Gå til indhold

VibeVoice 7B

Integrer

Model-id vibevoice/7b
# 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/7b?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"

Denne anmodning: ≈0,04 $ 40 API-kreditter Kør den på denne side

Hent API-nøgle
Microsoft Tekst til tale #text-to-speech#multi-speaker#podcast

Større VibeVoice-model til dialog med flere talere og manuskripter på op til 30000 tegn

Microsoft · Lyd

Dit første resultat kommer her

Opret en anmodning nedenfor, og kør den med din API-nøgle. Output kopieres til vores lagring, gemt for altid eller 7 dage gratis.

Opret en anmodning

Kontrollerne genereres fra modellens skema. Koden og prisen opdateres, når du ændrer dem.

•påkrævet 88 / 30000

Talescript med valgfri 'Speaker X:'-etiketter til at skelne mellem talere i en dialog.

•påkrævet

Talere udledes automatisk ved hjælp af scriptet eller leverede stemmeprøver; angiv en liste for at specificere dem eksplicit.

Avanceret cfg_scale · seed · enable_safety_checker
standard 1.3

CFG-styrke (Classifier-Free Guidance) bestemmer, hvor tæt genereringen følger teksten; højere indstillinger giver større overensstemmelse.

Tilfældig seed, der gør genereringen reproducerbar.

POST /run/vibevoice/7b?wait=20 pris → 0,04 $
# 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/7b?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"

Kør denne anmodning

Din nøgle forbliver i denne browser: Den sendes kun til Doitong API og gemmes kun i localStorage, hvis du markerer Husk. Hent en API-nøgle

Om VibeVoice 7B

Konverterer et `script` på op til 30000 tegn til tale med 'Speaker X:'-præfikser til dialog og en påkrævet `speakers`-liste til stemmerne. `cfg_scale` går fra 1 til 2, og `seed` muliggør reproducerbart output. Det er familiens 7B-version med en kortere tekstgrænse end 1.5B-modellen.

Parametre

NavnType StandardTilladt Beskrivelse
scriptpåkrævet
Typestring
≤ 30.000 tegn
Talescript med valgfri 'Speaker X:'-etiketter til at skelne mellem talere i en dialog.
speakerspåkrævet
Typeobject[]
Talere udledes automatisk ved hjælp af scriptet eller leverede stemmeprøver; angiv en liste for at specificere dem eksplicit.
speakers[].presetvalgfri
Typeenum
StandardAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Fallback-stemmepreset til en taler uden `audio_url`; en leveret lydprøve har forrang over preset'et.
speakers[].audio_urlvalgfri
Typeurl · audio
URL til lydfil med stemmeprøve; hvis den leveres, tilsidesætter den `preset`.
seedvalgfri
Typeinteger | null
Tilfældig seed, der gør genereringen reproducerbar.
cfg_scalevalgfri
Typenumber
Standard1.3
1 – 2
CFG-styrke (Classifier-Free Guidance) bestemmer, hvor tæt genereringen følger teksten; højere indstillinger giver større overensstemmelse.
enable_safety_checkervalgfri
Typeboolean
Standardtrue
Screening kan lempes ved at angive false, hvis den kaldende part er autoriseret.
påkrævet

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vibevoice/7b",
  "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": 40,
    "usd": "0.04",
    "charged": 40,
    "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"
  }
}
Dine filer, dit valgHver outputs[].url er en kopi på vores lagring: gemt for altid (betales pr. GB-måned) eller 7 dage gratis, afhængigt af din kontoindstilling eller ?storage=.
Samme struktur for alle modellertype, url, content_type, width, height og duration for billeder, video og lyd. output er modellens eget resultatobjekt.
Outputfelter
audio
object {url, content_type, file_name, file_size}Lydfil, der indeholder den syntetiserede tale.
duration
numberLydoutputtets længde målt i sekund.
sample_rate
integerLydoutputtets samplingsfrekvens.
generation_time
numberTid til generering af lyd målt i sekund.
rtf
numberReal-time-faktor beregnet som generation_time divideret med audio_duration; lavere værdier angiver bedre ydeevne.

Flere modeller: Tekst til tale

Til AI-agenter: Denne side som Markdown findes på https://doitong.com/da/developers/models/vibevoice/7b.md. Alle modeller og vejledninger: https://doitong.com/developers/llms.txt