Zum Inhalt springen

Maya · Stream

Integrieren

Modell-ID maya/stream
# 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/maya/stream?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence.",
    "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"

Diese Anfrage: ≈0,049 $ 49 API-Credits Auf dieser Seite ausführen

API-Schlüssel abrufen
Maya Research Text zu Sprache #text-to-speech#tts

Streaming-Variante der Maya-Sprachsynthese für einen einzelnen Text mit Stimmbeschreibung

Maya Research · Audio

Dein erstes Ergebnis erscheint hier

Erstelle unten eine Anfrage und führe sie mit deinem API-Schlüssel aus. Ausgaben werden in unseren Speicher kopiert und dauerhaft oder 7 Tage kostenlos aufbewahrt.

Anfrage erstellen

Die Steuerelemente werden aus dem Modellschema generiert. Code und Preis werden aktualisiert, während du sie änderst.

•erforderlich 50 / 5000

Text für die Sprachsynthese mit Unterstützung von Emotion-Tags in der Form <emotion_name> an beliebiger Stelle, etwa in 'Hello world! <excited> This is amazing!' oder 'I can't believe this <sigh> happened again.'. Unterstützte Emotionen sind curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder und laugh.

•erforderlich 50 / 500

Zu beschreibende Stimm- oder Charaktermerkmale, etwa Intensität, Klangfarbe, Sprechtempo, Timbre, Tonhöhe, Akzent und Alter.

Erweitert sample_rate · output_format · temperature · top_p · max_tokens · repetition_penalty · enable_safety_checker
sample_rate Standard 48 kHz

Audio-Samplingrate zur Auswahl zwischen schnellerer Verarbeitung mit 24 kHz und höherer Ausgabequalität mit 48 kHz.

output_format Standard wav

Dateiformat für synthetisierte Sprache.

Standard 0.4

Sampling-Temperatur zur Steuerung der Audiovariation: Eine Erhöhung sorgt für mehr Vielfalt, während der niedrigere Bereich von 0.2–0.5 Stabilität und Konsistenz begünstigt.

Standard 0.9

Nucleus-Sampling-Einstellung zur Anpassung der Vielfalt bei der Token-Auswahl.

Standard 2000

SNAC-Token-Budget zur Begrenzung der Audiodauer, berechnet mit 7 Token pro Frame.

Standard 1.1

Auf die Token-Wiederholung angewendete Strafe. Eine Erhöhung unterdrückt Wiederholungsartefakte.

POST /run/maya/stream?wait=20 Preis → 0,049 $
# 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/maya/stream?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence.",
    "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"

Diese Anfrage ausführen

Dein Schlüssel bleibt in diesem Browser: Er wird nur an die Doitong API gesendet und nur gespeichert (localStorage), wenn du „Merken“ aktivierst. API-Schlüssel abrufen

Über Maya · Stream

Wandelt einen Text mit bis zu 5000 Zeichen in Sprache um, mit einer erforderlichen Stimmbeschreibung `prompt` von bis zu 500 Zeichen und einbettbaren Emotionstags. Zu den Optionen gehören `temperature`, `top_p`, `repetition_penalty`, eine Abtastrate von 48 oder 24 kHz sowie die Ausgabe im wav- oder mp3-Format. Gibt Audio mit Dauer und Echtzeitfaktor zurück.

Parameter

NameTyp StandardZulässig Beschreibung
texterforderlich
Typstring
≤ 5.000 Zeichen
Text für die Sprachsynthese mit Unterstützung von Emotion-Tags in der Form <emotion_name> an beliebiger Stelle, etwa in 'Hello world! <excited> This is amazing!' oder 'I can't believe this <sigh> happened again.'. Unterstützte Emotionen sind curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder und laugh.
prompterforderlich
Typstring
≤ 500 Zeichen
Zu beschreibende Stimm- oder Charaktermerkmale, etwa Intensität, Klangfarbe, Sprechtempo, Timbre, Tonhöhe, Akzent und Alter.
temperatureoptional
Typnumber
Standard0.4
0 – 2
Sampling-Temperatur zur Steuerung der Audiovariation: Eine Erhöhung sorgt für mehr Vielfalt, während der niedrigere Bereich von 0.2–0.5 Stabilität und Konsistenz begünstigt.
top_poptional
Typnumber
Standard0.9
0 – 1
Nucleus-Sampling-Einstellung zur Anpassung der Vielfalt bei der Token-Auswahl.
max_tokensoptional
Typinteger
Standard2000
28 – 4.000
SNAC-Token-Budget zur Begrenzung der Audiodauer, berechnet mit 7 Token pro Frame.
repetition_penaltyoptional
Typnumber
Standard1.1
1 – 2
Auf die Token-Wiederholung angewendete Strafe. Eine Erhöhung unterdrückt Wiederholungsartefakte.
sample_rateoptional
Typenum
Standard48 kHz
48 kHz24 kHz
Audio-Samplingrate zur Auswahl zwischen schnellerer Verarbeitung mit 24 kHz und höherer Ausgabequalität mit 48 kHz.
output_formatoptional
Typenum
Standardwav
wavmp3
Dateiformat für synthetisierte Sprache.
enable_safety_checkeroptional
Typboolean
Standardtrue
Die Prüfung kann durch Setzen auf false gelockert werden, sofern der Aufrufer dazu berechtigt ist.
erforderlich

Ausgabe

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "maya/stream",
  "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": 49,
    "usd": "0.049",
    "charged": 49,
    "refunded": 0
  },
  "input": {
    "text": "Hello from Doitong. This is a short test sentence.",
    "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,
    "sample_rate": "48 kHz",
    "generation_time": 2.3,
    "rtf": 0.51
  },
  "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"
  }
}
Deine Dateien, deine EntscheidungJede outputs[].url ist eine Kopie in unserem Speicher: dauerhaft aufbewahrt (Abrechnung pro GB-Monat) oder 7 Tage kostenlos – je nach Kontoeinstellung oder ?storage=.
Gleiche Struktur bei jedem Modelltype, url, content_type, width, height und duration – für Bilder, Video und Audio gleichermaßen. output ist das Ergebnisobjekt des Modells.
Ausgabefelder
audio
object {url, content_type, file_name, file_size}Generierte Sprachdatei im WAV- oder MP3-Format mit Mono-Audio bei 24 kHz oder 48 kHz, bestimmt durch den Upsampler.
duration
numberLänge der Audioausgabe, gemessen in Sekunden.
sample_rate
stringSamplingrate der Audioausgabe.
generation_time
numberGenerierungszeit für Audio, gemessen in Sekunden.
rtf
numberEchtzeitfaktor, berechnet als generation_time geteilt durch audio_duration; kleinere Werte weisen auf eine bessere Leistung hin.

Weitere Modelle: Text zu Sprache

Für KI-Agenten: Diese Seite ist als Markdown verfügbar unter https://doitong.com/de/developers/models/maya/stream.md. Alle Modelle und Anleitungen: https://doitong.com/developers/llms.txt