Sleppa yfir í efni

VibeVoice 1.5B

Tengja

Auðkenni líkans 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"

Þessi beiðni: ≈0,02 $ 20 API-inneignir Keyra á þessari síðu

Fá API-lykil
Microsoft Texti í tal #text-to-speech#multi-speaker#podcast

Texti í tal fyrir marga ræðumenn, fyrir löng handrit á borð við hlaðvörp, með rödd fyrir hvern ræðumann

Microsoft · Hljóð

Fyrsta niðurstaðan þín birtist hér

Búðu til beiðni hér að neðan og keyrðu hana með API-lyklinum þínum. Úttök eru afrituð í geymsluna okkar og geymd að eilífu eða 7 dagar án kostnaðar.

Búa til beiðni

Stýringar eru búnar til út frá líkanaskemanu. Kóðinn og verðið uppfærast þegar þú breytir þeim.

•áskilið 88 / 90000

Handrit fyrir talinntak, með valfrjálsum 'Speaker X:'-merkingum til að greina á milli talaðra í samtali.

•áskilið

Talarar eru ákvarðaðir sjálfkrafa út frá handriti eða uppgefnum raddsýnum; sendu lista til að tilgreina þá sérstaklega.

Ítarlegt cfg_scale · seed · enable_safety_checker
sjálfgefið 1.3

CFG (Classifier-Free Guidance)-styrkur ákvarðar hversu náið efnisgerð fylgir textanum; fylgni eykst við hærri stillingar.

Handahófskennt frægildi sem gerir efnisgerð endurtekningarhæfa.

POST /run/vibevoice?wait=20 verðtilboð → 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"

Keyra þessa beiðni

Lykillinn þinn er áfram í þessum vafra: hann er aðeins sendur til Doitong API og vistaður í localStorage aðeins ef þú hakar við Muna. Fá API-lykil

Um VibeVoice 1.5B

Breytir `script` með allt að 90000 stöfum í tal. Samtöl geta notað 'Speaker X:'-forskeyti og nauðsynlegur `speakers`-listi skilgreinir raddirnar. `cfg_scale` spannar 1 til 2 og stýrir samræmi við textann, en `seed` gerir keyrslur endurtekningarhæfar. Skilar hljóði ásamt lengd og sýnatökutíðni.

Færibreytur

HeitiGerð SjálfgefiðLeyfilegt Lýsing
scriptáskilið
Gerðstring
≤ 90.000 stafir
Handrit fyrir talinntak, með valfrjálsum 'Speaker X:'-merkingum til að greina á milli talaðra í samtali.
speakersáskilið
Gerðobject[]
Talarar eru ákvarðaðir sjálfkrafa út frá handriti eða uppgefnum raddsýnum; sendu lista til að tilgreina þá sérstaklega.
speakers[].presetvalfrjálst
Gerðenum
SjálfgefiðAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Vararaddforstilling fyrir talara án `audio_url`; uppgefið hljóðsýni hefur forgang fram yfir forstillinguna.
speakers[].audio_urlvalfrjálst
Gerðurl · audio
Vefslóð að hljóðskrá með raddsýni; ef hún er send kemur hún í stað `preset`.
seedvalfrjálst
Gerðinteger | null
Handahófskennt frægildi sem gerir efnisgerð endurtekningarhæfa.
cfg_scalevalfrjálst
Gerðnumber
Sjálfgefið1.3
1 – 2
CFG (Classifier-Free Guidance)-styrkur ákvarðar hversu náið efnisgerð fylgir textanum; fylgni eykst við hærri stillingar.
enable_safety_checkervalfrjálst
Gerðboolean
Sjálfgefiðtrue
Hægt er að slaka á skimun með því að stilla false, ef beiðandi hefur heimild.
áskilið

Úttak

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"
  }
}
Skrárnar þínar, þitt valHvert outputs[].url er afrit í geymslunni okkar: geymt að eilífu (greitt fyrir hvert GB-mánuðargildi) eða 7 dagar án kostnaðar, eftir stillingu aðgangsins þíns eða ?storage=.
Sama lögun í öllum líkönumtype, url, content_type, width, height og duration, jafnt fyrir myndir, myndbönd og hljóð. output er eigið niðurstöðuhlutur líkansins.
Reitir úttaks
audio
object {url, content_type, file_name, file_size}Hljóðskrá sem inniheldur tilbúið tal.
duration
numberLengd hljóðúttaksins, mæld í sekúndum.
sample_rate
integerÚrtakstíðni hljóðúttaksins.
generation_time
numberTími hljóðefnisgerðar, mældur í sekúndum.
rtf
numberRauntímaþáttur reiknaður sem generation_time deilt með audio_duration; lægri gildi gefa til kynna betri afköst.

Fleiri líkön: Texti í tal

Fyrir gervigreindarþjóna: þessi síða á Markdown-sniði er á https://doitong.com/is/developers/models/vibevoice.md. Öll líkön og leiðbeiningar: https://doitong.com/developers/llms.txt