رفتن به محتوا

Tada

یکپارچه‌سازی

شناسه مدل tada/3b/text-to-speech
# 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/tada/3b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "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: ⁨‎$۰٫۰۰۴⁩ ۴ اعتبار API اجرای آن در این صفحه

دریافت کلید API
Open model متن به گفتار

تبدیل متن به گفتار با تقلید صدای کلیپ مرجع، با پشتیبانی از 10 کد زبان

Open model · 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

محتوای گفتار به‌صورت متن؛ گویندهٔ مرجع صوت مورد استفاده برای رندر آن را فراهم می‌کند.

•الزامی audio_url
یک فایل بیندازید، یا

منبع شبیه‌سازی صدا که به‌صورت نشانی اینترنتی فایل صوتی ارائه می‌شود و گوینده‌ای را مشخص می‌کند که مدل باید ویژگی‌های صوتی او را بازتولید کند.

پیشرفته output_format · transcript · language · num_extra_steps · temperature · top_p · repetition_penalty · acoustic_cfg_scale · noise_temperature · num_inference_steps · speed_up_factor · enable_safety_checker
output_format پیش‌فرض wav

قالب فایل صوتی تولیدشده.

پیش‌فرض

رونویسی صوت مرجع که برای ضبط‌های زبان‌های غیرانگلیسی باید ارائه شود؛ رونویسی خودکار فقط برای انگلیسی داخلی است.

پیش‌فرض en

کد زبان هم‌ترازی متن که هنگام تولید گفتار به زبانی غیر از انگلیسی باید با زبان ترکیب مطابقت داشته باشد.

پیش‌فرض 0

تعداد گام‌های خودبازگشتی اضافی برای افزودن آهنگ گفتار پایانی یا سکوت با ادامه‌دادن گفتار پس از متن ارائه‌شده.

پیش‌فرض 0.6

دمای نمونه‌برداری توکن‌های متن؛ افزایش آن تنوع خروجی را بیشتر می‌کند و مقدار 0 یا کمتر مجاز نیست.

پیش‌فرض 0.9

تنظیم نمونه‌برداری Top-p (هسته‌ای) برای تولید متن.

پیش‌فرض 1.1

جریمهٔ تکرار توکن هنگام تولید خروجی.

پیش‌فرض 1.6

قدرت راهنمایی بدون طبقه‌بند مورد استفاده برای تولید ویژگی‌های آکوستیک.

پیش‌فرض 0.9

دمای نویز مورد استفاده هنگام انتشار تطبیق جریان.

پیش‌فرض 20

تعداد گام‌های حل‌گر ODE برای تولید ویژگی‌های آکوستیک از طریق تطبیق جریان.

پیش‌فرض 1

ضریب سرعت گفتار: گفتار تولیدشده در مقادیر کمتر از 1.0 آهسته‌تر و در مقادیر بیشتر از 1.0 سریع‌تر می‌شود.

POST /run/tada/3b/text-to-speech?wait=20 قیمت → ⁨‎$۰٫۰۰۴⁩
# 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/tada/3b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "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 Tada

گوینده را از کلیپ مرجع (`audio_url`) شبیه‌سازی می‌کند و متن `prompt` را با همان صدا می‌خواند. گزینه `language` کدهای en، ar، ch، de، es، fr، it، ja، pl و pt را می‌پذیرد. برای مراجع غیرانگلیسی، `transcript` را ارائه دهید، زیرا تشخیص داخلی فقط انگلیسی است. سرعت از 0.5 تا 2 قابل تنظیم است و خروجی wav یا mp3 است.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
audio_urlالزامی audio
نوعurl · audio
منبع شبیه‌سازی صدا که به‌صورت نشانی اینترنتی فایل صوتی ارائه می‌شود و گوینده‌ای را مشخص می‌کند که مدل باید ویژگی‌های صوتی او را بازتولید کند.
transcriptاختیاری
نوعstring
پیش‌فرض
رونویسی صوت مرجع که برای ضبط‌های زبان‌های غیرانگلیسی باید ارائه شود؛ رونویسی خودکار فقط برای انگلیسی داخلی است.
promptالزامی
نوعstring
محتوای گفتار به‌صورت متن؛ گویندهٔ مرجع صوت مورد استفاده برای رندر آن را فراهم می‌کند.
languageاختیاری
نوعenum
پیش‌فرضen
enarchdeesfritjaplpt
کد زبان هم‌ترازی متن که هنگام تولید گفتار به زبانی غیر از انگلیسی باید با زبان ترکیب مطابقت داشته باشد.
num_extra_stepsاختیاری
نوعinteger
پیش‌فرض0
۰ – ۵۰
تعداد گام‌های خودبازگشتی اضافی برای افزودن آهنگ گفتار پایانی یا سکوت با ادامه‌دادن گفتار پس از متن ارائه‌شده.
temperatureاختیاری
نوعnumber
پیش‌فرض0.6
≤ ۲> ۰
دمای نمونه‌برداری توکن‌های متن؛ افزایش آن تنوع خروجی را بیشتر می‌کند و مقدار 0 یا کمتر مجاز نیست.
top_pاختیاری
نوعnumber
پیش‌فرض0.9
۰ – ۱
تنظیم نمونه‌برداری Top-p (هسته‌ای) برای تولید متن.
repetition_penaltyاختیاری
نوعnumber
پیش‌فرض1.1
۱ – ۲
جریمهٔ تکرار توکن هنگام تولید خروجی.
acoustic_cfg_scaleاختیاری
نوعnumber
پیش‌فرض1.6
۰ – ۱۰
قدرت راهنمایی بدون طبقه‌بند مورد استفاده برای تولید ویژگی‌های آکوستیک.
noise_temperatureاختیاری
نوعnumber
پیش‌فرض0.9
۰ – ۲
دمای نویز مورد استفاده هنگام انتشار تطبیق جریان.
num_inference_stepsاختیاری
نوعinteger
پیش‌فرض20
۱ – ۵۰
تعداد گام‌های حل‌گر ODE برای تولید ویژگی‌های آکوستیک از طریق تطبیق جریان.
speed_up_factorاختیاری
نوعnumber
پیش‌فرض1
۰٫۵ – ۲
ضریب سرعت گفتار: گفتار تولیدشده در مقادیر کمتر از 1.0 آهسته‌تر و در مقادیر بیشتر از 1.0 سریع‌تر می‌شود.
output_formatاختیاری
نوعenum
پیش‌فرضwav
wavmp3
قالب فایل صوتی تولیدشده.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "tada/3b/text-to-speech",
  "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": 4,
    "usd": "0.004",
    "charged": 4,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "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,
      "channels": 1,
      "sample_rate": 1,
      "bitrate": "string"
    }
  },
  "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, duration, channels, sample_rate, bitrate}فایل صوتی حاوی گفتار ترکیب‌شده.

مدل‌های بیشتر: متن به گفتار

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/tada/3b/text-to-speech.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt