Zum Inhalt springen

Zonos2 Text to Speech

Integrieren

Modell-ID zonos2
# 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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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"

Bis zu 0,02 $ pro Ausführung Nach tatsächlicher Nutzung abgerechnet, der Rest wird erstattet Auf dieser Seite ausführen

API-Schlüssel abrufen
Zyphra Text zu Sprache Referenzeingaben #text-to-speech#tts#voice-cloning

Mehrsprachiges TTS mit Stimmklonen, Sampling-Steuerung und Wahl zwischen enger Übereinstimmung oder ausdrucksstarker Wiedergabe

Zyphra · 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
Datei ablegen oder

Audio, das die Quellstimme für das Klonen bereitstellt.

Erweitert language · temperature · top_p · min_p · top_k · max_tokens · seed · accurate_mode · clean_speaker_background · enable_safety_checker
Standard en_us

Sprachauswahl für die Textnormalisierung, die übersprungen wird, sofern der Code nicht einem der folgenden Werte entspricht: en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn, ko.

Standard 1.15

Beim Sampling verwendete Temperatur.

Standard 0

Wahrscheinlichkeit für Nucleus-Sampling; auf 0 setzen, um es zu deaktivieren.

Standard 0.18

Wahrscheinlichkeitsschwellenwert für Minimum-Probability-Sampling.

Standard 106

Grenzwert für Top-k-Sampling; auf 0 setzen, um es zu deaktivieren.

Begrenzung der Audio-Frame-Generierung, wobei das Kontextlimit des Modells verwendet wird, sofern kein Maximum angegeben ist.

Seed für reproduzierbare Ergebnisse; ohne Angabe zufällig gewählt.

POST /run/zonos2?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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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 Zonos2 Text to Speech

Klont eine Stimme aus `reference_audio_url` und spricht Text, wobei WAV-Audio mit 44.1kHz mono zusammen mit dem verwendeten Seed zurückgegeben wird. `language` legt die Textnormalisierung für en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn und ko fest. `accurate_mode` tauscht Stimmähnlichkeit gegen Ausdrucksstärke, und das Sampling lässt sich über `temperature`, `top_p`, `min_p`, `top_k` und `max_tokens` (bis zu 6144) anpassen.

Parameter

NameTyp StandardZulässig Beschreibung
reference_audio_urlerforderlich
Typurl · audio
Audio, das die Quellstimme für das Klonen bereitstellt.
languageoptional
Typstring
Standarden_us
Sprachauswahl für die Textnormalisierung, die übersprungen wird, sofern der Code nicht einem der folgenden Werte entspricht: en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn, ko.
seedoptional
Typinteger | null
0 – 2.147.483.647
Seed für reproduzierbare Ergebnisse; ohne Angabe zufällig gewählt.
accurate_modeoptional
Typboolean
Standardtrue
Stimmübereinstimmung im Vergleich zur Ausdrucksstärke: True bevorzugt eine genauere Übereinstimmung, während False eine ausdrucksstärkere Sprache bevorzugt.
clean_speaker_backgroundoptional
Typboolean
Standardfalse
Gibt an, dass das Referenz-Audio einen sauberen Hintergrund hat.
temperatureoptional
Typnumber
Standard1.15
0 – 2
Beim Sampling verwendete Temperatur.
top_poptional
Typnumber
Standard0
0 – 1
Wahrscheinlichkeit für Nucleus-Sampling; auf 0 setzen, um es zu deaktivieren.
min_poptional
Typnumber
Standard0.18
0 – 1
Wahrscheinlichkeitsschwellenwert für Minimum-Probability-Sampling.
top_koptional
Typinteger
Standard106
0 – 2.048
Grenzwert für Top-k-Sampling; auf 0 setzen, um es zu deaktivieren.
max_tokensoptional
Typinteger | null
1 – 6.144
Begrenzung der Audio-Frame-Generierung, wobei das Kontextlimit des Modells verwendet wird, sofern kein Maximum angegeben ist.
enable_safety_checkeroptional
Typboolean
Standardtrue
Die Prüfung kann durch Setzen auf false gelockert werden, sofern der Aufrufer dazu berechtigt ist.
erforderlich

Dateiparameter akzeptieren eine öffentliche https://-URL, eine data:-URI bis 10 MB oder die file_url eines Uploads. Dateien

Ausgabe

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "zonos2",
  "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": {
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "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
    },
    "seed": 42
  },
  "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}Audioausgabe im WAV-Format mit einer Abtastrate von 44.1kHz und einem Monokanal.
seed
integerWährend der Generierung angewendeter Seed-Wert.

Für KI-Agenten: Diese Seite ist als Markdown verfügbar unter https://doitong.com/de/developers/models/zonos2.md. Alle Modelle und Anleitungen: https://doitong.com/developers/llms.txt