Aqbeż għall-kontenut

VibeVoice 1.5B

Integra

Id tal-mudell 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"

Din it-talba: ≈$0.02 20 krediti tal-API Ħaddmu f’din il-paġna

Ikseb ċavetta API
Microsoft Test għal diskors #text-to-speech#multi-speaker#podcast

Text-to-speech b’kelliema multipli għal scripts twal bħal podcasts, b’vuċijiet għal kull kelliem

Microsoft · Awdjo

L-ewwel riżultat tiegħek jidher hawn

Ibni talba hawn taħt u ħaddimha biċ-ċavetta API tiegħek. L-outputs jiġu kkupjati fil-ħażna tagħna, miżmuma għal dejjem jew 7 ijiem b’xejn.

Ibni talba

Il-kontrolli jiġu ġġenerati mill-iskema tal-mudell. Il-kodiċi u l-prezz jaġġornaw hekk kif tibdilhom.

•meħtieġ 88 / 90000

Kitba tal-input tad-diskors, b'tikketti mhux obbligatorji bħal 'Speaker X:' biex jiddistingwu l-kelliema fi djalogu.

•meħtieġ

Il-kelliema jiġu dedotti awtomatikament bl-użu tal-kitba jew ta' kampjuni tal-vuċi pprovduti; ipprovdi lista biex tispeċifikahom b'mod espliċitu.

Avvanzat cfg_scale · seed · enable_safety_checker
prestabbilit 1.3

Il-qawwa CFG (Classifier-Free Guidance) tiddetermina kemm il-ġenerazzjoni ssegwi t-test mill-qrib, b'aderenza aktar qawwija f'ambjenti ogħla.

Żerriegħa każwali li tagħmel il-ġenerazzjoni riproduċibbli.

POST /run/vibevoice?wait=20 kwotazzjoni → $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"

Ħaddem din it-talba

Iċ-ċavetta tiegħek tibqa’ f’dan il-browser: tintbagħat biss lid-Doitong API u tiġi ssejvjata (localStorage) biss jekk timmarka Ftakar. Ikseb ċavetta API

Dwar VibeVoice 1.5B

Jikkonverti `script` sa 90000 karattru f’diskors. Id-djalogu jista’ juża prefissi ‘Speaker X:’, u l-lista `speakers` meħtieġa tiddefinixxi l-vuċijiet. `cfg_scale` ivarja minn 1 sa 2 u jikkontrolla kemm jinżamm mat-test, filwaqt li `seed` jagħmel ir-runs riproduċibbli. Jirritorna awdjo flimkien mat-tul u r-rata tal-kampjunar.

Parametri

IsemTip PrestabbilitPermess Deskrizzjoni
scriptmeħtieġ
Tipstring
≤ 90,000 karattri
Kitba tal-input tad-diskors, b'tikketti mhux obbligatorji bħal 'Speaker X:' biex jiddistingwu l-kelliema fi djalogu.
speakersmeħtieġ
Tipobject[]
Il-kelliema jiġu dedotti awtomatikament bl-użu tal-kitba jew ta' kampjuni tal-vuċi pprovduti; ipprovdi lista biex tispeċifikahom b'mod espliċitu.
speakers[].presetmhux obbligatorju
Tipenum
PrestabbilitAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Preset tal-vuċi ta' riżerva għal kelliem mingħajr `audio_url`; il-provvista ta' dak il-kampjun tal-awdjo tieħu preċedenza fuq il-preset.
speakers[].audio_urlmhux obbligatorju
Tipurl · audio
URL tal-fajl tal-kampjun tal-vuċi; il-provvista tiegħu tissostitwixxi `preset`.
seedmhux obbligatorju
Tipinteger | null
Żerriegħa każwali li tagħmel il-ġenerazzjoni riproduċibbli.
cfg_scalemhux obbligatorju
Tipnumber
Prestabbilit1.3
1 – 2
Il-qawwa CFG (Classifier-Free Guidance) tiddetermina kemm il-ġenerazzjoni ssegwi t-test mill-qrib, b'aderenza aktar qawwija f'ambjenti ogħla.
enable_safety_checkermhux obbligatorju
Tipboolean
Prestabbilittrue
L-iskrinjar jista’ jiġi rilassat billi jiġi ssettjat għal false, sakemm min jagħmel it-talba jkun awtorizzat.
meħtieġ

Output

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"
  }
}
Il-fajls tiegħek, l-għażla tiegħekKull outputs[].url huwa kopja fil-ħażna tagħna: miżmuma għal dejjem (imħallsa għal kull GB-xahar) jew 7 ijiem b’xejn, skont l-issettjar tal-kont tiegħek jew ?storage=.
L-istess struttura fuq kull mudelltype, url, content_type, width, height u duration, kemm għall-immaġnijiet kif ukoll għall-vidjo u l-awdjo. output huwa l-oġġett tar-riżultat tal-mudell innifsu.
Oqsma tal-output
audio
object {url, content_type, file_name, file_size}Fajl tal-awdjo li fih id-diskors sintetizzat.
duration
numberTul tal-output tal-awdjo, imkejjel f’sekondi.
sample_rate
integerRata ta’ kampjunar tal-output tal-awdjo.
generation_time
numberĦin tal-ġenerazzjoni tal-awdjo, imkejjel f’sekondi.
rtf
numberFattur f’ħin reali kkalkulat bħala generation_time diviż b’audio_duration; valuri iżgħar jindikaw prestazzjoni aħjar.

Aktar mudelli: Test għal diskors

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/vibevoice.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt