Přejít na obsah

VibeVoice 1.5B

Integrace

ID modelu 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"

Tento požadavek: ≈0,02 $ 20 kreditů API Spustit na této stránce

Získat API klíč
Microsoft Text na řeč #text-to-speech#multi-speaker#podcast

Převod dlouhých skriptů, například podcastů, na řeč s více mluvčími a hlasy pro jednotlivé mluvčí

Microsoft · Zvuk

Zde se zobrazí váš první výsledek

Níže sestavte požadavek a spusťte ho pomocí svého API klíče. Výstupy se kopírují do našeho úložiště a uchovávají se navždy nebo 7 dne zdarma.

Sestavit požadavek

Ovládací prvky se generují ze schématu modelu. Kód a cena se aktualizují podle provedených změn.

•povinné 88 / 90000

Skript vstupu řeči s volitelnými štítky 'Speaker X:' pro rozlišení mluvčích v dialogu.

•povinné

Mluvčí se automaticky odvodí pomocí skriptu nebo dodaných hlasových vzorků; explicitně je určíte zadáním seznamu.

Pokročilé cfg_scale · seed · enable_safety_checker
výchozí 1.3

Síla CFG (Classifier-Free Guidance) určuje, jak přesně generování následuje text; vyšší nastavení znamenají silnější shodu.

Náhodný seed, díky kterému lze generování zopakovat.

POST /run/vibevoice?wait=20 cena → 0,02 $
# 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"

Spustit tento požadavek

Váš klíč zůstává v tomto prohlížeči: odesílá se pouze do Doitong API a uloží se do localStorage jen tehdy, když zaškrtnete možnost Zapamatovat. Získat klíč API

O modelu VibeVoice 1.5B

Převede `script` o délce až 90000 znaků na řeč. Dialog může používat předpony 'Speaker X:' a povinný seznam `speakers` definuje hlasy. `cfg_scale` je v rozsahu 1 až 2 a řídí věrnost textu, zatímco `seed` zajišťuje reprodukovatelnost. Vrací zvuk, délku a vzorkovací frekvenci.

Parametry

NázevTyp VýchozíPovolené Popis
scriptpovinné
Typstring
≤ 90 000 znaků
Skript vstupu řeči s volitelnými štítky 'Speaker X:' pro rozlišení mluvčích v dialogu.
speakerspovinné
Typobject[]
Mluvčí se automaticky odvodí pomocí skriptu nebo dodaných hlasových vzorků; explicitně je určíte zadáním seznamu.
speakers[].presetvolitelné
Typenum
VýchozíAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Záložní předvolba hlasu pro mluvčího bez `audio_url`; dodání tohoto zvukového vzorku má před předvolbou přednost.
speakers[].audio_urlvolitelné
Typurl · audio
URL souboru se vzorkem hlasu; jeho dodáním se přepíše `preset`.
seedvolitelné
Typinteger | null
Náhodný seed, díky kterému lze generování zopakovat.
cfg_scalevolitelné
Typnumber
Výchozí1.3
1 – 2
Síla CFG (Classifier-Free Guidance) určuje, jak přesně generování následuje text; vyšší nastavení znamenají silnější shodu.
enable_safety_checkervolitelné
Typboolean
Výchozítrue
Kontrolu lze uvolnit nastavením na false, pokud je volající autorizován.
povinné

Výstup

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"
  }
}
Vaše soubory, vaše volbaKaždý outputs[].url je kopie v našem úložišti: uchovávaná navždy (zpoplatněná za GB-měsíc) nebo 7 dne zdarma podle nastavení účtu nebo ?storage=.
Stejná struktura u každého modelutype, url, content_type, width, height a duration pro obrázky, video i zvuk. output je vlastní objekt výsledku modelu.
Pole výstupu
audio
object {url, content_type, file_name, file_size}Zvukový soubor obsahující syntetizovanou řeč.
duration
numberDélka zvukového výstupu měřená v sekundách.
sample_rate
integerVzorkovací frekvence zvukového výstupu.
generation_time
numberDoba generování zvuku měřená v sekundách.
rtf
numberFaktor v reálném čase vypočtený jako generation_time dělený audio_duration; nižší hodnoty znamenají lepší výkon.

Další modely: Text na řeč

Pro AI agenty: tato stránka je ve formátu Markdown na adrese https://doitong.com/cs/developers/models/vibevoice.md. Všechny modely a návody: https://doitong.com/developers/llms.txt