงกัน เช่น `clip.wav` จับคู่กับ `clip.txt` คำบรรยายต้องใช้นามสกุล `.txt`
modelไม่บังคับ
ประเภทenum
ค่าเริ่มต้นmedium-base
medium-basesmall-music-basesmall-sfx-base
เช็กพอยต์พื้นฐานสำหรับการปรับแต่ง Stable Audio 3
number_of_stepsไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น1000
1 – 20,000
จำนวนขั้นตอนสำหรับการฝึก LoRA
learning_rateไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.0001
≤ 0.01> 0
อัตราการเรียนรู้ที่ AdamW ใช้กับพารามิเตอร์ LoRA
rankไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น16
1 – 256
อันดับของอะแดปเตอร์ LoRA
adapter_typeไม่บังคับ
ประเภทenum
ค่าเริ่มต้นdora-rows
loradoradora-rowsdora-colsboralora-xsdora-rows-xsdora-cols-xsbora-xs
ตระกูลอะแดปเตอร์ที่ใช้สำหรับการฝึก LoRA
durationไม่บังคับ
ประเภทnumber | null
1 – 380
ระยะเวลาการครอป/แพดเป็นวินาที ซึ่งถูกจำกัดในทุกกรณีด้วยความยาวการฝึกดั้งเดิมของโมเดลที่เลือก ระบุความยาวหรือเว้นไว้เพื่อใช้คลิปที่ยาวที่สุดที่ตรวจพบในชุดข้อมูล โดยอยู่ภายใต้ขีดจำกัดดังกล่าว
batch_sizeไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น1
1 – 8
ขนาดแบตช์ที่ใช้ระหว่างการฝึก
seedไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น42
0 – 2,147,483,647
ซีดสำหรับการสุ่ม
base_precisionไม่บังคับ
ประเภทenum
ค่าเริ่มต้นbf16
bf16bfloat16fp16float16
ความแม่นยำที่ใช้กับน้ำหนักพื้นฐานที่ตรึงไว้ ส่วนพารามิเตอร์ LoRA ยังคงเป็น fp32
includeไม่บังคับ
ประเภทstring[]
ส่วนของชื่อโมดูลที่จำกัดตำแหน่งการเพิ่ม LoRA โดยจะใช้กับโมดูลที่ตรงกันเท่านั้น
excludeไม่บังคับ
ประเภทstring[]
ส่วนของชื่อที่ใช้ยกเว้นโมดูลที่ตรงกัน
lora_checkpoint_urlไม่บังคับ
ประเภทstring | null
URL เสริมของเช็กพอยต์ LoRA `.safetensors` สำหรับดำเนินการต่อ
pre_encodeไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นfalse
การเข้ารหัสไฟล์เก็บเสียงล่วงหน้าเป็น latent แบบ SAME ก่อนการฝึก LoRA
จำเป็น

เอาต์พุต

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"
  }
}
ไฟล์ของคุณ คุณเลือกเองทุก outputs[].url คือสำเนาบนพื้นที่จัดเก็บของเรา: เก็บไว้ตลอดไป (คิดค่าบริการต่อ GB-เดือน) หรือฟรี 7 วัน โดยกำหนดได้ในการตั้งค่าบัญชีหรือ ?storage=
รูปแบบเดียวกันในทุกโมเดลtype, url, content_type, width, height และ duration สำหรับภาพ วิดีโอ และเสียงเหมือนกันทั้งหมด ส่วน output คือออบเจ็กต์ผลลัพธ์ของโมเดลเอง
ฟิลด์ของเอาต์พุต
lora_file
object {url, content_type, file_name, file_size}น้ำหนัก LoRA ที่ฝึกสำหรับ Stable Audio 3
config_file
object {url, content_type, file_name, file_size}ข้อมูลเมตา JSON ที่อธิบายการรันการฝึกและโมเดลที่เข้ากันได้สำหรับการอนุมาน

สำหรับเอเจนต์ AI: หน้า Markdown นี้อยู่ที่ https://doitong.com/th/developers/models/stable-audio-3-trainer.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt