কনটেন্টে যান

Tada TTS 1B

ইন্টিগ্রেট করুন

মডেল id tada/1b/text-to-speech
# 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/tada/1b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

এই অনুরোধ: ০.০০৩$ ৩ API ক্রেডিট এই পেজে চালান

API কী পান

রেফারেন্স অডিও ক্লিপ থেকে ভয়েস ক্লোনিং text-to-speech, দশটি ভাষাসহ 1B ভ্যারিয়েন্ট

Open model · অডিও

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

টেক্সট হিসেবে সরবরাহ করা বক্তব্যের বিষয়বস্তু; রেফারেন্স বক্তার কণ্ঠ ব্যবহার করে এটি রেন্ডার করা হয়।

•আবশ্যক audio_url
একটি ফাইল ড্রপ করুন, অথবা

অডিও ফাইলের URL হিসেবে সরবরাহ করা ভয়েস-ক্লোনিং উৎস, যা মডেলকে যে বক্তার কণ্ঠের বৈশিষ্ট্য পুনরুৎপাদন করতে হবে তাকে শনাক্ত করে।

অ্যাডভান্সড output_format · transcript · language · num_extra_steps · temperature · top_p · repetition_penalty · acoustic_cfg_scale · noise_temperature · num_inference_steps · speed_up_factor · enable_safety_checker
output_format ডিফল্ট wav

জেনারেট করা অডিওর ফাইল ফরম্যাট।

ডিফল্ট

ইংরেজি ছাড়া অন্য ভাষার রেকর্ডিংয়ের জন্য সরবরাহ করতে হবে এমন রেফারেন্স-অডিও ট্রান্সক্রিপ্ট; স্বয়ংক্রিয় ট্রান্সক্রিপশন কেবল ইংরেজির জন্য বিল্ট-ইন।

ডিফল্ট en

টেক্সট-অ্যালাইনমেন্ট ভাষার কোড, যা ইংরেজি ছাড়া অন্য ভাষায় বক্তব্য জেনারেট করার সময় synthesis ভাষার সঙ্গে মিলতে হবে।

ডিফল্ট 0

সরবরাহ করা টেক্সটের পরেও বক্তব্য চালিয়ে ট্রেইলিং প্রোসোডি বা নীরবতা যোগ করার অতিরিক্ত autoregressive ধাপের সংখ্যা।

ডিফল্ট 0.6

টেক্সট-টোকেন স্যাম্পলিং তাপমাত্রা: এটি বাড়ালে আউটপুটের বৈচিত্র্য বাড়ে, এবং 0 বা তার কম অনুমোদিত নয়।

ডিফল্ট 0.9

টেক্সট জেনারেট করতে ব্যবহৃত Top-p (nucleus) স্যাম্পলিং সেটিং।

ডিফল্ট 1.1

আউটপুট জেনারেশনের সময় টোকেন পুনরাবৃত্তির জন্য জরিমানা।

ডিফল্ট 1.6

অ্যাকোস্টিক বৈশিষ্ট্য জেনারেট করতে ব্যবহৃত classifier-free guidance-এর শক্তি।

ডিফল্ট 0.9

flow-matching diffusion-এর সময় ব্যবহৃত নয়েজ তাপমাত্রা।

ডিফল্ট 20

flow matching-এর মাধ্যমে অ্যাকোস্টিক জেনারেট করতে ব্যবহৃত ODE solver ধাপের সংখ্যা।

ডিফল্ট 1

বক্তব্যের গতি গুণক: 1.0-এর নিচে জেনারেট করা বক্তব্য ধীর এবং 1.0-এর ওপরে দ্রুত হয়।

POST /run/tada/1b/text-to-speech?wait=20 মূল্য → ০.০০৩$
# 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/tada/1b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

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

Tada TTS 1B সম্পর্কে

`audio_url` হিসেবে দেওয়া রেফারেন্স ক্লিপের কণ্ঠে `prompt` পাঠ করে। ইংরেজি-বহির্ভূত অডিওর জন্য রেফারেন্সের `transcript` প্রয়োজন। `language` en, ar, ch, de, es, fr, it, ja, pl এবং pt সমর্থন করে। টিউনিংয়ের মধ্যে রয়েছে `speed_up_factor` (0.5 থেকে 2), `temperature`, `top_p` এবং `num_inference_steps`; আউটপুট wav অথবা mp3।

প্যারামিটার

ক্যানোনিকাল নাম অথবা নেটিভ নাম—দুটো একসঙ্গে নয়—পাঠান। ক্যানোনিকাল নামগুলো

নামধরন ডিফল্টঅনুমোদিত বিবরণ
audio_urlআবশ্যক audio
ধরনurl · audio
অডিও ফাইলের URL হিসেবে সরবরাহ করা ভয়েস-ক্লোনিং উৎস, যা মডেলকে যে বক্তার কণ্ঠের বৈশিষ্ট্য পুনরুৎপাদন করতে হবে তাকে শনাক্ত করে।
transcriptঐচ্ছিক
ধরনstring
ডিফল্ট
ইংরেজি ছাড়া অন্য ভাষার রেকর্ডিংয়ের জন্য সরবরাহ করতে হবে এমন রেফারেন্স-অডিও ট্রান্সক্রিপ্ট; স্বয়ংক্রিয় ট্রান্সক্রিপশন কেবল ইংরেজির জন্য বিল্ট-ইন।
promptআবশ্যক
ধরনstring
টেক্সট হিসেবে সরবরাহ করা বক্তব্যের বিষয়বস্তু; রেফারেন্স বক্তার কণ্ঠ ব্যবহার করে এটি রেন্ডার করা হয়।
languageঐচ্ছিক
ধরনenum
ডিফল্টen
enarchdeesfritjaplpt
টেক্সট-অ্যালাইনমেন্ট ভাষার কোড, যা ইংরেজি ছাড়া অন্য ভাষায় বক্তব্য জেনারেট করার সময় synthesis ভাষার সঙ্গে মিলতে হবে।
num_extra_stepsঐচ্ছিক
ধরনinteger
ডিফল্ট0
০ – ৫০
সরবরাহ করা টেক্সটের পরেও বক্তব্য চালিয়ে ট্রেইলিং প্রোসোডি বা নীরবতা যোগ করার অতিরিক্ত autoregressive ধাপের সংখ্যা।
temperatureঐচ্ছিক
ধরনnumber
ডিফল্ট0.6
≤ ২> ০
টেক্সট-টোকেন স্যাম্পলিং তাপমাত্রা: এটি বাড়ালে আউটপুটের বৈচিত্র্য বাড়ে, এবং 0 বা তার কম অনুমোদিত নয়।
top_pঐচ্ছিক
ধরনnumber
ডিফল্ট0.9
০ – ১
টেক্সট জেনারেট করতে ব্যবহৃত Top-p (nucleus) স্যাম্পলিং সেটিং।
repetition_penaltyঐচ্ছিক
ধরনnumber
ডিফল্ট1.1
১ – ২
আউটপুট জেনারেশনের সময় টোকেন পুনরাবৃত্তির জন্য জরিমানা।
acoustic_cfg_scaleঐচ্ছিক
ধরনnumber
ডিফল্ট1.6
০ – ১০
অ্যাকোস্টিক বৈশিষ্ট্য জেনারেট করতে ব্যবহৃত classifier-free guidance-এর শক্তি।
noise_temperatureঐচ্ছিক
ধরনnumber
ডিফল্ট0.9
০ – ২
flow-matching diffusion-এর সময় ব্যবহৃত নয়েজ তাপমাত্রা।
num_inference_stepsঐচ্ছিক
ধরনinteger
ডিফল্ট20
১ – ৫০
flow matching-এর মাধ্যমে অ্যাকোস্টিক জেনারেট করতে ব্যবহৃত ODE solver ধাপের সংখ্যা।
speed_up_factorঐচ্ছিক
ধরনnumber
ডিফল্ট1
০.৫ – ২
বক্তব্যের গতি গুণক: 1.0-এর নিচে জেনারেট করা বক্তব্য ধীর এবং 1.0-এর ওপরে দ্রুত হয়।
output_formatঐচ্ছিক
ধরনenum
ডিফল্টwav
wavmp3
জেনারেট করা অডিওর ফাইল ফরম্যাট।
enable_safety_checkerঐচ্ছিক
ধরনboolean
ডিফল্টtrue
কলকারী অনুমোদিত হলে false সেট করে স্ক্রিনিং শিথিল করা যায়।
আবশ্যক ক্যানোনিকাল নাম, এটিও গ্রহণযোগ্য

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "tada/1b/text-to-speech",
  "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": 3,
    "usd": "0.003",
    "charged": 3,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  },
  "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,
      "duration": 5,
      "channels": 1,
      "sample_rate": 1,
      "bitrate": "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"
  }
}
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
audio
object {url, content_type, file_name, file_size, duration, channels, sample_rate, bitrate}সংশ্লেষিত স্পিচ ধারণকারী অডিও ফাইল।

আরও মডেল: টেক্সট থেকে স্পিচ

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/tada/1b/text-to-speech.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt