Gå til innhold

VibeVoice 7B

Integrer

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"

Denne forespørselen: ≈0,04 $ 40 API-kreditter Kjør den på denne siden

Hent API-nøkkel
Microsoft Tekst til tale #text-to-speech#multi-speaker#podcast

Større VibeVoice-modell for dialog med flere talere, med manus på opptil 30000 tegn

Microsoft · Lyd

Det første resultatet ditt kommer her

Bygg en forespørsel nedenfor og kjør den med API-nøkkelen din. Utdata kopieres til lagringen vår, lagret for alltid eller 7 dager gratis.

Bygg en forespørsel

Kontrollene genereres fra modellskjemaet. Koden og prisen oppdateres når du endrer dem.

•obligatorisk 88 / 30000

Manus for taleinndata, med valgfrie 'Speaker X:'-etiketter for å skille talere i en dialog.

•obligatorisk

Talere utledes automatisk ved hjelp av manuset eller oppgitte stemmeprøver; oppgi en liste for å spesifisere dem eksplisitt.

Avansert cfg_scale · seed · enable_safety_checker
standard 1.3

CFG-styrke (Classifier-Free Guidance) bestemmer hvor tett genereringen følger teksten; høyere innstillinger gir sterkere samsvar.

Tilfeldig seed som gjør genereringen reproduserbar.

POST /run/vibevoice/7b?wait=20 pris → 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"

Kjør denne forespørselen

Nøkkelen din blir i denne nettleseren: Den sendes bare til Doitong API og lagres bare i localStorage hvis du krysser av for Husk. Hent en API-nøkkel

Om VibeVoice 7B

Gjør et `script` på opptil 30000 tegn om til tale, med 'Speaker X:'-prefikser for dialog og en obligatorisk `speakers`-liste for stemmene. `cfg_scale` varierer fra 1 til 2, og `seed` muliggjør reproduserbart resultat. Dette er 7B-versjonen av familien, med en kortere tekstgrense enn 1.5B-modellen.

Parametere

NavnType StandardTillatt Beskrivelse
scriptobligatorisk
Typestring
≤ 30 000 tegn
Manus for taleinndata, med valgfrie 'Speaker X:'-etiketter for å skille talere i en dialog.
speakersobligatorisk
Typeobject[]
Talere utledes automatisk ved hjelp av manuset eller oppgitte stemmeprøver; oppgi en liste for å spesifisere dem eksplisitt.
speakers[].presetvalgfritt
Typeenum
StandardAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Reserve-stemmeforvalg for en taler uten `audio_url`; hvis lydprøven oppgis, har den forrang foran forvalget.
speakers[].audio_urlvalgfritt
Typeurl · audio
URL til lydfil med stemmeprøve; hvis den oppgis, overstyrer den `preset`.
seedvalgfritt
Typeinteger | null
Tilfeldig seed som gjør genereringen reproduserbar.
cfg_scalevalgfritt
Typenumber
Standard1.3
1 – 2
CFG-styrke (Classifier-Free Guidance) bestemmer hvor tett genereringen følger teksten; høyere innstillinger gir sterkere samsvar.
enable_safety_checkervalgfritt
Typeboolean
Standardtrue
Filtreringen kan lempes ved å angi false, forutsatt at den som gjør forespørselen, er autorisert.
obligatorisk

Utdata

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"
  }
}
Filene dine, ditt valgHver outputs[].url er en kopi på lagringen vår: lagret for alltid (betalt per GB-måned) eller 7 dager gratis, styrt av kontoinnstillingen din eller ?storage=.
Samme struktur for hver modelltype, url, content_type, width, height og duration, for bilder, video og lyd. output er modellens eget resultatobjekt.
Utdatafelt
audio
object {url, content_type, file_name, file_size}Lydfil som inneholder den syntetiserte talen.
duration
numberLengden på lydutdataene, målt i sekund.
sample_rate
integerSamplingsfrekvensen for lydutdataene.
generation_time
numberTid for lydgenerering, målt i sekund.
rtf
numberSanntidsfaktor beregnet som generation_time delt på audio_duration; lavere verdier indikerer bedre ytelse.

Flere modeller: Tekst til tale

For AI-agenter: Denne siden som Markdown finnes på https://doitong.com/no/developers/models/vibevoice/7b.md. Alle modeller og veiledninger: https://doitong.com/developers/llms.txt