رفتن به محتوا

Zonos2 Text to Speech

یکپارچه‌سازی

شناسه مدل zonos2
# 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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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"

تا ⁨‎$۰٫۰۲⁩ برای هر اجرا بر اساس مصرف واقعی هزینه دریافت می‌شود و مابقی بازپرداخت می‌شود اجرای آن در این صفحه

دریافت کلید API
Zyphra متن به گفتار ورودی‌های مرجع #text-to-speech#tts#voice-cloning

TTS چندزبانه با شبیه‌سازی صدا، کنترل‌های نمونه‌برداری و انتخاب بین تطابق نزدیک یا اجرای پرحس‌وحال

Zyphra · 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
یک فایل بیندازید، یا

صوتی که صدای منبع را برای شبیه‌سازی ارائه می‌کند.

پیشرفته language · temperature · top_p · min_p · top_k · max_tokens · seed · accurate_mode · clean_speaker_background · enable_safety_checker
پیش‌فرض en_us

انتخاب زبان برای نرمال‌سازی متن؛ این کار فقط زمانی انجام می‌شود که کد یکی از این موارد باشد: en_us، en_gb، fr_fr، de، es، it، pt_br، ja، cmn، ko.

پیش‌فرض 1.15

دمای مورد استفاده برای نمونه‌برداری.

پیش‌فرض 0

احتمال نمونه‌برداری هسته‌ای؛ برای غیرفعال کردن آن، مقدار را روی 0 تنظیم کنید.

پیش‌فرض 0.18

آستانه احتمال برای نمونه‌برداری با حداقل احتمال.

پیش‌فرض 106

حد برش نمونه‌برداری top-k؛ برای غیرفعال کردن آن، مقدار را روی 0 تنظیم کنید.

حداکثر تولید فریم صوتی؛ اگر مقدار حداکثری ارائه نشود، از محدودیت زمینه مدل استفاده می‌شود.

seed برای ایجاد نتایج تکرارپذیر؛ در صورت حذف، به‌صورت تصادفی انتخاب می‌شود.

POST /run/zonos2?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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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 Zonos2 Text to Speech

صدا را از `reference_audio_url` شبیه‌سازی می‌کند و متن را می‌خواند؛ صوت WAV مونو با 44.1kHz را همراه با سید استفاده‌شده برمی‌گرداند. `language` نرمال‌سازی متن را برای en_us، en_gb، fr_fr، de، es، it، pt_br، ja، cmn و ko تعیین می‌کند. `accurate_mode` نزدیکی صدا را در برابر بیانگری متعادل می‌کند و نمونه‌برداری با `temperature`، `top_p`، `min_p`، `top_k` و `max_tokens` (حداکثر 6144) قابل تنظیم است.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
reference_audio_urlالزامی
نوعurl · audio
صوتی که صدای منبع را برای شبیه‌سازی ارائه می‌کند.
languageاختیاری
نوعstring
پیش‌فرضen_us
انتخاب زبان برای نرمال‌سازی متن؛ این کار فقط زمانی انجام می‌شود که کد یکی از این موارد باشد: en_us، en_gb، fr_fr، de، es، it، pt_br، ja، cmn، ko.
seedاختیاری
نوعinteger | null
۰ – ۲٬۱۴۷٬۴۸۳٬۶۴۷
seed برای ایجاد نتایج تکرارپذیر؛ در صورت حذف، به‌صورت تصادفی انتخاب می‌شود.
accurate_modeاختیاری
نوعboolean
پیش‌فرضtrue
تطبیق صدا در برابر بیان‌گری: True تطبیق نزدیک‌تر را ترجیح می‌دهد، در حالی که False گفتار بیان‌گرتر را ترجیح می‌دهد.
clean_speaker_backgroundاختیاری
نوعboolean
پیش‌فرضfalse
نشان می‌دهد که صوت مرجع پس‌زمینه‌ای پاک دارد.
temperatureاختیاری
نوعnumber
پیش‌فرض1.15
۰ – ۲
دمای مورد استفاده برای نمونه‌برداری.
top_pاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
احتمال نمونه‌برداری هسته‌ای؛ برای غیرفعال کردن آن، مقدار را روی 0 تنظیم کنید.
min_pاختیاری
نوعnumber
پیش‌فرض0.18
۰ – ۱
آستانه احتمال برای نمونه‌برداری با حداقل احتمال.
top_kاختیاری
نوعinteger
پیش‌فرض106
۰ – ۲٬۰۴۸
حد برش نمونه‌برداری top-k؛ برای غیرفعال کردن آن، مقدار را روی 0 تنظیم کنید.
max_tokensاختیاری
نوعinteger | null
۱ – ۶٬۱۴۴
حداکثر تولید فریم صوتی؛ اگر مقدار حداکثری ارائه نشود، از محدودیت زمینه مدل استفاده می‌شود.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد.
الزامی

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": "zonos2",
  "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": {
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "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
    },
    "seed": 42
  },
  "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}خروجی صوت در قالب WAV، با نرخ نمونه‌برداری 44.1kHz و کانال تک‌کاناله.
seed
integerمقدار Seed اعمال‌شده هنگام تولید.

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/zonos2.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt