Pāriet uz saturu

VibeVoice 1.5B

Integrēt

Modeļa id vibevoice
# 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?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"

Šis pieprasījums: ≈0,02 $ 20 API kredītu Izpildīt šajā lapā

Iegūt API atslēgu
Microsoft Teksts uz runu #text-to-speech#multi-speaker#podcast

Teksta pārveide runā ar vairākiem runātājiem gariem scenārijiem, piemēram, podkāstiem, ar katram runātājam piešķirtu balsi

Microsoft · Audio

Šeit būs jūsu pirmais rezultāts

Izveidojiet pieprasījumu tālāk un izpildiet to ar savu API atslēgu. Izvades tiek kopētas mūsu krātuvē un glabātas mūžīgi vai 7 dienas bez maksas.

Izveidot pieprasījumu

Vadīklas tiek ģenerētas no modeļa shēmas. Kods un cena tiek atjaunināti, kad tos maināt.

•obligāts 88 / 90000

Runas ievades scenārijs ar neobligātām 'Speaker X:' etiķetēm, lai dialogā atšķirtu runātājus.

•obligāts

Runātāji tiek noteikti automātiski, izmantojot scenāriju vai nodrošinātos balss paraugus; norādiet sarakstu, lai tos precīzi definētu.

Papildu cfg_scale · seed · enable_safety_checker
noklusējums 1.3

CFG (Classifier-Free Guidance) stiprums nosaka, cik precīzi ģenerēšana seko tekstam; lielākas vērtības nodrošina stingrāku atbilstību.

Nejauša sēkla, kas padara ģenerēšanu reproducējamu.

POST /run/vibevoice?wait=20 cena → 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/vibevoice?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"

Palaist šo pieprasījumu

Jūsu atslēga paliek šajā pārlūkprogrammā: tā tiek nosūtīta tikai uz Doitong API un saglabāta (localStorage) tikai tad, ja atzīmējat Atcerēties. Iegūt API atslēgu

Par VibeVoice 1.5B

Pārvērš līdz 90000 rakstzīmēm garu `script` runā. Dialogā var izmantot prefiksus 'Speaker X:', bet obligātais `speakers` saraksts nosaka balsis. `cfg_scale` ir no 1 līdz 2 un kontrolē atbilstību tekstam, bet `seed` padara izpildes atkārtojamas. Atgriež audio, ilgumu un iztveršanas frekvenci.

Parametri

NosaukumsTips NoklusējumsAtļauts Apraksts
scriptobligāts
Tipsstring
≤ 90 000 rakstzīmju
Runas ievades scenārijs ar neobligātām 'Speaker X:' etiķetēm, lai dialogā atšķirtu runātājus.
speakersobligāts
Tipsobject[]
Runātāji tiek noteikti automātiski, izmantojot scenāriju vai nodrošinātos balss paraugus; norādiet sarakstu, lai tos precīzi definētu.
speakers[].presetneobligāts
Tipsenum
NoklusējumsAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Atkāpšanās balss iestatījums runātājam bez `audio_url`; šī audio parauga nodrošināšana ir prioritāra pār iestatījumu.
speakers[].audio_urlneobligāts
Tipsurl · audio
Balss parauga audio faila URL; tā nodrošināšana aizstāj `preset`.
seedneobligāts
Tipsinteger | null
Nejauša sēkla, kas padara ģenerēšanu reproducējamu.
cfg_scaleneobligāts
Tipsnumber
Noklusējums1.3
1 – 2
CFG (Classifier-Free Guidance) stiprums nosaka, cik precīzi ģenerēšana seko tekstam; lielākas vērtības nodrošina stingrāku atbilstību.
enable_safety_checkerneobligāts
Tipsboolean
Noklusējumstrue
Pārbaudi var atslābināt, iestatot false, ja izsaucējam ir atļauja.
obligāts

Izvade

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vibevoice",
  "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": {
    "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"
  }
}
Jūsu faili, jūsu izvēleKatrs outputs[].url ir kopija mūsu krātuvē: tiek glabāta mūžīgi (maksa par GB mēnesī) vai 7 dienas bez maksas — atbilstoši konta iestatījumam vai ?storage=.
Vienāda struktūra katram modelimtype, url, content_type, width, height un duration gan attēliem, gan video un audio. output ir paša modeļa rezultāta objekts.
Izvades lauki
audio
object {url, content_type, file_name, file_size}Audio fails, kas satur sintezēto runu.
duration
numberAudio izvades ilgums sekundēs.
sample_rate
integerAudio izvades iztveršanas frekvence.
generation_time
numberAudio ģenerēšanas laiks sekundēs.
rtf
numberReāllaika koeficients, ko aprēķina kā generation_time dalītu ar audio_duration; mazākas vērtības norāda uz labāku veiktspēju.

Vairāk modeļu: Teksts uz runu

AI aģentiem: šī lapa Markdown formātā ir pieejama https://doitong.com/lv/developers/models/vibevoice.md. Visi modeļi un ceļveži: https://doitong.com/developers/llms.txt