Ir al contenido

Maya1

Integrar

ID del modelo maya
# 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?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"

Esta solicitud: ≈0,049 $ 49 créditos de API Ejecutar en esta página

Obtener clave de API
Maya Research Texto a voz #text-to-speech#tts

Texto a voz expresivo con un prompt de descripción de voz y etiquetas de emoción insertadas

Maya Research · Audio

Tu primer resultado aparecerá aquí

Crea una solicitud a continuación y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, conservadas para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan al modificarlos.

•obligatorio 50 / 5000

Texto de síntesis de voz que permite etiquetas de emoción con el formato <emotion_name> en cualquier posición, como en 'Hello world! <excited> This is amazing!' o 'I can't believe this <sigh> happened again.'. Las emociones admitidas son curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder y laugh.

•obligatorio 50 / 500

Rasgos de voz o carácter que se describirán, como intensidad, tono, ritmo, timbre, altura, acento y edad.

Avanzado sample_rate · output_format · temperature · top_p · max_tokens · repetition_penalty · enable_safety_checker
sample_rate predeterminado 48 kHz

Frecuencia de muestreo del audio, con la opción de un procesamiento más rápido a 24 kHz o una salida de mayor calidad a 48 kHz.

output_format predeterminado wav

Formato de archivo de audio utilizado para la síntesis de voz.

predeterminado 0.4

Temperatura de muestreo que controla la variación del audio: aumentarla introduce más variedad, mientras que el intervalo inferior de 0.2–0.5 favorece la estabilidad y la coherencia.

predeterminado 0.9

Configuración de muestreo de núcleo que ajusta la diversidad de selección de tokens.

predeterminado 2000

Presupuesto de tokens SNAC que limita la duración del audio, calculado a razón de 7 tokens por fotograma.

predeterminado 1.1

Penalización aplicada a la repetición de tokens. Aumentarla reduce los artefactos de repetición.

POST /run/maya?wait=20 presupuesto → 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?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"

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y solo se guarda en localStorage si marcas Recordar. Obtener una clave de API

Acerca de Maya1

Convierte texto de hasta 5000 caracteres en voz. Un `prompt` obligatorio de hasta 500 caracteres describe la voz, por ejemplo su edad, acento y tono. Se pueden insertar en el texto etiquetas de emoción como laugh o whisper. Elige una frecuencia de muestreo de 48 kHz o 24 kHz y una salida wav o mp3; `max_tokens` limita la duración del audio.

Parámetros

NombreTipo PredeterminadoPermitido Descripción
textobligatorio
Tipostring
≤ 5000 caracteres
Texto de síntesis de voz que permite etiquetas de emoción con el formato <emotion_name> en cualquier posición, como en 'Hello world! <excited> This is amazing!' o 'I can't believe this <sigh> happened again.'. Las emociones admitidas son curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder y laugh.
promptobligatorio
Tipostring
≤ 500 caracteres
Rasgos de voz o carácter que se describirán, como intensidad, tono, ritmo, timbre, altura, acento y edad.
temperatureopcional
Tiponumber
Predeterminado0.4
0 – 2
Temperatura de muestreo que controla la variación del audio: aumentarla introduce más variedad, mientras que el intervalo inferior de 0.2–0.5 favorece la estabilidad y la coherencia.
top_popcional
Tiponumber
Predeterminado0.9
0 – 1
Configuración de muestreo de núcleo que ajusta la diversidad de selección de tokens.
max_tokensopcional
Tipointeger
Predeterminado2000
28 – 4000
Presupuesto de tokens SNAC que limita la duración del audio, calculado a razón de 7 tokens por fotograma.
repetition_penaltyopcional
Tiponumber
Predeterminado1.1
1 – 2
Penalización aplicada a la repetición de tokens. Aumentarla reduce los artefactos de repetición.
sample_rateopcional
Tipoenum
Predeterminado48 kHz
48 kHz24 kHz
Frecuencia de muestreo del audio, con la opción de un procesamiento más rápido a 24 kHz o una salida de mayor calidad a 48 kHz.
output_formatopcional
Tipoenum
Predeterminadowav
wavmp3
Formato de archivo de audio utilizado para la síntesis de voz.
enable_safety_checkeropcional
Tipoboolean
Predeterminadotrue
La moderación puede relajarse estableciendo false, siempre que la persona que realiza la solicitud esté autorizada.
obligatorio

Salida

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "maya",
  "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"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: conservada para siempre (con pago por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para vídeo y audio. output es el objeto de resultado propio del modelo.
Campos de salida
audio
object {url, content_type, file_name, file_size}Archivo de voz generado en WAV o MP3, con audio mono a 24 kHz o 48 kHz según determine el sobremuestreador.
duration
numberDuración de la salida de audio, medida en segundos.
sample_rate
stringFrecuencia de muestreo de la salida de audio.
generation_time
numberTiempo de generación del audio, medido en segundos.
rtf
numberFactor de tiempo real calculado como generation_time dividido entre audio_duration; los valores más bajos indican un mejor rendimiento.

Más modelos: Texto a voz

Para agentes de IA: esta página en Markdown está en https://doitong.com/es-ES/developers/models/maya.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt