কনটেন্টে যান

Stable Audio 3 Trainer

ইন্টিগ্রেট করুন

মডেল 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.ru/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.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

উদাহরণের মতো ফাইল: ৩.০০$ ৩,০০০ API ক্রেডিট · ≈ ৩১৪.১০₽ চালানোর আগে আপনার ফাইল মাপা হয় এই পেজে চালান

API কী পান
Stability AI প্রশিক্ষণ ১–৩৮০ s #music#audio#sfx#lora

মিলযুক্ত টেক্সট ক্যাপশনসহ অডিও ক্লিপের zip থেকে Stable Audio 3-এ একটি LoRA ট্রেন করে

Stability AI · ফাইল

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক

ডেটাসেট zip URL; প্রতিটি অডিও/ক্যাপশন জোড়া একই বেসনেমের অধীনে একসঙ্গে সংরক্ষিত থাকবে: উদাহরণস্বরূপ, `clip.wav`-এর জোড়া `clip.txt`। ক্যাপশনে অবশ্যই `.txt` এক্সটেনশন ব্যবহার করতে হবে।

ডিফল্ট 1000

LoRA ট্রেনিংয়ের ধাপের সংখ্যা।

সেকেন্ডে ক্রপ/প্যাডের সময়কাল, যা সব ক্ষেত্রেই নির্বাচিত মডেলের নেটিভ ট্রেনিং দৈর্ঘ্য দ্বারা সীমাবদ্ধ। একটি দৈর্ঘ্য সরবরাহ করুন অথবা সেটি বাদ দিন, যাতে ডেটাসেটে শনাক্ত করা দীর্ঘতম ক্লিপ ব্যবহার করা হয়—তবে ওই সীমার মধ্যে।

ডিফল্ট 1

ট্রেনিংয়ে ব্যবহৃত ব্যাচের আকার।

অ্যাডভান্সড model · base_precision · adapter_type · lora_checkpoint_url · learning_rate · rank · seed · pre_encode · include · exclude
model ডিফল্ট medium-base

Stable Audio 3 ফাইন-টিউন করার বেস চেকপয়েন্ট।

base_precision ডিফল্ট bf16

ফ্রোজেন বেস ওয়েটসে ব্যবহৃত নির্ভুলতা; LoRA প্যারামিটার fp32-এ থাকে।

ডিফল্ট dora-rows

LoRA ট্রেনিংয়ে ব্যবহৃত অ্যাডাপ্টার ফ্যামিলি।

যেখান থেকে পুনরায় শুরু করা হবে এমন একটি `.safetensors` LoRA চেকপয়েন্টের ঐচ্ছিক URL।

ডিফল্ট 0.0001

LoRA প্যারামিটারে AdamW দ্বারা প্রয়োগ করা লার্নিং রেট।

ডিফল্ট 16

LoRA অ্যাডাপ্টারের র‍্যাঙ্ক।

ডিফল্ট 42

র‍্যান্ডমাইজেশনের সিড।

মডিউল-নামের সাবস্ট্রিং, যা LoRA কোথায় যোগ হবে তা সীমিত করে: শুধু মিলে যাওয়া মডিউলগুলো এটি পায়।

মিলে যাওয়া মডিউল বাদ দিতে ব্যবহৃত নামের সাবস্ট্রিং।

POST /run/stable-audio-3-trainer?wait=20 মূল্য → ৩.০০$
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/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.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Stable Audio 3 Trainer সম্পর্কে

একটি `audio_data_url` zip-এর ওপর বেস চেকপয়েন্ট (medium-base, small-music-base বা small-sfx-base) ফাইন-টিউন করে, যেখানে প্রতিটি অডিও ফাইলের একই নামের `.txt` ক্যাপশন থাকে। `number_of_steps` (সর্বোচ্চ 20000), `learning_rate`, `rank` (1 থেকে 256), `adapter_type` এবং `batch_size` সমন্বয় করা যায়, অথবা একটি `.safetensors` চেকপয়েন্ট থেকে পুনরায় শুরু করা যায়। LoRA ওজন এবং একটি কনফিগ ফাইল ফেরত দেয়।

প্যারামিটার

নামধরন ডিফল্টঅনুমোদিত বিবরণ
audio_data_urlআবশ্যক
ধরনstring
ডেটাসেট zip URL; প্রতিটি অডিও/ক্যাপশন জোড়া একই বেসনেমের অধীনে একসঙ্গে সংরক্ষিত থাকবে: উদাহরণস্বরূপ, `clip.wav`-এর জোড়া `clip.txt`। ক্যাপশনে অবশ্যই `.txt` এক্সটেনশন ব্যবহার করতে হবে।
modelঐচ্ছিক
ধরনenum
ডিফল্টmedium-base
medium-basesmall-music-basesmall-sfx-base
Stable Audio 3 ফাইন-টিউন করার বেস চেকপয়েন্ট।
number_of_stepsঐচ্ছিক
ধরনinteger
ডিফল্ট1000
১ – ২০,০০০
LoRA ট্রেনিংয়ের ধাপের সংখ্যা।
learning_rateঐচ্ছিক
ধরনnumber
ডিফল্ট0.0001
≤ ০.০১> ০
LoRA প্যারামিটারে AdamW দ্বারা প্রয়োগ করা লার্নিং রেট।
rankঐচ্ছিক
ধরনinteger
ডিফল্ট16
১ – ২৫৬
LoRA অ্যাডাপ্টারের র‍্যাঙ্ক।
adapter_typeঐচ্ছিক
ধরনenum
ডিফল্টdora-rows
loradoradora-rowsdora-colsboralora-xsdora-rows-xsdora-cols-xsbora-xs
LoRA ট্রেনিংয়ে ব্যবহৃত অ্যাডাপ্টার ফ্যামিলি।
durationঐচ্ছিক
ধরনnumber | null
১ – ৩৮০
সেকেন্ডে ক্রপ/প্যাডের সময়কাল, যা সব ক্ষেত্রেই নির্বাচিত মডেলের নেটিভ ট্রেনিং দৈর্ঘ্য দ্বারা সীমাবদ্ধ। একটি দৈর্ঘ্য সরবরাহ করুন অথবা সেটি বাদ দিন, যাতে ডেটাসেটে শনাক্ত করা দীর্ঘতম ক্লিপ ব্যবহার করা হয়—তবে ওই সীমার মধ্যে।
batch_sizeঐচ্ছিক
ধরনinteger
ডিফল্ট1
১ – ৮
ট্রেনিংয়ে ব্যবহৃত ব্যাচের আকার।
seedঐচ্ছিক
ধরনinteger
ডিফল্ট42
০ – ২,১৪,৭৪,৮৩,৬৪৭
র‍্যান্ডমাইজেশনের সিড।
base_precisionঐচ্ছিক
ধরনenum
ডিফল্টbf16
bf16bfloat16fp16float16
ফ্রোজেন বেস ওয়েটসে ব্যবহৃত নির্ভুলতা; LoRA প্যারামিটার fp32-এ থাকে।
includeঐচ্ছিক
ধরনstring[]
মডিউল-নামের সাবস্ট্রিং, যা LoRA কোথায় যোগ হবে তা সীমিত করে: শুধু মিলে যাওয়া মডিউলগুলো এটি পায়।
excludeঐচ্ছিক
ধরনstring[]
মিলে যাওয়া মডিউল বাদ দিতে ব্যবহৃত নামের সাবস্ট্রিং।
lora_checkpoint_urlঐচ্ছিক
ধরনstring | null
যেখান থেকে পুনরায় শুরু করা হবে এমন একটি `.safetensors` LoRA চেকপয়েন্টের ঐচ্ছিক URL।
pre_encodeঐচ্ছিক
ধরনboolean
ডিফল্টfalse
LoRA ট্রেনিংয়ের আগে অডিও আর্কাইভকে SAME ল্যাটেন্টে প্রি-এনকোড করা।
আবশ্যক

আউটপুট

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.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
lora_file
object {url, content_type, file_name, file_size}Stable Audio 3-এর জন্য ট্রেন করা LoRA ওয়েট।
config_file
object {url, content_type, file_name, file_size}ট্রেনিং রান এবং ইনফারেন্সের জন্য সামঞ্জস্যপূর্ণ মডেল বর্ণনাকারী JSON মেটাডেটা।

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/stable-audio-3-trainer.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt