ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

VibeVoice 7B

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ 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"

ਇਹ ਬੇਨਤੀ: ≈$0.04 40 API ਕ੍ਰੈਡਿਟ ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
Microsoft ਟੈਕਸਟ ਤੋਂ ਬੋਲੀ #text-to-speech#multi-speaker#podcast

multi-speaker ਡਾਇਲਾਗ ਲਈ ਵੱਡਾ VibeVoice ਮਾਡਲ, 30000 ਅੱਖਰਾਂ ਤੱਕ ਦੀਆਂ ਸਕ੍ਰਿਪਟਾਂ ਸਮੇਤ

Microsoft · ਆਡੀਓ

ਤੁਹਾਡਾ ਪਹਿਲਾ ਨਤੀਜਾ ਇੱਥੇ ਹੋਵੇਗਾ

ਹੇਠਾਂ ਬੇਨਤੀ ਬਣਾਓ ਅਤੇ ਆਪਣੀ API ਕੁੰਜੀ ਨਾਲ ਚਲਾਓ। ਆਉਟਪੁੱਟ ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਕਾਪੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਹਮੇਸ਼ਾ ਲਈ ਜਾਂ ਮੁਫ਼ਤ ਵਿੱਚ 7 ਦਿਨ ਤੱਕ ਰੱਖੇ ਜਾਂਦੇ ਹਨ।

ਰਿਕਵੈਸਟ ਬਣਾਓ

ਕੰਟਰੋਲ ਮਾਡਲ ਸਕੀਮਾ ਤੋਂ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਬਦਲਾਅ ਕਰਦੇ ਹੀ ਕੋਡ ਅਤੇ ਕੀਮਤ ਅੱਪਡੇਟ ਹੋ ਜਾਂਦੇ ਹਨ।

•ਲੋੜੀਂਦਾ 88 / 30000

ਬੋਲੀ ਇਨਪੁੱਟ ਸਕ੍ਰਿਪਟ, ਜਿਸ ਵਿੱਚ ਸੰਵਾਦ ਦੇ ਵਕਤਾਵਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਵਿਕਲਪਿਕ 'Speaker X:' ਲੇਬਲ ਹੋ ਸਕਦੇ ਹਨ।

•ਲੋੜੀਂਦਾ

ਵਕਤਾਵਾਂ ਦੀ ਪਛਾਣ ਸਕ੍ਰਿਪਟ ਜਾਂ ਦਿੱਤੇ ਗਏ ਵੌਇਸ ਸੈਂਪਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ-ਆਪ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਉਨ੍ਹਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਰਸਾਉਣ ਲਈ ਸੂਚੀ ਦਿਓ।

ਉੱਨਤ cfg_scale · seed · enable_safety_checker
ਡਿਫ਼ਾਲਟ 1.3

CFG (Classifier-Free Guidance) ਤਾਕਤ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਸਿਰਜਣਾ ਟੈਕਸਟ ਦੀ ਕਿੰਨੀ ਨੇੜੇ ਪਾਲਣਾ ਕਰਦੀ ਹੈ; ਵੱਧ ਸੈਟਿੰਗਾਂ ਉੱਤੇ ਪਾਲਣਾ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਹੁੰਦੀ ਹੈ।

ਬੇਤਰਤੀਬ ਸੀਡ ਜੋ ਸਿਰਜਣਾ ਨੂੰ ਦੁਹਰਾਉਣਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

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

ਇਹ ਬੇਨਤੀ ਚਲਾਓ

ਤੁਹਾਡੀ key ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ: ਇਹ ਸਿਰਫ਼ Doitong API ਨੂੰ ਭੇਜੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ (localStorage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਜੇ ਤੁਸੀਂ Remember ਚੁਣੋ। API ਕੁੰਜੀ ਪ੍ਰਾਪਤ ਕਰੋ

VibeVoice 7B ਬਾਰੇ

ਵੱਧ ਤੋਂ ਵੱਧ 30000 ਅੱਖਰਾਂ ਵਾਲੀ `script` ਨੂੰ ਬੋਲੀ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਸੰਵਾਦ ਲਈ 'Speaker X:' ਪ੍ਰੀਫ਼ਿਕਸ ਅਤੇ ਆਵਾਜ਼ਾਂ ਲਈ ਲੋੜੀਂਦੀ `speakers` ਸੂਚੀ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। `cfg_scale` 1 ਤੋਂ 2 ਤੱਕ ਹੁੰਦਾ ਹੈ ਅਤੇ `seed` ਦੁਹਰਾਉਣਯੋਗ ਆਉਟਪੁੱਟ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਪਰਿਵਾਰ ਦਾ 7B ਸੰਸਕਰਣ ਹੈ, ਜਿਸ ਦੀ ਟੈਕਸਟ ਸੀਮਾ 1.5B ਮਾਡਲ ਨਾਲੋਂ ਘੱਟ ਹੈ।

ਪੈਰਾਮੀਟਰ

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
scriptਲੋੜੀਂਦਾ
ਕਿਸਮstring
≤ 30,000 ਅੱਖਰ
ਬੋਲੀ ਇਨਪੁੱਟ ਸਕ੍ਰਿਪਟ, ਜਿਸ ਵਿੱਚ ਸੰਵਾਦ ਦੇ ਵਕਤਾਵਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਵਿਕਲਪਿਕ 'Speaker X:' ਲੇਬਲ ਹੋ ਸਕਦੇ ਹਨ।
speakersਲੋੜੀਂਦਾ
ਕਿਸਮobject[]
ਵਕਤਾਵਾਂ ਦੀ ਪਛਾਣ ਸਕ੍ਰਿਪਟ ਜਾਂ ਦਿੱਤੇ ਗਏ ਵੌਇਸ ਸੈਂਪਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ-ਆਪ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਉਨ੍ਹਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਰਸਾਉਣ ਲਈ ਸੂਚੀ ਦਿਓ।
speakers[].presetਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
`audio_url` ਤੋਂ ਬਿਨਾਂ ਵਕਤਾ ਲਈ ਫ਼ਾਲਬੈਕ ਵੌਇਸ ਪ੍ਰੀਸੈਟ; ਉਹ ਆਡੀਓ ਸੈਂਪਲ ਦੇਣ ਨੂੰ ਪ੍ਰੀਸੈਟ ਉੱਤੇ ਤਰਜੀਹ ਮਿਲਦੀ ਹੈ।
speakers[].audio_urlਵਿਕਲਪਿਕ
ਕਿਸਮurl · audio
ਵੌਇਸ ਸੈਂਪਲ ਆਡੀਓ ਫ਼ਾਈਲ URL; ਇਸਨੂੰ ਦੇਣ ਨਾਲ `preset` ਓਵਰਰਾਈਡ ਹੁੰਦਾ ਹੈ।
seedਵਿਕਲਪਿਕ
ਕਿਸਮinteger | null
ਬੇਤਰਤੀਬ ਸੀਡ ਜੋ ਸਿਰਜਣਾ ਨੂੰ ਦੁਹਰਾਉਣਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।
cfg_scaleਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1.3
1 – 2
CFG (Classifier-Free Guidance) ਤਾਕਤ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਸਿਰਜਣਾ ਟੈਕਸਟ ਦੀ ਕਿੰਨੀ ਨੇੜੇ ਪਾਲਣਾ ਕਰਦੀ ਹੈ; ਵੱਧ ਸੈਟਿੰਗਾਂ ਉੱਤੇ ਪਾਲਣਾ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਹੁੰਦੀ ਹੈ।
enable_safety_checkerਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
false ਸੈੱਟ ਕਰਕੇ ਸਕ੍ਰੀਨਿੰਗ ਨੂੰ ਢਿੱਲਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜੇ ਕਾਲਰ ਅਧਿਕਾਰਤ ਹੋਵੇ।
ਲੋੜੀਂਦਾ

ਆਉਟਪੁੱਟ

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"
  }
}
ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ, ਤੁਹਾਡੀ ਚੋਣਹਰ outputs[].url ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਕਾਪੀ ਹੈ: ਹਮੇਸ਼ਾ ਲਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ (ਪ੍ਰਤੀ GB-ਮਹੀਨਾ ਭੁਗਤਾਨ) ਜਾਂ 7 ਦਿਨ ਤੱਕ ਮੁਫ਼ਤ, ਤੁਹਾਡੀ ਖਾਤਾ ਸੈਟਿੰਗ ਜਾਂ ?storage= ਅਨੁਸਾਰ।
ਹਰ ਮਾਡਲ ’ਤੇ ਇੱਕੋ ਜਿਹਾ ਰੂਪਤਸਵੀਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਸਭ ਲਈ type, url, content_type, width, height ਅਤੇ duration। output ਮਾਡਲ ਦਾ ਆਪਣਾ ਨਤੀਜਾ ਆਬਜੈਕਟ ਹੈ।
ਆਉਟਪੁੱਟ ਦੇ ਫ਼ੀਲਡ
audio
object {url, content_type, file_name, file_size}ਸਿੰਥੇਸਾਈਜ਼ ਕੀਤੀ ਬੋਲੀ ਵਾਲੀ ਆਡੀਓ ਫ਼ਾਈਲ।
duration
numberਆਡੀਓ ਆਉਟਪੁੱਟ ਦੀ ਲੰਬਾਈ, ਸਕਿੰਟਾਂ ਵਿੱਚ ਮਾਪੀ ਗਈ।
sample_rate
integerਆਡੀਓ ਆਉਟਪੁੱਟ ਦੀ ਸੈਂਪਲਿੰਗ ਦਰ।
generation_time
numberਆਡੀਓ ਸਿਰਜਣਾ ਦਾ ਸਮਾਂ, ਸਕਿੰਟਾਂ ਵਿੱਚ ਮਾਪਿਆ ਗਿਆ।
rtf
numbergeneration_time ਨੂੰ audio_duration ਨਾਲ ਭਾਗ ਦੇ ਕੇ ਗਿਣਿਆ ਰੀਅਲ-ਟਾਈਮ ਫੈਕਟਰ; ਛੋਟੇ ਮੁੱਲ ਵਧੀਆ ਕਾਰਗੁਜ਼ਾਰੀ ਦਰਸਾਉਂਦੇ ਹਨ।

ਹੋਰ ਮਾਡਲ: ਟੈਕਸਟ ਤੋਂ ਬੋਲੀ

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/vibevoice/7b.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt