Μετάβαση στο περιεχόμενο

VibeVoice 7B

Ενσωμάτωση

id μοντέλου 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"

Αυτό το αίτημα: ≈0,04 $ 40 πιστώσεις API Εκτέλεση σε αυτήν τη σελίδα

Λήψη κλειδιού API
Microsoft Κείμενο σε ομιλία #text-to-speech#multi-speaker#podcast

Μεγαλύτερο μοντέλο VibeVoice για διάλογο πολλών ομιλητών, με script έως 30000 χαρακτήρες

Microsoft · Ήχος

Το πρώτο σας αποτέλεσμα θα εμφανιστεί εδώ

Δημιουργήστε ένα αίτημα παρακάτω και εκτελέστε το με το κλειδί API σας. Οι έξοδοι αντιγράφονται στην αποθήκευσή μας και διατηρούνται για πάντα ή 7 ημέρες δωρεάν.

Δημιουργία αιτήματος

Τα στοιχεία ελέγχου δημιουργούνται από το σχήμα του μοντέλου. Ο κώδικας και η τιμή ενημερώνονται καθώς τα αλλάζετε.

•απαιτείται 88 / 30000

Σενάριο εισόδου ομιλίας, με προαιρετικές ετικέτες 'Speaker X:' για διάκριση των ομιλητών σε διάλογο.

•απαιτείται

Οι ομιλητές συμπεραίνονται αυτόματα από το σενάριο ή τα δείγματα φωνής που παρέχονται· δώστε λίστα για ρητό καθορισμό τους.

Για προχωρημένους cfg_scale · seed · enable_safety_checker
προεπιλογή 1.3

Η ισχύς CFG (Classifier-Free Guidance) καθορίζει πόσο πιστά ακολουθεί η παραγωγή το κείμενο, με ισχυρότερη προσήλωση σε υψηλότερες ρυθμίσεις.

Τυχαίο seed που καθιστά την παραγωγή αναπαραγώγιμη.

POST /run/vibevoice/7b?wait=20 προσφορά → 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"

Εκτέλεση αυτού του αιτήματος

Το κλειδί σας παραμένει σε αυτό το πρόγραμμα περιήγησης: αποστέλλεται μόνο στο Doitong API και αποθηκεύεται (localStorage) μόνο αν ενεργοποιήσετε την επιλογή «Να απομνημονεύεται». Λήψη κλειδιού API

Σχετικά με το VibeVoice 7B

Μετατρέπει ένα `script` έως 30000 χαρακτήρες σε ομιλία, με προθέματα 'Speaker X:' για διάλογο και υποχρεωτική λίστα `speakers` για τις φωνές. Το `cfg_scale` κυμαίνεται από 1 έως 2 και το `seed` επιτρέπει αναπαραγώγιμη έξοδο. Είναι η έκδοση 7B της οικογένειας, με μικρότερο όριο κειμένου από το μοντέλο 1.5B.

Παράμετροι

ΌνομαΤύπος ΠροεπιλογήΕπιτρεπόμενο Περιγραφή
scriptαπαιτείται
Τύποςstring
≤ 30.000 χαρακτήρες
Σενάριο εισόδου ομιλίας, με προαιρετικές ετικέτες 'Speaker X:' για διάκριση των ομιλητών σε διάλογο.
speakersαπαιτείται
Τύποςobject[]
Οι ομιλητές συμπεραίνονται αυτόματα από το σενάριο ή τα δείγματα φωνής που παρέχονται· δώστε λίστα για ρητό καθορισμό τους.
speakers[].presetπροαιρετικό
Τύποςenum
ΠροεπιλογήAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Εφεδρική προεπιλογή φωνής για ομιλητή χωρίς `audio_url`· η παροχή αυτού του δείγματος ήχου υπερισχύει της προεπιλογής.
speakers[].audio_urlπροαιρετικό
Τύποςurl · audio
URL αρχείου δείγματος φωνής· η παροχή του αντικαθιστά το `preset`.
seedπροαιρετικό
Τύποςinteger | null
Τυχαίο seed που καθιστά την παραγωγή αναπαραγώγιμη.
cfg_scaleπροαιρετικό
Τύποςnumber
Προεπιλογή1.3
1 – 2
Η ισχύς CFG (Classifier-Free Guidance) καθορίζει πόσο πιστά ακολουθεί η παραγωγή το κείμενο, με ισχυρότερη προσήλωση σε υψηλότερες ρυθμίσεις.
enable_safety_checkerπροαιρετικό
Τύποςboolean
Προεπιλογήtrue
Ο έλεγχος μπορεί να χαλαρώσει με τη ρύθμιση false, εφόσον ο καλών είναι εξουσιοδοτημένος.
απαιτείται

Έξοδος

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"
  }
}
Τα αρχεία σας, η επιλογή σαςΚάθε outputs[].url είναι ένα αντίγραφο στην αποθήκευσή μας: διατηρείται για πάντα (χρέωση ανά GB-μήνα) ή 7 ημέρες δωρεάν, σύμφωνα με τη ρύθμιση του λογαριασμού σας ή ?storage=.
Ίδια μορφή σε κάθε μοντέλοtype, url, content_type, width, height και duration, τόσο για εικόνες όσο και για βίντεο και ήχο. Το output είναι το αντικείμενο αποτελέσματος του ίδιου του μοντέλου.
Πεδία εξόδου
audio
object {url, content_type, file_name, file_size}Αρχείο ήχου που περιέχει τη συνθετική ομιλία.
duration
numberΔιάρκεια της εξόδου ήχου, σε δευτερόλεπτα.
sample_rate
integerΡυθμός δειγματοληψίας της εξόδου ήχου.
generation_time
numberΧρόνος παραγωγής ήχου, σε δευτερόλεπτα.
rtf
numberΠαράγοντας πραγματικού χρόνου που υπολογίζεται ως generation_time διαιρεμένο με audio_duration· μικρότερες τιμές υποδεικνύουν καλύτερη απόδοση.

Περισσότερα μοντέλα: Κείμενο σε ομιλία

Για πράκτορες AI: αυτή η σελίδα σε Markdown βρίσκεται στη διεύθυνση https://doitong.com/el/developers/models/vibevoice/7b.md. Όλα τα μοντέλα και οι οδηγοί: https://doitong.com/developers/llms.txt