رفتن به محتوا

Maya · Stream

یکپارچه‌سازی

شناسه مدل 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"

این درخواست: ≈⁨‎$۰٫۰۴۹⁩ ۴۹ اعتبار API اجرای آن در این صفحه

دریافت کلید API
Maya Research متن به گفتار #text-to-speech#tts

گونه جریانی تبدیل متن به گفتار Maya برای یک متن منفرد با توصیف صدا

Maya Research · صوت

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی 50 / 5000

متن سنتز گفتار با پشتیبانی از برچسب‌های احساسی به‌شکل <emotion_name> در هر موقعیت، مانند 'Hello world! <excited> This is amazing!' یا 'I can't believe this <sigh> happened again.'. احساسات پشتیبانی‌شده عبارت‌اند از curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder, و laugh.

•الزامی 50 / 500

ویژگی‌های صدا یا شخصیت برای توصیف، مانند شدت، لحن، سرعت، طنین، زیر و بمی، لهجه و سن.

پیشرفته sample_rate · output_format · temperature · top_p · max_tokens · repetition_penalty · enable_safety_checker
sample_rate پیش‌فرض 48 kHz

انتخاب نرخ نمونه‌برداری صوت بین پردازش سریع‌تر در 24 kHz و خروجی باکیفیت‌تر در 48 kHz.

output_format پیش‌فرض wav

قالب فایل صوتی مورد استفاده برای گفتار سنتزشده.

پیش‌فرض 0.4

دمای نمونه‌گیری برای کنترل تنوع صوت: افزایش آن تنوع بیشتری ایجاد می‌کند، درحالی‌که بازه پایین‌تر 0.2–0.5 پایداری و سازگاری را ترجیح می‌دهد.

پیش‌فرض 0.9

تنظیم نمونه‌گیری هسته‌ای برای تغییر تنوع انتخاب توکن.

پیش‌فرض 2000

بودجه توکن SNAC که مدت صوت را محدود می‌کند و با نرخ 7 توکن برای هر فریم محاسبه می‌شود.

پیش‌فرض 1.1

جریمه اعمال‌شده برای تکرار توکن. افزایش آن آثار تکرار را کاهش می‌دهد.

POST /run/maya/stream?wait=20 قیمت → ⁨‎$۰٫۰۴۹⁩
# 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"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Maya · Stream

یک متن تا 5000 نویسه را با `prompt` الزامی توصیف صدا، حداکثر 500 نویسه، و برچسب‌های احساسی قابل‌جاسازی به گفتار تبدیل می‌کند. گزینه‌ها شامل `temperature`، `top_p`، `repetition_penalty`، نرخ نمونه‌برداری 48 یا 24 kHz و خروجی wav یا mp3 هستند. صدا را همراه مدت‌زمان و ضریب بلادرنگ برمی‌گرداند.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
textالزامی
نوعstring
≤ ۵٬۰۰۰ نویسه
متن سنتز گفتار با پشتیبانی از برچسب‌های احساسی به‌شکل <emotion_name> در هر موقعیت، مانند 'Hello world! <excited> This is amazing!' یا 'I can't believe this <sigh> happened again.'. احساسات پشتیبانی‌شده عبارت‌اند از curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder, و laugh.
promptالزامی
نوعstring
≤ ۵۰۰ نویسه
ویژگی‌های صدا یا شخصیت برای توصیف، مانند شدت، لحن، سرعت، طنین، زیر و بمی، لهجه و سن.
temperatureاختیاری
نوعnumber
پیش‌فرض0.4
۰ – ۲
دمای نمونه‌گیری برای کنترل تنوع صوت: افزایش آن تنوع بیشتری ایجاد می‌کند، درحالی‌که بازه پایین‌تر 0.2–0.5 پایداری و سازگاری را ترجیح می‌دهد.
top_pاختیاری
نوعnumber
پیش‌فرض0.9
۰ – ۱
تنظیم نمونه‌گیری هسته‌ای برای تغییر تنوع انتخاب توکن.
max_tokensاختیاری
نوعinteger
پیش‌فرض2000
۲۸ – ۴٬۰۰۰
بودجه توکن SNAC که مدت صوت را محدود می‌کند و با نرخ 7 توکن برای هر فریم محاسبه می‌شود.
repetition_penaltyاختیاری
نوعnumber
پیش‌فرض1.1
۱ – ۲
جریمه اعمال‌شده برای تکرار توکن. افزایش آن آثار تکرار را کاهش می‌دهد.
sample_rateاختیاری
نوعenum
پیش‌فرض48 kHz
48 kHz24 kHz
انتخاب نرخ نمونه‌برداری صوت بین پردازش سریع‌تر در 24 kHz و خروجی باکیفیت‌تر در 48 kHz.
output_formatاختیاری
نوعenum
پیش‌فرضwav
wavmp3
قالب فایل صوتی مورد استفاده برای گفتار سنتزشده.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد.
الزامی

خروجی

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"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size}فایل گفتار تولیدشده در WAV یا MP3، با صوت مونو در 24 kHz یا 48 kHz که توسط نمونه‌بردار افزایشی تعیین می‌شود.
duration
numberطول خروجی صوت، برحسب ثانیه.
sample_rate
stringنرخ نمونه‌برداری خروجی صوت.
generation_time
numberزمان تولید صوت، برحسب ثانیه.
rtf
numberضریب بلادرنگ که به‌صورت generation_time تقسیم بر audio_duration محاسبه می‌شود؛ مقادیر کمتر عملکرد بهتر را نشان می‌دهند.

مدل‌های بیشتر: متن به گفتار

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/maya/stream.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt