Zum Inhalt springen

VibeVoice 1.5B

Integrieren

Modell-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"

Diese Anfrage: ≈0,02 $ 20 API-Credits Auf dieser Seite ausführen

API-Schlüssel abrufen
Microsoft Text zu Sprache #text-to-speech#multi-speaker#podcast

Multi-Speaker-Text-to-Speech für lange Skripte wie Podcasts mit Stimmen pro Sprecher

Microsoft · 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 88 / 90000

Skript für die Spracheingabe mit optionalen Labels wie 'Speaker X:', um Sprecher in einem Dialog zu unterscheiden.

•erforderlich

Sprecher werden automatisch anhand des Skripts oder bereitgestellter Sprachproben ermittelt; geben Sie eine Liste an, um sie explizit festzulegen.

Erweitert cfg_scale · seed · enable_safety_checker
Standard 1.3

Die CFG-Stärke (Classifier-Free Guidance) bestimmt, wie eng die Generierung dem Text folgt; höhere Einstellungen sorgen für eine stärkere Übereinstimmung.

Zufälliger Seed, der eine reproduzierbare Generierung ermöglicht.

POST /run/vibevoice?wait=20 Preis → 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"

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 VibeVoice 1.5B

Wandelt ein `script` mit bis zu 90000 Zeichen in Sprache um. Dialoge können Präfixe im Format 'Speaker X:' verwenden, und die erforderliche `speakers`-Liste definiert die Stimmen. `cfg_scale` reicht von 1 bis 2 und steuert die Texttreue, während `seed` reproduzierbare Ausführungen ermöglicht. Gibt Audio sowie Dauer und Samplingrate zurück.

Parameter

NameTyp StandardZulässig Beschreibung
scripterforderlich
Typstring
≤ 90.000 Zeichen
Skript für die Spracheingabe mit optionalen Labels wie 'Speaker X:', um Sprecher in einem Dialog zu unterscheiden.
speakerserforderlich
Typobject[]
Sprecher werden automatisch anhand des Skripts oder bereitgestellter Sprachproben ermittelt; geben Sie eine Liste an, um sie explizit festzulegen.
speakers[].presetoptional
Typenum
StandardAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Ersatzsprachvoreinstellung für einen Sprecher ohne `audio_url`; eine bereitgestellte Audiosample hat Vorrang vor der Voreinstellung.
speakers[].audio_urloptional
Typurl · audio
URL der Audiodatei mit der Sprachprobe; ihre Angabe überschreibt `preset`.
seedoptional
Typinteger | null
Zufälliger Seed, der eine reproduzierbare Generierung ermöglicht.
cfg_scaleoptional
Typnumber
Standard1.3
1 – 2
Die CFG-Stärke (Classifier-Free Guidance) bestimmt, wie eng die Generierung dem Text folgt; höhere Einstellungen sorgen für eine stärkere Übereinstimmung.
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": "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"
  }
}
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}Audiodatei mit der synthetisierten Sprache.
duration
numberLänge der Audioausgabe, gemessen in Sekunden.
sample_rate
integerSamplingrate 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/vibevoice.md. Alle Modelle und Anleitungen: https://doitong.com/developers/llms.txt