Léim chuig an ábhar

VibeVoice 1.5B

Comhtháthú

Aitheantas na samhla 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"

An t-iarratas seo: ≈$0.02 20 gcreidmheas API Rith ar an leathanach seo

Faigh eochair API
Microsoft Téacs go Urlabhra #text-to-speech#multi-speaker#podcast

Téacs-go-hurlabhra ilchainteora do scripteanna fada amhail podchraoltaí, le guthanna in aghaidh an chainteora

Microsoft · Fuaim

Beidh do chéad toradh anseo

Tóg iarratas thíos agus rith é le d’eochair API. Cóipeáiltear na haschuir chuig ár stóráil, coinnithe go deo nó ar feadh 7 lá saor in aisce.

Tóg iarratas

Gintear na rialtáin ó scéim na samhla. Nuashonraítear an cód agus an praghas de réir mar a athraíonn tú iad.

•riachtanach 88 / 90000

Script ionchuir cainte, le lipéid roghnacha 'Speaker X:' chun cainteoirí i gcomhrá a idirdhealú.

•riachtanach

Aithnítear na cainteoirí go huathoibríoch ag úsáid an script nó samplaí gutha soláthraithe; soláthair liosta chun iad a shonrú go sainráite.

Ardleibhéal cfg_scale · seed · enable_safety_checker
réamhshocrú 1.3

Cinneann neart CFG (Classifier-Free Guidance) cé chomh dlúth agus a leanann an giniúint an téacs; bíonn an cloí níos láidre ag socruithe níos airde.

Síl randamach a fhágann go bhfuil an ghiniúint in-atáirgthe.

POST /run/vibevoice?wait=20 luachan → $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"

Rith an t-iarratas seo

Fanann d'eochair sa bhrabhsálaí seo: seoltar chuig Doitong API amháin í agus sábháiltear (localStorage) í ach amháin má chuireann tú tic le Meabhraigh. Faigh eochair API

Maidir le VibeVoice 1.5B

Tiontaíonn sé `script` suas le 90000 carachtar ina chaint. Is féidir le dialóg réimíreanna 'Speaker X:' a úsáid, agus sainmhíníonn an liosta riachtanach `speakers` na guthanna. Tá raon `cfg_scale` ó 1 go 2 agus rialaíonn sé cloí leis an téacs, agus déanann `seed` ritheanna in-atáirgthe. Tugann sé fuaim móide fad agus ráta samplála ar ais.

Paraiméadair

AinmCineál RéamhshocrúCeadaithe Cur síos
scriptriachtanach
Cineálstring
≤ 90,000 gcarachtar
Script ionchuir cainte, le lipéid roghnacha 'Speaker X:' chun cainteoirí i gcomhrá a idirdhealú.
speakersriachtanach
Cineálobject[]
Aithnítear na cainteoirí go huathoibríoch ag úsáid an script nó samplaí gutha soláthraithe; soláthair liosta chun iad a shonrú go sainráite.
speakers[].presetroghnach
Cineálenum
RéamhshocrúAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Réamhshocrú gutha cúltaca do chainteoir gan `audio_url`; bíonn tosaíocht ag an sampla fuaime sin ar an réamhshocrú.
speakers[].audio_urlroghnach
Cineálurl · audio
URL comhaid fuaime sampla gutha; sáraíonn a sholáthar `preset`.
seedroghnach
Cineálinteger | null
Síl randamach a fhágann go bhfuil an ghiniúint in-atáirgthe.
cfg_scaleroghnach
Cineálnumber
Réamhshocrú1.3
1 – 2
Cinneann neart CFG (Classifier-Free Guidance) cé chomh dlúth agus a leanann an giniúint an téacs; bíonn an cloí níos láidre ag socruithe níos airde.
enable_safety_checkerroghnach
Cineálboolean
Réamhshocrútrue
Is féidir an scagadh a mhaolú trí false a shocrú, ar choinníoll go bhfuil údarú ag an nglaoiteoir.
riachtanach

Aschur

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"
  }
}
Do chuid comhad, do roghaIs cóip ar ár stóráil é gach outputs[].url: coinnithe go deo (íoctha in aghaidh GB-mhí) nó ar feadh 7 lá saor in aisce, de réir shocrú do chuntais nó ?storage=.
An cruth céanna ar gach samhailtype, url, content_type, width, height agus duration, d'íomhánna, d'fhíseáin agus d'fhuaim araon. Is é output réad toraidh na samhla féin.
Réimsí aschuir
audio
object {url, content_type, file_name, file_size}Comhad fuaime ina bhfuil an chaint shintéiseáilte.
duration
numberFad an aschuir fuaime, tomhaiste i soicind.
sample_rate
integerRáta samplála an aschuir fuaime.
generation_time
numberAm giniúna fuaime, tomhaiste i soicind.
rtf
numberFachtóir fíor-ama arna ríomh mar generation_time roinnte ar audio_duration; léiríonn luachanna níos lú feidhmíocht níos fearr.

Tuilleadh samhlacha: Téacs go Urlabhra

Do ghníomhairí AI: tá an leathanach seo mar Markdown ag https://doitong.com/ga/developers/models/vibevoice.md. Gach samhail agus treoir: https://doitong.com/developers/llms.txt