কনটেন্টে যান

VibeVoice 1.5B

ইন্টিগ্রেট করুন

মডেল id vibevoice
# 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/vibevoice?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "speakers": [
      {
        "preset": "Frank [EN]"
      },
      {
        "preset": "Carter [EN]"
      }
    ]
  }'

# 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: ≈০.০২$ ২০ API ক্রেডিট এই পেজে চালান

API কী পান
Microsoft টেক্সট থেকে স্পিচ #text-to-speech#multi-speaker#podcast

প্রতি-বক্তার voice-সহ podcast-এর মতো দীর্ঘ script-এর জন্য multi-speaker text-to-speech

Microsoft · 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 88 / 90000

স্পিচ ইনপুট স্ক্রিপ্ট, সংলাপে বক্তা আলাদা করতে ঐচ্ছিক 'Speaker X:' লেবেলসহ।

•আবশ্যক

স্ক্রিপ্ট বা সরবরাহ করা ভয়েস স্যাম্পল ব্যবহার করে বক্তাদের স্বয়ংক্রিয়ভাবে শনাক্ত করা হয়; স্পষ্টভাবে নির্ধারণ করতে একটি তালিকা দিন।

অ্যাডভান্সড cfg_scale · seed · enable_safety_checker
ডিফল্ট 1.3

CFG (Classifier-Free Guidance) শক্তি নির্ধারণ করে জেনারেশন টেক্সট কতটা অনুসরণ করবে; উচ্চতর সেটিংয়ে অনুসরণ আরও দৃঢ় হয়।

জেনারেশন পুনরুৎপাদনযোগ্য করে এমন এলোমেলো সিড।

POST /run/vibevoice?wait=20 মূল্য → ০.০২$
# 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/vibevoice?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "speakers": [
      {
        "preset": "Frank [EN]"
      },
      {
        "preset": "Carter [EN]"
      }
    ]
  }'

# 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

VibeVoice 1.5B সম্পর্কে

সর্বোচ্চ 90000 অক্ষরের একটি `script`-কে স্পিচে রূপান্তর করে। সংলাপে 'Speaker X:' প্রিফিক্স ব্যবহার করা যায়, এবং প্রয়োজনীয় `speakers` তালিকা ভয়েসগুলো নির্ধারণ করে। `cfg_scale` 1 থেকে 2 পর্যন্ত হয় এবং টেক্সট অনুসরণ করার মাত্রা নিয়ন্ত্রণ করে, আর `seed` রান পুনরুৎপাদনযোগ্য করে। অডিও, ডিউরেশন এবং স্যাম্পল রেট ফেরত দেয়।

প্যারামিটার

নামধরন ডিফল্টঅনুমোদিত বিবরণ
scriptআবশ্যক
ধরনstring
≤ ৯০,০০০টি অক্ষর
স্পিচ ইনপুট স্ক্রিপ্ট, সংলাপে বক্তা আলাদা করতে ঐচ্ছিক 'Speaker X:' লেবেলসহ।
speakersআবশ্যক
ধরনobject[]
স্ক্রিপ্ট বা সরবরাহ করা ভয়েস স্যাম্পল ব্যবহার করে বক্তাদের স্বয়ংক্রিয়ভাবে শনাক্ত করা হয়; স্পষ্টভাবে নির্ধারণ করতে একটি তালিকা দিন।
speakers[].presetঐচ্ছিক
ধরনenum
ডিফল্টAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
`audio_url` না থাকা বক্তার জন্য ফলব্যাক ভয়েস প্রিসেট; ওই অডিও স্যাম্পল দিলে তা প্রিসেটের ওপর অগ্রাধিকার পায়।
speakers[].audio_urlঐচ্ছিক
ধরনurl · audio
ভয়েস স্যাম্পল অডিও ফাইলের URL; এটি দিলে `preset` ওভাররাইড হয়।
seedঐচ্ছিক
ধরনinteger | null
জেনারেশন পুনরুৎপাদনযোগ্য করে এমন এলোমেলো সিড।
cfg_scaleঐচ্ছিক
ধরনnumber
ডিফল্ট1.3
১ – ২
CFG (Classifier-Free Guidance) শক্তি নির্ধারণ করে জেনারেশন টেক্সট কতটা অনুসরণ করবে; উচ্চতর সেটিংয়ে অনুসরণ আরও দৃঢ় হয়।
enable_safety_checkerঐচ্ছিক
ধরনboolean
ডিফল্টtrue
কলকারী অনুমোদিত হলে false সেট করে স্ক্রিনিং শিথিল করা যায়।
আবশ্যক

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vibevoice",
  "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": 20,
    "usd": "0.02",
    "charged": 20,
    "refunded": 0
  },
  "input": {
    "script": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "speakers": [
      {
        "preset": "Frank [EN]"
      },
      {
        "preset": "Carter [EN]"
      }
    ]
  },
  "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,
    "sample_rate": 24000,
    "generation_time": 5.6,
    "rtf": 0.53
  },
  "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}সিন্থেসাইজ করা স্পিচ ধারণকারী অডিও ফাইল।
duration
numberঅডিও আউটপুটের দৈর্ঘ্য, সেকেন্ডে পরিমাপ করা।
sample_rate
integerঅডিও আউটপুটের sampling rate।
generation_time
numberঅডিও জেনারেশনের সময়, সেকেন্ডে পরিমাপ করা।
rtf
numbergeneration_time-কে audio_duration দিয়ে ভাগ করে হিসাব করা real-time factor; ছোট মান ভালো কর্মক্ষমতা নির্দেশ করে।

আরও মডেল: টেক্সট থেকে স্পিচ

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/vibevoice.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt