Op den Inhalt sprangen

Maya1

Integréieren

Modell-ID maya
# 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/maya?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence.",
    "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: ≈0,049 $ 49 API-Kreditter Op dëser Säit ausféieren

API-Schlëssel kréien
Maya Research Text zu Sprooch #text-to-speech#tts

Expressiv Text-zu-Sprooch mat enger Stëmmbeschreiwung an agebetteten Emotiounstags

Maya Research · 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 50 / 5000

Text fir d'Sproochsynthes, deen Emotion-Tags an der Form <emotion_name> op all Positioun erlaabt, wéi bei 'Hello world! <excited> This is amazing!' oder 'I can't believe this <sigh> happened again.'. Ënnerstëtzt Emotioune sinn curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder, a laugh.

•obligatoresch 50 / 500

Stëmm- oder Charaktereegenschaften, déi beschriwwe solle ginn, wéi Intensitéit, Toun, Tempo, Klangfaarf, Tounhéicht, Akzent an Alter.

Erweidert sample_rate · output_format · temperature · top_p · max_tokens · repetition_penalty · enable_safety_checker
sample_rate Standard 48 kHz

Audio-Samplingrate: méi séier Veraarbechtung bei 24 kHz oder méi héich Qualitéit bei 48 kHz.

output_format Standard wav

Audio-Dateiformat fir synthetiséiert Sprooch.

Standard 0.4

Sampling-Temperatur, déi d'Audio-Variatioun bestëmmt: eng Erhéijung bréngt méi Varietéit, wärend de méi nidderege Beräich vun 0.2–0.5 Stabilitéit a Konsistenz favoriséiert.

Standard 0.9

Nucleus-Sampling-Astellung, déi d'Diversitéit bei der Token-Auswiel upasst.

Standard 2000

SNAC-Token-Budget, deen d'Audio-Dauer begrenzt; berechent mat 7 Token pro Frame.

Standard 1.1

Strof fir d'Widderhuele vun Token. Eng Erhéijung reduzéiert Artefakter duerch Widderhuelungen.

POST /run/maya?wait=20 Präis → 0,049 $
# 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/maya?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence.",
    "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 Maya1

Konvertéiert Text vu bis zu 5000 Zeechen a Sprooch. E verpflichtende `prompt` vu bis zu 500 Zeeche beschreift d'Stëmm, zum Beispill Alter, Akzent an Toun. Emotiounstags wéi laugh oder whisper kënnen am Text agebett ginn. Wielt 48 kHz oder 24 kHz Samplerate an wav- oder mp3-Ausgab; `max_tokens` begrenzt d'Audiolängt.

Parameteren

NummTyp StandardErlaabt Beschreiwung
textobligatoresch
Typstring
≤ 5.000 Zeechen
Text fir d'Sproochsynthes, deen Emotion-Tags an der Form <emotion_name> op all Positioun erlaabt, wéi bei 'Hello world! <excited> This is amazing!' oder 'I can't believe this <sigh> happened again.'. Ënnerstëtzt Emotioune sinn curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder, a laugh.
promptobligatoresch
Typstring
≤ 500 Zeechen
Stëmm- oder Charaktereegenschaften, déi beschriwwe solle ginn, wéi Intensitéit, Toun, Tempo, Klangfaarf, Tounhéicht, Akzent an Alter.
temperatureoptional
Typnumber
Standard0.4
0 – 2
Sampling-Temperatur, déi d'Audio-Variatioun bestëmmt: eng Erhéijung bréngt méi Varietéit, wärend de méi nidderege Beräich vun 0.2–0.5 Stabilitéit a Konsistenz favoriséiert.
top_poptional
Typnumber
Standard0.9
0 – 1
Nucleus-Sampling-Astellung, déi d'Diversitéit bei der Token-Auswiel upasst.
max_tokensoptional
Typinteger
Standard2000
28 – 4.000
SNAC-Token-Budget, deen d'Audio-Dauer begrenzt; berechent mat 7 Token pro Frame.
repetition_penaltyoptional
Typnumber
Standard1.1
1 – 2
Strof fir d'Widderhuele vun Token. Eng Erhéijung reduzéiert Artefakter duerch Widderhuelungen.
sample_rateoptional
Typenum
Standard48 kHz
48 kHz24 kHz
Audio-Samplingrate: méi séier Veraarbechtung bei 24 kHz oder méi héich Qualitéit bei 48 kHz.
output_formatoptional
Typenum
Standardwav
wavmp3
Audio-Dateiformat fir synthetiséiert Sprooch.
enable_safety_checkeroptional
Typboolean
Standardtrue
D'Kontroll kann duerch false gelackert ginn, wann den Uruffer autoriséiert ass.
obligatoresch

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "maya",
  "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": 49,
    "usd": "0.049",
    "charged": 49,
    "refunded": 0
  },
  "input": {
    "text": "Hello from Doitong. This is a short test sentence.",
    "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
    },
    "duration": 5,
    "sample_rate": "48 kHz",
    "generation_time": 2.3,
    "rtf": 0.51
  },
  "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}Generéiert Sprooch-Datei am WAV- oder MP3-Format, mat Mono-Audio bei 24 kHz oder 48 kHz, wéi vum Upsampler bestëmmt.
duration
numberLängt vum Audio-Output, gemooss a Sekonnen.
sample_rate
stringSamplingrate vum Audio-Output.
generation_time
numberDauer vun der Audio-Generatioun, gemooss a Sekonnen.
rtf
numberRealtime-Faktor, berechent als generation_time gedeelt duerch audio_duration; méi kleng Wäerter weisen op besser Leeschtung hin.

Méi Modeller: Text zu Sprooch

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/maya.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt