Leum chun t-susbaint

Nemotron 3 Nano Omni · Audio

Amalaich

ID a’ mhodail nvidia/nemotron-3-nano-omni/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/nvidia/nemotron-3-nano-omni/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",
    "audio": "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"

Suas ri $0.622 gach ruith air a ghearradh a rèir cleachdaidh fhìor, agus an còrr air ais-phàigheadh Ruith e air an duilleig seo

Faigh iuchair API
NVIDIA Òraid gu Teacsa #nemotron#nvidia#audio-to-text#audio-understanding

A’ freagairt prompts mu chriomag fuaim (wav no mp3, suas ri 50 mionaid), agus a’ tilleadh teacsa

NVIDIA · Teacsa

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

Teacsa a chaidh a thoirt seachad mar prompt a’ mhodail; feumaidh e a bhith sa Bheurla.

Stiùireadh roghainneil don mhodail air a thoirt seachad mar prompt siostaim, le reusanachadh air fhàgail a-mach às na smachdan aige; cleachd `reasoning_mode` na àite.

•riatanach audio_url
Leig às faidhle, no

URL criomag claisneachd airson in-chur reusanachaidh; gabhaidh e ri wav no mp3 le fad nach eil nas fhaide na 50 mionaid.

bun-roghainn 1024

Crìoch àrd air tòcanan a chaidh a ghineadh.

Adhartach reasoning_mode · temperature · top_p · enable_safety_checker
reasoning_mode bun-roghainn no_think

Cruth freagairt: tha `think` a’ gabhail a-steach lorg soilleir de chainnt-reusanachaidh mus tèid am freagairt dheireannach a thaisbeanadh. Airson freagairt dhìreach gun an lorg sin, cleachd `no_think`.

bun-roghainn 0.7

Teòthachd a thèid a chleachdadh airson samplachadh; nì luachan nas lugha an às-chur nas cinntiche.

bun-roghainn 0.95

Meud coltachd a thèid a chleachdadh airson samplachadh niùclasach.

POST /run/nvidia/nemotron-3-nano-omni/audio?wait=20 tuairmse → $0.622
# 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/nvidia/nemotron-3-nano-omni/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",
    "audio": "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 Nemotron 3 Nano Omni · Audio

Gabhaidh an tionndadh fuaim `audio_url` a’ comharrachadh criomag wav no mp3 de suas ri 50 mionaid, còmhla ri `prompt` teacsa, agus tillidh e freagairt teacsa. Tha e freagarrach airson gnìomhan coltach ri tar-sgrìobhadh no ceist is freagairt mun fhuaim. Toglaidh `reasoning_mode` lorg reusanachaidh follaiseach, agus ruigidh `max_tokens` 20,000. Bu chòir na prompts a bhith sa Bheurla.

Paramadairean

Cuir an t-ainm canonical no an t-ainm dùthchasach, chan e an dà chuid. Ainmean canonical

AinmSeòrsa Bun-roghainnCeadaichte Tuairisgeul
promptriatanach
Seòrsastring
Teacsa a chaidh a thoirt seachad mar prompt a’ mhodail; feumaidh e a bhith sa Bheurla.
system_promptroghainneil
Seòrsastring | null
Stiùireadh roghainneil don mhodail air a thoirt seachad mar prompt siostaim, le reusanachadh air fhàgail a-mach às na smachdan aige; cleachd `reasoning_mode` na àite.
reasoning_moderoghainneil
Seòrsaenum
Bun-roghainnno_think
thinkno_think
Cruth freagairt: tha `think` a’ gabhail a-steach lorg soilleir de chainnt-reusanachaidh mus tèid am freagairt dheireannach a thaisbeanadh. Airson freagairt dhìreach gun an lorg sin, cleachd `no_think`.
max_tokensroghainneil
Seòrsainteger
Bun-roghainn1024
1 – 20,000
Crìoch àrd air tòcanan a chaidh a ghineadh.
temperatureroghainneil
Seòrsanumber
Bun-roghainn0.7
0 – 2
Teòthachd a thèid a chleachdadh airson samplachadh; nì luachan nas lugha an às-chur nas cinntiche.
top_proghainneil
Seòrsanumber
Bun-roghainn0.95
0 – 1
Meud coltachd a thèid a chleachdadh airson samplachadh niùclasach.
enable_safety_checkerroghainneil
Seòrsaboolean
Bun-roghainntrue
Smachd air co-dhiù a bheil sgrùdadh sàbhailteachd air a chomasachadh.
audio_urlriatanach audio
Seòrsaurl · audio
URL criomag claisneachd airson in-chur reusanachaidh; gabhaidh e ri wav no mp3 le fad nach eil nas fhaide na 50 mionaid.
riatanach Ainm canonical, gabhar ris cuideachd

Gabhaidh paramadairean faidhle ri URL poblach https://, URI data: suas ri 10 MB, no file_url de luchdachadh suas. Faidhlichean

Toradh

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "nvidia/nemotron-3-nano-omni/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": 622,
    "usd": "0.622",
    "charged": 622,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "output": "The image shows a golden retriever puppy sitting on a wooden floor.",
    "finish_reason": "stop",
    "usage": {
      "input_tokens": 1,
      "output_tokens": 1
    }
  },
  "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
output
stringTeacsa a chaidh a chruthachadh mar fhreagairt.
finish_reason
stringAdhbhar airson crìoch a chur air gineadh.
usage
object {input_tokens, output_tokens}Caitheamh tòcanan co-cheangailte ris an iarrtas.

Barrachd mhodalan: Òraid gu Teacsa

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