Przejdź do treści

Maya1

Integracja

Identyfikator modelu maya
# 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/maya?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence.",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

To żądanie: ≈0,049 $ 49 kredytów API Uruchom na tej stronie

Uzyskaj klucz API
Maya Research Tekst na mowę #text-to-speech#tts

Ekspresyjna synteza mowy z promptem opisującym głos i wbudowanymi tagami emocji

Maya Research · Audio

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane 50 / 5000

Tekst syntezy mowy obsługujący tagi emocji w postaci <emotion_name> w dowolnym miejscu, np. w 'Hello world! <excited> This is amazing!' lub 'I can't believe this <sigh> happened again.'. Obsługiwane emocje to curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder i laugh.

•wymagane 50 / 500

Cechy głosu lub postaci do opisania, takie jak intensywność, ton, tempo, barwa, wysokość, akcent i wiek.

Zaawansowane sample_rate · output_format · temperature · top_p · max_tokens · repetition_penalty · enable_safety_checker
sample_rate domyślnie 48 kHz

Częstotliwość próbkowania audio: szybsze przetwarzanie przy 24 kHz lub wyższa jakość wyniku przy 48 kHz.

output_format domyślnie wav

Format pliku audio używany do syntezy mowy.

domyślnie 0.4

Temperatura próbkowania sterująca zmiennością audio: jej zwiększenie zapewnia większą różnorodność, natomiast niższy zakres 0.2–0.5 sprzyja stabilności i spójności.

domyślnie 0.9

Ustawienie próbkowania jądrowego regulujące różnorodność wyboru tokenów.

domyślnie 2000

Budżet tokenów SNAC ograniczający czas trwania audio, obliczany jako 7 tokenów na każdą klatkę.

domyślnie 1.1

Kara nakładana za powtarzanie tokenów. Jej zwiększenie ogranicza artefakty powtórzeń.

POST /run/maya?wait=20 wycena → 0,049 $
# 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/maya?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence.",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Maya1

Konwertuje tekst o długości do 5000 znaków na mowę. Wymagany `prompt` o długości do 500 znaków opisuje głos, na przykład wiek, akcent i ton. Tagi emocji, takie jak laugh lub whisper, można osadzać w tekście. Wybierz częstotliwość próbkowania 48 kHz lub 24 kHz oraz format wyjściowy wav lub mp3; `max_tokens` ogranicza długość dźwięku.

Parametry

NazwaTyp DomyślneDozwolone Opis
textwymagane
Typstring
≤ 5000 znaków
Tekst syntezy mowy obsługujący tagi emocji w postaci <emotion_name> w dowolnym miejscu, np. w 'Hello world! <excited> This is amazing!' lub 'I can't believe this <sigh> happened again.'. Obsługiwane emocje to curious, sarcastic, giggle, gulp, exhale, snort, sing, scream, cry, whisper, excited, angry, gasp, chuckle, sigh, laugh_harder i laugh.
promptwymagane
Typstring
≤ 500 znaków
Cechy głosu lub postaci do opisania, takie jak intensywność, ton, tempo, barwa, wysokość, akcent i wiek.
temperatureopcjonalne
Typnumber
Domyślne0.4
0 – 2
Temperatura próbkowania sterująca zmiennością audio: jej zwiększenie zapewnia większą różnorodność, natomiast niższy zakres 0.2–0.5 sprzyja stabilności i spójności.
top_popcjonalne
Typnumber
Domyślne0.9
0 – 1
Ustawienie próbkowania jądrowego regulujące różnorodność wyboru tokenów.
max_tokensopcjonalne
Typinteger
Domyślne2000
28 – 4000
Budżet tokenów SNAC ograniczający czas trwania audio, obliczany jako 7 tokenów na każdą klatkę.
repetition_penaltyopcjonalne
Typnumber
Domyślne1.1
1 – 2
Kara nakładana za powtarzanie tokenów. Jej zwiększenie ogranicza artefakty powtórzeń.
sample_rateopcjonalne
Typenum
Domyślne48 kHz
48 kHz24 kHz
Częstotliwość próbkowania audio: szybsze przetwarzanie przy 24 kHz lub wyższa jakość wyniku przy 48 kHz.
output_formatopcjonalne
Typenum
Domyślnewav
wavmp3
Format pliku audio używany do syntezy mowy.
enable_safety_checkeropcjonalne
Typboolean
Domyślnetrue
Filtrowanie można złagodzić, ustawiając false, jeśli wywołujący ma odpowiednie uprawnienia.
wymagane

Wynik

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "maya",
  "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": 49,
    "usd": "0.049",
    "charged": 49,
    "refunded": 0
  },
  "input": {
    "text": "Hello from Doitong. This is a short test sentence.",
    "prompt": "Hello from Doitong. This is a short test sentence."
  },
  "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": "48 kHz",
    "generation_time": 2.3,
    "rtf": 0.51
  },
  "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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio
object {url, content_type, file_name, file_size}Wygenerowany plik mowy w formacie WAV lub MP3, z dźwiękiem mono przy 24 kHz lub 48 kHz, zgodnie z ustawieniem upsamplera.
duration
numberDługość wyniku audio mierzona w sekundach.
sample_rate
stringCzęstotliwość próbkowania wyniku audio.
generation_time
numberCzas generowania audio mierzony w sekundach.
rtf
numberWspółczynnik czasu rzeczywistego obliczany jako generation_time podzielone przez audio_duration; mniejsze wartości oznaczają lepszą wydajność.

Więcej modeli: Tekst na mowę

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/maya.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt