Op den Inhalt sprangen

Tada TTS 1B

Integréieren

Modell-ID tada/1b/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/tada/1b/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: 0,003 $ 3 API-Kreditter Op dëser Säit ausféieren

API-Schlëssel kréien
Open model Text zu Sprooch

Text-zu-Sprooch mat Stëmmklonen aus engem Referenzaudioclip, 1B-Variant mat zéng Sproochen

Open model · 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

Sproochinhalt als Text; de Referenzspriecher liwwert d'Stëmm, mat där en duergestallt gëtt.

•obligatoresch audio_url
Fichier erofzéien, oder

Quell fir Voice-Cloning als Audio-Datei-URL, déi de Spriecher identifizéiert, deem seng Stëmmcharakteristike de Modell reproduzéiere soll.

Erweidert output_format · transcript · language · num_extra_steps · temperature · top_p · repetition_penalty · acoustic_cfg_scale · noise_temperature · num_inference_steps · speed_up_factor · enable_safety_checker
output_format Standard wav

Dateiformat vum generéierten Audio.

Standard

Transkript vum Referenz-Audio, dat fir Opnamen an anere Sproochen wéi Englesch uginn muss ginn; automatesch Transkriptioun ass nëmme fir Englesch integréiert.

Standard en

Sproochecode fir d'Textausriichtung, deen der Sprooch vun der Synthes entsprieche muss, wann Sprooch anescht wéi Englesch generéiert gëtt.

Standard 0

Zousätzlech autoregressiv Schrëtt fir auslafend Prosodie oder Rou ze addéieren, andeems d'Sprooch iwwer den uginnene Text eraus weidergefouert gëtt.

Standard 0.6

Sampling-Temperatur fir Text-Token: eng Erhéijung bréngt méi Varietéit am Output, an 0 oder manner ass net erlaabt.

Standard 0.9

Top-p-(Nucleus)-Sampling-Astellung fir Text ze generéieren.

Standard 1.1

Strof fir d'Widderhuele vu Token beim Generéiere vum Output.

Standard 1.6

Classifier-free-Guidance-Stäerkt fir akustesch Features ze generéieren.

Standard 0.9

Rauschtemperatur bei der Flow-Matching-Diffusioun.

Standard 20

Schrëttzuel vum ODE-Solver, fir Akustik duerch Flow Matching ze generéieren.

Standard 1

Multiplikator fir d'Vitesse vun der Sprooch: generéiert Sprooch gëtt ënner 1.0 méi lues an iwwer 1.0 méi séier.

POST /run/tada/1b/text-to-speech?wait=20 Präis → 0,003 $
# 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/tada/1b/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 Tada TTS 1B

Liest den Text vum `prompt` mat der Stëmm vun engem Referenzclip, dee mat `audio_url` uginn ass. Fir net-engleschen Audio ass en `transcript` vum Referenzclip néideg. `language` ënnerstëtzt en, ar, ch, de, es, fr, it, ja, pl an pt. D'Astellungen enthalen `speed_up_factor` (0.5 bis 2), `temperature`, `top_p` an `num_inference_steps`; den Ausgang ass wav oder mp3.

Parameteren

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

NummTyp StandardErlaabt Beschreiwung
audio_urlobligatoresch audio
Typurl · audio
Quell fir Voice-Cloning als Audio-Datei-URL, déi de Spriecher identifizéiert, deem seng Stëmmcharakteristike de Modell reproduzéiere soll.
transcriptoptional
Typstring
Standard
Transkript vum Referenz-Audio, dat fir Opnamen an anere Sproochen wéi Englesch uginn muss ginn; automatesch Transkriptioun ass nëmme fir Englesch integréiert.
promptobligatoresch
Typstring
Sproochinhalt als Text; de Referenzspriecher liwwert d'Stëmm, mat där en duergestallt gëtt.
languageoptional
Typenum
Standarden
enarchdeesfritjaplpt
Sproochecode fir d'Textausriichtung, deen der Sprooch vun der Synthes entsprieche muss, wann Sprooch anescht wéi Englesch generéiert gëtt.
num_extra_stepsoptional
Typinteger
Standard0
0 – 50
Zousätzlech autoregressiv Schrëtt fir auslafend Prosodie oder Rou ze addéieren, andeems d'Sprooch iwwer den uginnene Text eraus weidergefouert gëtt.
temperatureoptional
Typnumber
Standard0.6
≤ 2> 0
Sampling-Temperatur fir Text-Token: eng Erhéijung bréngt méi Varietéit am Output, an 0 oder manner ass net erlaabt.
top_poptional
Typnumber
Standard0.9
0 – 1
Top-p-(Nucleus)-Sampling-Astellung fir Text ze generéieren.
repetition_penaltyoptional
Typnumber
Standard1.1
1 – 2
Strof fir d'Widderhuele vu Token beim Generéiere vum Output.
acoustic_cfg_scaleoptional
Typnumber
Standard1.6
0 – 10
Classifier-free-Guidance-Stäerkt fir akustesch Features ze generéieren.
noise_temperatureoptional
Typnumber
Standard0.9
0 – 2
Rauschtemperatur bei der Flow-Matching-Diffusioun.
num_inference_stepsoptional
Typinteger
Standard20
1 – 50
Schrëttzuel vum ODE-Solver, fir Akustik duerch Flow Matching ze generéieren.
speed_up_factoroptional
Typnumber
Standard1
0,5 – 2
Multiplikator fir d'Vitesse vun der Sprooch: generéiert Sprooch gëtt ënner 1.0 méi lues an iwwer 1.0 méi séier.
output_formatoptional
Typenum
Standardwav
wavmp3
Dateiformat vum generéierten Audio.
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": "tada/1b/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": 3,
    "usd": "0.003",
    "charged": 3,
    "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,
      "duration": 5,
      "channels": 1,
      "sample_rate": 1,
      "bitrate": "string"
    }
  },
  "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, duration, channels, sample_rate, bitrate}Audio-Datei mat der synthetiséierter Sprooch.

Méi Modeller: Text zu Sprooch

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/tada/1b/text-to-speech.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt