Leum chun t-susbaint

Stable Audio 3 Trainer

Amalaich

ID a’ mhodail 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"

Faidhlichean mar an eisimpleir: $3.00 3,000 creideasan API · ≈ ₽316.39 thèid na faidhlichean agad a thomhas ron ruith Ruith e air an duilleig seo

Faigh iuchair API
Stability AI Trèanadh 1–380 s #music#audio#sfx#lora

Trèanaichidh e LoRA air Stable Audio 3 à zip de chriomagan fuaim le fo-thiotalan teacsa co-fhreagarrach

Stability AI · Faidhle

Thèid a’ chiad toradh agad an-seo

Tog iarrtas gu h-ìosal agus ruith e leis an iuchair API agad. Tha na h-às-churan air an lethbhreacadh dhan stòradh againn, air an cumail gu bràth no 7 latha an-asgaidh.

Tog iarrtas

Tha na smachdan air an cruthachadh bho sgeama a’ mhodail. Bidh an còd agus a’ phrìs ag ùrachadh fhad ’s a dh’atharraicheas tu iad.

•riatanach

URL zip an t-seata-dàta, le gach paidhir claisneachd/captions air a stòradh còmhla fo bhun-ainmean co-ionnan: bidh `clip.wav` a’ paidreachadh le `clip.txt`, mar eisimpleir. Feumaidh captions an leudachan `.txt` a chleachdadh.

bun-roghainn 1000

Cunntas cheumannan airson trèanadh LoRA.

Fad bàrradh/padadh ann an diogan, air a chuingealachadh anns gach cùis le fad trèanaidh dùthchasach a’ mhodail a chaidh a thaghadh. Thoir seachad fad no fàg air falbh e gus a’ chriomag as fhaide a lorgar san t-seata-dàta a chleachdadh, taobh a-staigh na crìche sin.

bun-roghainn 1

Meud a’ bhaidse a thathar a’ cleachdadh rè trèanadh.

Adhartach model · base_precision · adapter_type · lora_checkpoint_url · learning_rate · rank · seed · pre_encode · include · exclude
model bun-roghainn medium-base

Checkpoint bunaiteach airson Stable Audio 3 a ghleusadh.

base_precision bun-roghainn bf16

Mionaideachd a thathar a’ cleachdadh leis na cuideaman bunaiteach reòta; fuirichidh paramadairean LoRA aig fp32.

bun-roghainn dora-rows

Teaghlach an adapter a thathar a’ cleachdadh airson trèanadh LoRA.

URL roghainneil de checkpoint LoRA `.safetensors` às an tèid leantainn air adhart.

bun-roghainn 0.0001

Ìre ionnsachaidh a chuireas AdamW an sàs ann am paramadairean LoRA.

bun-roghainn 16

Rang an adapter LoRA.

bun-roghainn 42

Sìol airson taghadh air thuaiream.

Fo-theudan ainmean mhodalan a chuireas casg air far an tèid LoRA a chur ris: chan fhaigh ach modalan a tha a’ maidseadh e.

Fo-theudan ainmean a thathar a’ cleachdadh gus modalan a tha a’ maidseadh a chur a-mach.

POST /run/stable-audio-3-trainer?wait=20 tuairmse → $3.00
# 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"

Ruith an t-iarrtas seo

Fuirichidh an iuchair agad sa bhrobhsair seo: thèid a cur chun Doitong API a-mhàin agus a sàbhaladh (localStorage) a-mhàin ma chuireas tu comharra ri Cuimhnich. Faigh iuchair API

Mu Stable Audio 3 Trainer

Dèan gleusadh grinn air checkpoint bunaiteach (medium-base, small-music-base no small-sfx-base) ann an zip `audio_data_url`, far a bheil fo-thiotal `.txt` leis an aon ainm aig gach faidhle fuaim. Faodaidh tu `number_of_steps` (suas ri 20000), `learning_rate`, `rank` (1 gu 256), `adapter_type` agus `batch_size` atharrachadh, no leantainn air adhart bho checkpoint `.safetensors`. Tillidh e cuideaman LoRA agus faidhle rèiteachaidh.

Paramadairean

AinmSeòrsa Bun-roghainnCeadaichte Tuairisgeul
audio_data_urlriatanach
Seòrsastring
URL zip an t-seata-dàta, le gach paidhir claisneachd/captions air a stòradh còmhla fo bhun-ainmean co-ionnan: bidh `clip.wav` a’ paidreachadh le `clip.txt`, mar eisimpleir. Feumaidh captions an leudachan `.txt` a chleachdadh.
modelroghainneil
Seòrsaenum
Bun-roghainnmedium-base
medium-basesmall-music-basesmall-sfx-base
Checkpoint bunaiteach airson Stable Audio 3 a ghleusadh.
number_of_stepsroghainneil
Seòrsainteger
Bun-roghainn1000
1 – 20,000
Cunntas cheumannan airson trèanadh LoRA.
learning_rateroghainneil
Seòrsanumber
Bun-roghainn0.0001
≤ 0.01> 0
Ìre ionnsachaidh a chuireas AdamW an sàs ann am paramadairean LoRA.
rankroghainneil
Seòrsainteger
Bun-roghainn16
1 – 256
Rang an adapter LoRA.
adapter_typeroghainneil
Seòrsaenum
Bun-roghainndora-rows
loradoradora-rowsdora-colsboralora-xsdora-rows-xsdora-cols-xsbora-xs
Teaghlach an adapter a thathar a’ cleachdadh airson trèanadh LoRA.
durationroghainneil
Seòrsanumber | null
1 – 380
Fad bàrradh/padadh ann an diogan, air a chuingealachadh anns gach cùis le fad trèanaidh dùthchasach a’ mhodail a chaidh a thaghadh. Thoir seachad fad no fàg air falbh e gus a’ chriomag as fhaide a lorgar san t-seata-dàta a chleachdadh, taobh a-staigh na crìche sin.
batch_sizeroghainneil
Seòrsainteger
Bun-roghainn1
1 – 8
Meud a’ bhaidse a thathar a’ cleachdadh rè trèanadh.
seedroghainneil
Seòrsainteger
Bun-roghainn42
0 – 2,147,483,647
Sìol airson taghadh air thuaiream.
base_precisionroghainneil
Seòrsaenum
Bun-roghainnbf16
bf16bfloat16fp16float16
Mionaideachd a thathar a’ cleachdadh leis na cuideaman bunaiteach reòta; fuirichidh paramadairean LoRA aig fp32.
includeroghainneil
Seòrsastring[]
Fo-theudan ainmean mhodalan a chuireas casg air far an tèid LoRA a chur ris: chan fhaigh ach modalan a tha a’ maidseadh e.
excluderoghainneil
Seòrsastring[]
Fo-theudan ainmean a thathar a’ cleachdadh gus modalan a tha a’ maidseadh a chur a-mach.
lora_checkpoint_urlroghainneil
Seòrsastring | null
URL roghainneil de checkpoint LoRA `.safetensors` às an tèid leantainn air adhart.
pre_encoderoghainneil
Seòrsaboolean
Bun-roghainnfalse
Ro-chòdachadh na tasg-lann claisneachd gu latantan SAME mus tèid an LoRA a thrèanadh.
riatanach

Toradh

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"
  }
}
Na faidhlichean agad, do roghainnTha gach outputs[].url na lethbhreac air an stòradh againn: air a chumail gu bràth (air a phàigheadh gach GB-mìos) no 7 latha an-asgaidh, a rèir suidheachadh a’ chunntais agad no ?storage=.
An aon chruth air gach modailtype, url, content_type, width, height agus duration, airson dealbhan, bhidio agus fuaim le chèile. ’S e output nì toraidh a’ mhodail fhèin.
Raointean toraidh
lora_file
object {url, content_type, file_name, file_size}Cuideaman LoRA air an trèanadh airson Stable Audio 3.
config_file
object {url, content_type, file_name, file_size}Meata-dàta JSON a’ toirt cunntas air ruith an trèanaidh agus am modail co-fhreagarrach airson co-dhùnadh.

Do riochdairean AI: tha an duilleag seo mar Markdown aig https://doitong.com/gd/developers/models/stable-audio-3-trainer.md. Na modailean agus na treòraichean uile: https://doitong.com/developers/llms.txt