Op den Inhalt sprangen

Index TTS 2.0

Integréieren

Modell-ID index-tts-2/text-to-speech
# 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/index-tts-2/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

Bis zu 0,06 $ pro Laf no der tatsächlecher Notzung verrechent, de Rescht gëtt rembourséiert Op dëser Säit ausféieren

API-Schlëssel kréien
bilibili Text zu Sprooch #text-to-speech

Sproochsynthes aus enger Referenzstëmm an Text, mat Emotiounskontroll iwwer Audio, Prompt oder emotiounsspezifesch Stäerkten

bilibili · Audio

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

•obligatoresch

Prompt fir d'Generatioun vun der Sprooch.

•obligatoresch audio_url
Fichier erofzéien, oder

Quell-Audio-Datei, déi fir d'Sproochgeneratioun benotzt gëtt.

Erweidert emotion_prompt · emotional_audio_url · strength · should_use_prompt_for_emotion · enable_safety_checker · emotional_strengths

Instruktioune fir den emotionale Stil, déi och `should_use_prompt_for_emotion` erfuerderen.

Fichier erofzéien, oder

Referenz-Audio-Datei, déi benotzt gëtt, fir den emotionale Stil z'extrahéieren.

Standard 1

Den emotionalen Afloss beim Stiltransfer hëlt mat dëser Stäerkt-Astellung zou.

Intensitéitswäerter pro Emotioun fir eng fein Ofstëmmung.

POST /run/index-tts-2/text-to-speech?wait=20 Präis → 0,06 $
# 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/index-tts-2/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer Index TTS 2.0

Generéiert Sprooch fir den Text am `prompt` a benotzt d’Stëmm aus dem Referenzclip bei `audio_url`. Den emotionalen Stil kann aus engem zweete Clip mat `emotional_audio_url` iwwerholl a mat `strength` (0 bis 1) skaliéiert oder iwwer `emotional_strengths` festgeluecht ginn. Alternativ kann `should_use_prompt_for_emotion` aktivéiert ginn, optional mat engem separaten `emotion_prompt`. Den Audio kënnt als Base64-Objet zeréck.

Parameteren

Schéck entweder den kanoneschen Numm oder den natierlechen Numm, net béid. Kanonesch Nimm

NummTyp StandardErlaabt Beschreiwung
audio_urlobligatoresch audio
Typurl · audio
Quell-Audio-Datei, déi fir d'Sproochgeneratioun benotzt gëtt.
promptobligatoresch
Typstring
Prompt fir d'Generatioun vun der Sprooch.
emotional_audio_urloptional
Typurl · audio
Referenz-Audio-Datei, déi benotzt gëtt, fir den emotionale Stil z'extrahéieren.
strengthoptional
Typnumber
Standard1
0 – 1
Den emotionalen Afloss beim Stiltransfer hëlt mat dëser Stäerkt-Astellung zou.
emotional_strengthsoptional
Typobject
Intensitéitswäerter pro Emotioun fir eng fein Ofstëmmung.
emotional_strengths.happyoptional
Typnumber
Standard0
0 – 1
Intensitéit vun der Emotioun Gléck.
emotional_strengths.angryoptional
Typnumber
Standard0
0 – 1
Intensitéit vun der Roserei.
emotional_strengths.sadoptional
Typnumber
Standard0
0 – 1
Intensitéit vun der Trauregkeet.
emotional_strengths.afraidoptional
Typnumber
Standard0
0 – 1
Intensitéit vun der Angscht.
emotional_strengths.disgustedoptional
Typnumber
Standard0
0 – 1
Intensitéit vum Ekel.
emotional_strengths.melancholicoptional
Typnumber
Standard0
0 – 1
Intensitéit vun der Melancholie.
emotional_strengths.surprisedoptional
Typnumber
Standard0
0 – 1
Intensitéit vun der Iwwerraschung.
emotional_strengths.calmoptional
Typnumber
Standard0
0 – 1
Intensitéit vun der Rou.
should_use_prompt_for_emotionoptional
Typboolean | null
Standardfalse
D'Emotiounsberechnung iwwer de Prompt ersetzt aktivéiert déi explizitt `emotional_strengths`. Den emotionale Stil kënnt vun `emotion_prompt`, wann uginn, soss vun `prompt`.
emotion_promptoptional
Typstring | null
Instruktioune fir den emotionale Stil, déi och `should_use_prompt_for_emotion` erfuerderen.
enable_safety_checkeroptional
Typboolean
Standardtrue
D'Kontroll kann duerch false gelackert ginn, wann den Uruffer autoriséiert ass.
obligatoresch Kanoneschen Numm, och akzeptéiert

Fichierparameter akzeptéieren eng ëffentlech https:// URL, eng data: URI bis zu 10 MB oder de file_url vun engem Upload. Fichieren

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "index-tts-2/text-to-speech",
  "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": 60,
    "usd": "0.06",
    "charged": 60,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  },
  "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
    }
  },
  "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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
audio
object {url, content_type, file_name, file_size}Generéierten Audio am Base64-Format.

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/index-tts-2/text-to-speech.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt