Op den Inhalt sprangen

VibeVoice 7B

Integréieren

Modell-ID vibevoice/7b
# 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/7b?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"

Dës Ufro: ≈0,04 $ 40 API-Kreditter Op dëser Säit ausféieren

API-Schlëssel kréien
Microsoft Text zu Sprooch #text-to-speech#multi-speaker#podcast

Méi grousse VibeVoice-Modell fir Multi-Speaker-Dialog, mat Skripte vu bis zu 30000 Zeechen

Microsoft · 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 88 / 30000

Sprooch-Input-Skript, mat optionalen 'Speaker X:'-Etiketten, fir Spriecher an engem Dialog z'ënnerscheeden.

•obligatoresch

Spriecher ginn automatesch mam Skript oder mat geliwwerte Stëmmproben erkannt; gitt eng Lëscht un, fir se explizit ze spezifizéieren.

Erweidert cfg_scale · seed · enable_safety_checker
Standard 1.3

CFG (Classifier-Free Guidance)-Stäerkt bestëmmt, wéi genee d'Generatioun dem Text follegt; méi héich Astellunge féieren zu enger méi staarker Uhale.

Zoufällege Seed, deen d'Generatioun reproduzéierbar mécht.

POST /run/vibevoice/7b?wait=20 Präis → 0,04 $
# 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/7b?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"

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 VibeVoice 7B

Verwandelt e `script` vu bis zu 30000 Zeechen an Sprooch, mat 'Speaker X:'-Präfixe fir Dialog an enger obligatorescher `speakers`-Lëscht fir d’Stëmmen. `cfg_scale` geet vun 1 bis 2, an `seed` erlaabt reproduzéierbaren Output. Et ass d’7B-Versioun vun der Famill, mat enger méi kuerzer Textlimit wéi den 1.5B-Modell.

Parameteren

NummTyp StandardErlaabt Beschreiwung
scriptobligatoresch
Typstring
≤ 30.000 Zeechen
Sprooch-Input-Skript, mat optionalen 'Speaker X:'-Etiketten, fir Spriecher an engem Dialog z'ënnerscheeden.
speakersobligatoresch
Typobject[]
Spriecher ginn automatesch mam Skript oder mat geliwwerte Stëmmproben erkannt; gitt eng Lëscht un, fir se explizit ze spezifizéieren.
speakers[].presetoptional
Typenum
StandardAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Standard-Stëmm-Preset fir e Spriecher ouni `audio_url`; wann dës Audioprouf geliwwert gëtt, huet si Virrang virum Preset.
speakers[].audio_urloptional
Typurl · audio
URL vun der AudiDatei mat enger Stëmmprouf; hir Uweisung iwwerschreift `preset`.
seedoptional
Typinteger | null
Zoufällege Seed, deen d'Generatioun reproduzéierbar mécht.
cfg_scaleoptional
Typnumber
Standard1.3
1 – 2
CFG (Classifier-Free Guidance)-Stäerkt bestëmmt, wéi genee d'Generatioun dem Text follegt; méi héich Astellunge féieren zu enger méi staarker Uhale.
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": "vibevoice/7b",
  "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": 40,
    "usd": "0.04",
    "charged": 40,
    "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"
  }
}
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}Audio-Datei mat der synthetiséierter Sprooch.
duration
numberLängt vum Audio-Output, gemooss a Sekonnen.
sample_rate
integerSamplingrate 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/vibevoice/7b.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt