Op den Inhalt sprangen

Maya · Stream

Integréieren

Modell-ID maya/stream
# 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/stream?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

Streaming-Variant vu Maya Text-zu-Sprooch fir een eenzegen Text mat enger Stëmmbeschreiwung

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/stream?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/stream?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 Maya · Stream

Maacht aus engem Text vu bis zu 5000 Zeechen Sprooch, mat enger verpflichtender Stëmmbeschreiwung `prompt` vu bis zu 500 Zeechen an agebettbare Emotiounstags. Optiounen enthalen `temperature`, `top_p`, `repetition_penalty`, 48 oder 24 kHz Samplerate a wav- oder mp3-Ausgab. Gëtt Audio mat Dauer a Echtzäitfaktor zeréck.

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/stream",
  "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/stream.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt