Op den Inhalt sprangen

Zonos2 Text to Speech

Integréieren

Modell-ID zonos2
# 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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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 0,02 $ pro Laf no der tatsächlecher Notzung verrechent, de Rescht gëtt rembourséiert Op dëser Säit ausféieren

API-Schlëssel kréien
Zyphra Text zu Sprooch Referenzinput #text-to-speech#tts#voice-cloning

Multilingual Voice-Cloning-TTS mat Sampling-Kontrollen an der Wiel tëscht enker Stëmmewiddergab an expressiver Ausdrockswäis

Zyphra · 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
Fichier erofzéien, oder

Audio, deen d'Quellstëmm fir d'Klonen ubitt.

Erweidert language · temperature · top_p · min_p · top_k · max_tokens · seed · accurate_mode · clean_speaker_background · enable_safety_checker
Standard en_us

Sproochauswiel fir d'Textnormaliséierung, déi iwwerspronge gëtt, ausser de Code ass ee vun: en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn, ko.

Standard 1.15

Temperatur fir de Sampling.

Standard 0

Wahrscheinlechkeet fir Nucleus-Sampling; op 0 setzen, fir et ze deaktivéieren.

Standard 0.18

Wahrscheinlechkeetsschwell fir Minimum-Wahrscheinlechkeets-Sampling.

Standard 106

Limitt fir Top-k-Sampling; op 0 setzen, fir et ze deaktivéieren.

Limit fir d'Generatioun vun Audio-Frames, déi d'Kontextlimit vum Modells benotzt, ausser e Maximum gëtt uginn.

Seed fir reproduzéierbar Resultater; wann e feelt, gëtt en zoufälleg gewielt.

POST /run/zonos2?wait=20 Präis → 0,02 $
# 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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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 Zonos2 Text to Speech

Klont eng Stëmm aus `reference_audio_url` a schwätzt Text, mat WAV-Audio op 44.1kHz mono an dem benotzte Seed als Resultat. `language` setzt d’Textnormaliséierung fir en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn an ko. `accurate_mode` tauscht Stëmmennoheet géint Expressivitéit, an de Sampling ka mat `temperature`, `top_p`, `min_p`, `top_k` an `max_tokens` (bis zu 6144) agestallt ginn.

Parameteren

NummTyp StandardErlaabt Beschreiwung
reference_audio_urlobligatoresch
Typurl · audio
Audio, deen d'Quellstëmm fir d'Klonen ubitt.
languageoptional
Typstring
Standarden_us
Sproochauswiel fir d'Textnormaliséierung, déi iwwerspronge gëtt, ausser de Code ass ee vun: en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn, ko.
seedoptional
Typinteger | null
0 – 2.147.483.647
Seed fir reproduzéierbar Resultater; wann e feelt, gëtt en zoufälleg gewielt.
accurate_modeoptional
Typboolean
Standardtrue
Ofstëmmung tëscht Stëmmofgläichung an Expressivitéit: True favoriséiert eng méi no Iwwereenstëmmung, wärend False eng méi expressiv Ried favoriséiert.
clean_speaker_backgroundoptional
Typboolean
Standardfalse
Gëtt un, datt den Referenz-Audio en hannergrondfräien Toun huet.
temperatureoptional
Typnumber
Standard1.15
0 – 2
Temperatur fir de Sampling.
top_poptional
Typnumber
Standard0
0 – 1
Wahrscheinlechkeet fir Nucleus-Sampling; op 0 setzen, fir et ze deaktivéieren.
min_poptional
Typnumber
Standard0.18
0 – 1
Wahrscheinlechkeetsschwell fir Minimum-Wahrscheinlechkeets-Sampling.
top_koptional
Typinteger
Standard106
0 – 2.048
Limitt fir Top-k-Sampling; op 0 setzen, fir et ze deaktivéieren.
max_tokensoptional
Typinteger | null
1 – 6.144
Limit fir d'Generatioun vun Audio-Frames, déi d'Kontextlimit vum Modells benotzt, ausser e Maximum gëtt uginn.
enable_safety_checkeroptional
Typboolean
Standardtrue
D'Kontroll kann duerch false gelackert ginn, wann den Uruffer autoriséiert ass.
obligatoresch

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": "zonos2",
  "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": 20,
    "usd": "0.02",
    "charged": 20,
    "refunded": 0
  },
  "input": {
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "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
    },
    "seed": 42
  },
  "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}Output-Audio am WAV-Format, mat enger Samplerate vun 44.1kHz an engem Mono-Kanal.
seed
integerSeed-Wäert, deen während der Generatioun applizéiert gouf.

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/zonos2.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt