رفتن به محتوا

Stable Audio 3 Medium Base Text to Audio

یکپارچه‌سازی

شناسه مدل stable-audio-3/medium/base/text-to-audio
# 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/medium/base/text-to-audio?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  }'

# 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"

این درخواست: ⁨‎$۰٫۰۴۸⁩ ۴۸ اعتبار API · ≈ ⁨‎₽۵٫۰۳⁩ اجرای آن در این صفحه

دریافت کلید API
Stability AI صوت ۱–۳۸۰ ثانیه #music#audio#stereo

متن‌به‌صوت Medium با چک‌پوینت پایه برای گردش‌کارهای تنظیم دقیق، کلیپ‌هایی تا 380 ثانیه

Stability AI · صوت

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی

متنی که محتوای صوتی موردنظر را مشخص می‌کند.

پیش‌فرض 30

طول صوت برحسب ثانیه، با حداکثر 380 ثانیه برای مدل متوسط (تقریباً 6 دقیقه و 20 ثانیه).

پیشرفته negative_prompt · output_format · bitrate · num_inference_steps · guidance_scale · seed · enable_prompt_expansion · enable_safety_checker
پیش‌فرض

متنی که ویژگی‌های ناخواسته در خروجی را مشخص می‌کند.

output_format پیش‌فرض mp3

قالب محفظهٔ صوت حاصل.

پیش‌فرض 192k

بیت‌ریت صوت خروجی که هنگام استفاده از wav یا flac نادیده گرفته می‌شود، زیرا بدون افت هستند. برای قالب‌های فشرده مانند mp3، aac یا opus، مقداری به‌شکل '192k' یا '320k' ارائه کنید.

پیش‌فرض 50

تعداد گام‌های نمونه‌برداری؛ هنگام استفاده از نقاط بررسی پایه (غیرتقطیرشده)، حدود 50 گام برای کیفیت خوب مناسب است.

پیش‌فرض 7

قدرت راهنمایی بدون طبقه‌بند؛ برای نقاط بررسی پایه، مقدار اولیهٔ حدود 7.0 توصیه می‌شود. افزایش آن باعث می‌شود تولید بیشتر به پرامپت پایبند باشد.

بذر مولد تصادفی برای نتایج تکرارپذیر؛ حذف آن یک بذر تصادفی انتخاب می‌کند.

POST /run/stable-audio-3/medium/base/text-to-audio?wait=20 قیمت → ⁨‎$۰٫۰۴۸⁩
# 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/medium/base/text-to-audio?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  }'

# 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"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Stable Audio 3 Medium Base Text to Audio

از یک `prompt` متنی صوت تولید می‌کند و برای دور شدن از ویژگی‌های ناخواسته، `negative_prompt` اختیاری دارد. `duration` بین 1 تا 380 ثانیه است. چون چک‌پوینت پایهٔ غیرتقطیرشده است، به‌طور پیش‌فرض 50 گام نمونه‌برداری و مقیاس هدایت 7 دارد و هدایت تا 25 پذیرفته می‌شود. قالب‌های خروجی شامل mp3، wav، flac، ogg، opus، m4a و aac هستند.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
negative_promptاختیاری
نوعstring
پیش‌فرض
متنی که ویژگی‌های ناخواسته در خروجی را مشخص می‌کند.
durationاختیاری
نوعnumber
پیش‌فرض30
۱ – ۳۸۰
طول صوت برحسب ثانیه، با حداکثر 380 ثانیه برای مدل متوسط (تقریباً 6 دقیقه و 20 ثانیه).
num_inference_stepsاختیاری
نوعinteger
پیش‌فرض50
۱ – ۱۰۰
تعداد گام‌های نمونه‌برداری؛ هنگام استفاده از نقاط بررسی پایه (غیرتقطیرشده)، حدود 50 گام برای کیفیت خوب مناسب است.
guidance_scaleاختیاری
نوعnumber
پیش‌فرض7
۰ – ۲۵
قدرت راهنمایی بدون طبقه‌بند؛ برای نقاط بررسی پایه، مقدار اولیهٔ حدود 7.0 توصیه می‌شود. افزایش آن باعث می‌شود تولید بیشتر به پرامپت پایبند باشد.
seedاختیاری
نوعinteger | null
بذر مولد تصادفی برای نتایج تکرارپذیر؛ حذف آن یک بذر تصادفی انتخاب می‌کند.
enable_prompt_expansionاختیاری
نوعboolean
پیش‌فرضfalse
گسترش پرامپت با استفاده از LLM هنگام فعال‌بودن، برای افزودن جزئیات و بهبود کیفیت نتیجه.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
بررسی ایمنی برای محتوای NSFW.
output_formatاختیاری
نوعenum
پیش‌فرضmp3
mp3wavflacoggopusm4aaac
قالب محفظهٔ صوت حاصل.
bitrateاختیاری
نوعstring
پیش‌فرض192k
بیت‌ریت صوت خروجی که هنگام استفاده از wav یا flac نادیده گرفته می‌شود، زیرا بدون افت هستند. برای قالب‌های فشرده مانند mp3، aac یا opus، مقداری به‌شکل '192k' یا '320k' ارائه کنید.
promptالزامی
نوعstring
متنی که محتوای صوتی موردنظر را مشخص می‌کند.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "stable-audio-3/medium/base/text-to-audio",
  "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": 48,
    "usd": "0.048",
    "charged": 48,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "seed": 42,
    "prompt": "string"
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "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"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size}کلیپ صوتی تولیدشده.
seed
integerseed کنترل‌کننده تصادفی‌بودن هنگام تولید.
prompt
stringپرامپتی که برای تولید خروجی استفاده شده است.

مدل‌های بیشتر: صوت

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/stable-audio-3/medium/base/text-to-audio.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt