Neidio i'r cynnwys

Vibevoice

Integreiddio

ID y model vibevoice/0.5b
# 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/0.5b?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",
    "speaker": "Frank"
  }'

# 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"

Y cais hwn: ≈$0.01 10 o gredydau API Ei redeg ar y dudalen hon

Cael allwedd API
Microsoft Testun i Leferydd #vibevoice#fast

Testun-i-leferydd ysgafn ag un llais, gyda chwe llais ag enwau ar gyfer sgriptiau hir

Microsoft · Sain

Mae eich canlyniad cyntaf yn mynd yma

Adeiladwch gais isod a'i redeg gyda'ch allwedd API. Mae allbynnau'n cael eu copïo i'n storio, wedi'u cadw am byth neu am 7 diwrnod am ddim.

Adeiladu cais

Cynhyrchir rheolyddion o sgema'r model. Mae'r cod a'r pris yn diweddaru wrth i chi eu newid.

•gofynnol 88 / 90000

Sgript a ddefnyddir ar gyfer syntheseiddio lleferydd.

speaker •gofynnol

Llais a ddefnyddir i gyflwyno'r lleferydd.

Uwch cfg_scale · seed · enable_safety_checker
rhagosodedig 1.3

Mae cryfder CFG (Classifier-Free Guidance) yn pennu pa mor agos mae cynhyrchu yn dilyn y testun, gyda chydymffurfiaeth gryfach mewn gosodiadau uwch.

Hadau ar hap sy'n gwneud cynhyrchu'n atgynhyrchadwy.

POST /run/vibevoice/0.5b?wait=20 dyfynbris → $0.01
# 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/0.5b?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",
    "speaker": "Frank"
  }'

# 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"

Rhedeg y cais hwn

Mae'ch allwedd yn aros yn y porwr hwn: caiff ei hanfon at Doitong API yn unig a'i chadw (localStorage) dim ond os ticiwch Cofio. Cael allwedd API

Ynglŷn â Vibevoice

Yn darllen `script` o hyd at 90000 nod mewn un llais a ddewisir gyda `speaker`: Frank, Wayne, Carter, Emma, Grace neu Mike. Mae `cfg_scale` (1 to 2) a `seed` ar gael ar gyfer tiwnio ac atgynhyrchadwyedd. Mae'n trin un siaradwr ar y tro, yn wahanol i'r amrywiadau â siaradwyr lluosog.

Paramedrau

EnwMath RhagosodedigCaniateir Disgrifiad
scriptgofynnol
Mathstring
≤ 90,000 nod
Sgript a ddefnyddir ar gyfer syntheseiddio lleferydd.
speakergofynnol
Mathenum
FrankWayneCarterEmmaGraceMike
Llais a ddefnyddir i gyflwyno'r lleferydd.
seeddewisol
Mathinteger | null
Hadau ar hap sy'n gwneud cynhyrchu'n atgynhyrchadwy.
cfg_scaledewisol
Mathnumber
Rhagosodedig1.3
1 – 2
Mae cryfder CFG (Classifier-Free Guidance) yn pennu pa mor agos mae cynhyrchu yn dilyn y testun, gyda chydymffurfiaeth gryfach mewn gosodiadau uwch.
enable_safety_checkerdewisol
Mathboolean
Rhagosodedigtrue
Gellir llacio'r sgrinio drwy osod false, ar yr amod bod y galwr wedi'i awdurdodi.
gofynnol

Allbwn

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vibevoice/0.5b",
  "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": 10,
    "usd": "0.01",
    "charged": 10,
    "refunded": 0
  },
  "input": {
    "script": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "speaker": "Frank"
  },
  "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"
  }
}
Eich ffeiliau, eich dewisMae pob outputs[].url yn gopi ar ein storio: wedi'i gadw am byth (telir fesul GB-mis) neu am 7 diwrnod am ddim, yn ôl gosodiad eich cyfrif neu ?storage=.
Yr un siâp ar bob modeltype, url, content_type, width, height a duration, ar gyfer delweddau, fideo a sain fel ei gilydd. Gwrthrych canlyniad y model ei hun yw output.
Meysydd yr allbwn
audio
object {url, content_type, file_name, file_size}Ffeil sain sy'n cynnwys y lleferydd wedi'i syntheseiddio.
duration
numberHyd yr allbwn sain, wedi'i fesur mewn eiliadau.
sample_rate
integerCyfradd samplu'r allbwn sain.
generation_time
numberAmser cynhyrchu sain, wedi'i fesur mewn eiliadau.
rtf
numberFfactor amser real wedi'i gyfrifo fel generation_time wedi'i rannu â audio_duration; mae gwerthoedd llai'n dangos perfformiad gwell.

Mwy o fodelau: Testun i Leferydd

Ar gyfer asiantau AI: mae'r dudalen hon fel Markdown ar gael yn https://doitong.com/cy/developers/models/vibevoice/0.5b.md. Pob model a chanllaw: https://doitong.com/developers/llms.txt