ข้ามไปยังเนื้อหา

Stable Audio 3 · Medium · Text to Audio

ผสานการทำงาน

ID โมเดล stable-audio-3/medium/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.com/v1/run/stable-audio-3/medium/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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

คำขอนี้: $0.038 38 เครดิต API เรียกใช้ในหน้านี้

รับคีย์ API
Stability AI เสียง 1–380 s #music#audio#stereo

การแปลงข้อความเป็นเสียงของ Medium แบบกลั่น โดยมีค่าเริ่มต้นที่รวดเร็วเพียง 8 ขั้นตอน และรองรับคลิปสูงสุด 380 วินาที

Stability AI · เสียง

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น

ข้อความที่ระบุเนื้อหาเสียงที่ต้องการ

ค่าเริ่มต้น 30

ความยาวเสียงเป็นวินาที โดยโมเดลขนาดกลางมีค่าสูงสุด 380 วินาที (ประมาณ 6 นาที 20 วินาที)

ขั้นสูง negative_prompt · output_format · bitrate · num_inference_steps · guidance_scale · seed · enable_prompt_expansion · enable_safety_checker
ค่าเริ่มต้น

ข้อความที่ระบุคุณสมบัติที่ไม่ต้องการในเอาต์พุต

output_format ค่าเริ่มต้น mp3

รูปแบบคอนเทนเนอร์ที่ใช้สำหรับเสียงผลลัพธ์

ค่าเริ่มต้น 192k

บิตเรตเสียงเอาต์พุต ซึ่งจะถูกละเว้นเมื่อใช้ wav หรือ flac เนื่องจากเป็นรูปแบบไม่สูญเสียข้อมูล สำหรับรูปแบบบีบอัด เช่น mp3, aac หรือ opus ให้ระบุค่าในรูปแบบ '192k' หรือ '320k'

ค่าเริ่มต้น 8

จำนวนรอบการสุ่มตัวอย่าง โดยมีค่าเริ่มต้นเป็น 8 เนื่องจากเช็กพอยต์แบบกลั่นและฝึกเพิ่มเติมให้คุณภาพที่ดีอยู่แล้วที่ค่านี้ การเพิ่มรอบมีประโยชน์เพียงเล็กน้อย

ค่าเริ่มต้น 1

ความเข้มของคำแนะนำแบบ classifier-free สำหรับเช็กพอยต์พื้นฐานเท่านั้น เช็กพอยต์แบบกลั่นจะไม่ได้รับผลกระทบ สำหรับเช็กพอยต์ที่รองรับ การเพิ่มค่านี้จะทำให้ยึดตามพรอมต์มากขึ้น

ซีดตัวสร้างแบบสุ่มสำหรับผลลัพธ์ที่ทำซ้ำได้ หากไม่ระบุ ระบบจะเลือกซีดแบบสุ่ม

POST /run/stable-audio-3/medium/text-to-audio?wait=20 ใบเสนอราคา → $0.038
# 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/medium/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.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 · Medium · Text to Audio

สร้างเสียงจาก `prompt` ที่เป็นข้อความ โดยมี `negative_prompt` เป็นตัวเลือก รุ่นย่อยที่ผ่านการฝึกเพิ่มเติมนี้มีค่าเริ่มต้น 8 ขั้นตอนการสุ่มตัวอย่าง และได้ประโยชน์เพียงเล็กน้อยจากการเพิ่มจำนวนขั้นตอน ระดับการชี้นำมีค่าเริ่มต้นเป็น 1 เนื่องจากมีผลเฉพาะกับเช็กพอยต์พื้นฐานเท่านั้น `duration` มีค่าตั้งแต่ 1 ถึง 380 วินาที เลือกเอาต์พุต mp3, wav, flac, ogg, opus, m4a หรือ aac ได้

พารามิเตอร์

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
negative_promptไม่บังคับ
ประเภทstring
ค่าเริ่มต้น
ข้อความที่ระบุคุณสมบัติที่ไม่ต้องการในเอาต์พุต
durationไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น30
1 – 380
ความยาวเสียงเป็นวินาที โดยโมเดลขนาดกลางมีค่าสูงสุด 380 วินาที (ประมาณ 6 นาที 20 วินาที)
num_inference_stepsไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น8
1 – 100
จำนวนรอบการสุ่มตัวอย่าง โดยมีค่าเริ่มต้นเป็น 8 เนื่องจากเช็กพอยต์แบบกลั่นและฝึกเพิ่มเติมให้คุณภาพที่ดีอยู่แล้วที่ค่านี้ การเพิ่มรอบมีประโยชน์เพียงเล็กน้อย
guidance_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0 – 25
ความเข้มของคำแนะนำแบบ classifier-free สำหรับเช็กพอยต์พื้นฐานเท่านั้น เช็กพอยต์แบบกลั่นจะไม่ได้รับผลกระทบ สำหรับเช็กพอยต์ที่รองรับ การเพิ่มค่านี้จะทำให้ยึดตามพรอมต์มากขึ้น
seedไม่บังคับ
ประเภทinteger | null
ซีดตัวสร้างแบบสุ่มสำหรับผลลัพธ์ที่ทำซ้ำได้ หากไม่ระบุ ระบบจะเลือกซีดแบบสุ่ม
enable_prompt_expansionไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นfalse
การขยายพรอมต์โดยใช้ LLM เมื่อเปิดใช้ ซึ่งจะเพิ่มรายละเอียดและปรับปรุงคุณภาพผลลัพธ์
enable_safety_checkerไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
การตรวจสอบความปลอดภัยสำหรับเนื้อหา NSFW
output_formatไม่บังคับ
ประเภทenum
ค่าเริ่มต้นmp3
mp3wavflacoggopusm4aaac
รูปแบบคอนเทนเนอร์ที่ใช้สำหรับเสียงผลลัพธ์
bitrateไม่บังคับ
ประเภทstring
ค่าเริ่มต้น192k
บิตเรตเสียงเอาต์พุต ซึ่งจะถูกละเว้นเมื่อใช้ wav หรือ flac เนื่องจากเป็นรูปแบบไม่สูญเสียข้อมูล สำหรับรูปแบบบีบอัด เช่น mp3, aac หรือ opus ให้ระบุค่าในรูปแบบ '192k' หรือ '320k'
promptจำเป็น
ประเภทstring
ข้อความที่ระบุเนื้อหาเสียงที่ต้องการ
จำเป็น

เอาต์พุต

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "stable-audio-3/medium/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": 38,
    "usd": "0.038",
    "charged": 38,
    "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.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
audio
object {url, content_type, file_name, file_size}คลิปเสียงที่สร้างจากการสร้าง
seed
integerซีดที่ควบคุมความสุ่มระหว่างการสร้าง
prompt
stringพรอมต์ที่ใช้สร้างเอาต์พุต

โมเดลเพิ่มเติม: เสียง

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