رفتن به محتوا

VibeVoice 1.5B

یکپارچه‌سازی

شناسه مدل vibevoice
# 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?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"

این درخواست: ≈⁨‎$۰٫۰۲⁩ ۲۰ اعتبار API اجرای آن در این صفحه

دریافت کلید API
Microsoft متن به گفتار #text-to-speech#multi-speaker#podcast

تبدیل متن چندگوینده به گفتار برای اسکریپت‌های طولانی مانند پادکست، با صدای جداگانه برای هر گوینده

Microsoft · 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 88 / 90000

متن ورودی گفتار، با برچسب‌های اختیاری 'Speaker X:' برای متمایز کردن گویندگان در یک گفت‌وگو.

•الزامی

گویندگان با استفاده از متن یا نمونه‌های صوتی ارائه‌شده به‌طور خودکار استنباط می‌شوند؛ برای تعیین صریح آن‌ها، یک فهرست ارائه کنید.

پیشرفته cfg_scale · seed · enable_safety_checker
پیش‌فرض 1.3

قدرت CFG (راهنمایی بدون طبقه‌بند) تعیین می‌کند تولید تا چه حد از متن پیروی کند؛ مقادیر بالاتر پایبندی بیشتری ایجاد می‌کنند.

seed تصادفی که تولید تکرارپذیر را ممکن می‌کند.

POST /run/vibevoice?wait=20 قیمت → ⁨‎$۰٫۰۲⁩
# 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?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"

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 VibeVoice 1.5B

یک `script` حداکثر 90000 کاراکتری را به گفتار تبدیل می‌کند. دیالوگ می‌تواند از پیشوندهای 'Speaker X:' استفاده کند و فهرست `speakers` الزامی صداها را تعیین می‌کند. `cfg_scale` از 1 تا 2 است و میزان پایبندی به متن را کنترل می‌کند و `seed` اجراها را بازتولیدپذیر می‌کند. خروجی شامل صدا، مدت‌زمان و نرخ نمونه‌برداری است.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
scriptالزامی
نوعstring
≤ ۹۰٬۰۰۰ نویسه
متن ورودی گفتار، با برچسب‌های اختیاری 'Speaker X:' برای متمایز کردن گویندگان در یک گفت‌وگو.
speakersالزامی
نوعobject[]
گویندگان با استفاده از متن یا نمونه‌های صوتی ارائه‌شده به‌طور خودکار استنباط می‌شوند؛ برای تعیین صریح آن‌ها، یک فهرست ارائه کنید.
speakers[].presetاختیاری
نوعenum
پیش‌فرضAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
پیش‌تنظیم صوتی جایگزین برای گوینده‌ای که `audio_url` ندارد؛ ارائهٔ آن نمونهٔ صوتی بر پیش‌تنظیم اولویت دارد.
speakers[].audio_urlاختیاری
نوعurl · audio
URL فایل صوتی نمونهٔ صدا؛ ارائهٔ آن مقدار `preset` را بازنویسی می‌کند.
seedاختیاری
نوعinteger | null
seed تصادفی که تولید تکرارپذیر را ممکن می‌کند.
cfg_scaleاختیاری
نوعnumber
پیش‌فرض1.3
۱ – ۲
قدرت CFG (راهنمایی بدون طبقه‌بند) تعیین می‌کند تولید تا چه حد از متن پیروی کند؛ مقادیر بالاتر پایبندی بیشتری ایجاد می‌کنند.
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": "vibevoice",
  "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": {
    "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"
  }
}
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 صوتی حاوی گفتار ترکیب‌شده.
duration
numberطول خروجی صوت، برحسب ثانیه.
sample_rate
integerنرخ 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/vibevoice.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt