Lumaktaw sa nilalaman

VibeVoice 1.5B

I-integrate

ID ng modelo 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"

Kahilingang ito: ≈$0.02 20 kredito ng API Patakbuhin ito sa page na ito

Kumuha ng API key
Microsoft Text patungong Speech #text-to-speech#multi-speaker#podcast

Multi-speaker text-to-speech para sa mahahabang script gaya ng podcast, na may boses bawat speaker

Microsoft · audio

Dito mapupunta ang iyong unang resulta

Bumuo ng kahilingan sa ibaba at patakbuhin ito gamit ang iyong API key. Kinokopya ang mga output sa aming storage, na pinananatili nang walang hanggan o 7 araw nang libre.

Bumuo ng kahilingan

Ang mga control ay binubuo mula sa schema ng modelo. Nagbabago ang code at presyo habang ina-adjust mo ang mga ito.

•kinakailangan 88 / 90000

Script ng speech input, na may opsyonal na label na 'Speaker X:' para makilala ang mga speaker sa isang dialogue.

•kinakailangan

Awtomatikong tinutukoy ang mga speaker gamit ang script o ibinigay na voice sample; magbigay ng list para tukuyin sila nang tahasan.

advanced cfg_scale · seed · enable_safety_checker
default na 1.3

Tinutukoy ng CFG (Classifier-Free Guidance) strength kung gaano kalapit na susunod ang pagbuo sa text; mas mahigpit ang pagsunod sa mas mataas na setting.

Random seed na ginagawang nauulit ang pagbuo.

POST /run/vibevoice?wait=20 presyo → $0.02
# 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"

Patakbuhin ang kahilingang ito

Nananatili ang iyong key sa browser na ito: ipinapadala lamang ito sa Doitong API at sine-save (localStorage) lamang kung pipiliin mo ang Tandaan. Kumuha ng API key

Tungkol sa VibeVoice 1.5B

Kino-convert ang `script` na hanggang 90000 character sa speech. Maaaring gumamit ang dialogue ng prefix na 'Speaker X:', at tinutukoy ng kailangang `speakers` list ang mga boses. Ang `cfg_scale` ay mula 1 hanggang 2 at kinokontrol ang pagsunod sa teksto, habang ginagawang reproducible ng `seed` ang mga run. Nagbabalik ito ng audio kasama ang duration at sample rate.

Mga parameter

PangalanUri defaultPinapayagan Paglalarawan
scriptkinakailangan
Uristring
≤ 90,000 character
Script ng speech input, na may opsyonal na label na 'Speaker X:' para makilala ang mga speaker sa isang dialogue.
speakerskinakailangan
Uriobject[]
Awtomatikong tinutukoy ang mga speaker gamit ang script o ibinigay na voice sample; magbigay ng list para tukuyin sila nang tahasan.
speakers[].presetopsyonal
Urienum
defaultAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Fallback voice preset para sa speaker na walang `audio_url`; mas inuuna ang ibinigay na audio sample kaysa sa preset.
speakers[].audio_urlopsyonal
Uriurl · audio
URL ng voice sample audio file; pinapalitan nito ang `preset` kapag ibinigay.
seedopsyonal
Uriinteger | null
Random seed na ginagawang nauulit ang pagbuo.
cfg_scaleopsyonal
Urinumber
default1.3
1 – 2
Tinutukoy ng CFG (Classifier-Free Guidance) strength kung gaano kalapit na susunod ang pagbuo sa text; mas mahigpit ang pagsunod sa mas mataas na setting.
enable_safety_checkeropsyonal
Uriboolean
defaulttrue
Maaaring luwagan ang screening sa pamamagitan ng pagtatakda ng false, kung awtorisado ang tumatawag.
kinakailangan

Output

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"
  }
}
Ikaw ang pumipili para sa iyong mga fileAng bawat outputs[].url ay kopya sa aming storage: pinananatili nang walang hanggan (sinisingil bawat GB-month) o 7 araw nang libre, ayon sa setting ng iyong account o ?storage=.
Parehong shape sa bawat modelotype, url, content_type, width, height at duration, para sa mga larawan, video at audio. Ang output ay sariling result object ng modelo.
Mga field ng output
audio
object {url, content_type, file_name, file_size}Audio file na naglalaman ng synthesized speech.
duration
numberHaba ng audio output, sinusukat sa segundo.
sample_rate
integerSampling rate ng audio output.
generation_time
numberOras ng pagbuo ng audio, sinusukat sa segundo.
rtf
numberReal-time factor na kinakalkula bilang generation_time na hinati sa audio_duration; mas maliit na value ang nangangahulugang mas mahusay na performance.

Higit pang modelo: Text patungong Speech

Para sa mga AI agent: nasa Markdown ang pahinang ito sa https://doitong.com/fil/developers/models/vibevoice.md. Lahat ng modelo at gabay: https://doitong.com/developers/llms.txt