Przejdź do treści

Zonos2 Text to Speech

Integracja

Identyfikator modelu zonos2
# 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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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"

Do 0,02 $ za uruchomienie opłata jest naliczana za rzeczywiste wykorzystanie, a reszta jest zwracana Uruchom na tej stronie

Uzyskaj klucz API
Zyphra Tekst na mowę Dane referencyjne #text-to-speech#tts#voice-cloning

Wielojęzyczne klonowanie głosu TTS z kontrolą próbkowania i wyborem między wiernym podobieństwem a ekspresyjną interpretacją

Zyphra · 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
Upuść plik lub

Audio zawierające głos źródłowy do klonowania.

Zaawansowane language · temperature · top_p · min_p · top_k · max_tokens · seed · accurate_mode · clean_speaker_background · enable_safety_checker
domyślnie en_us

Wybór języka normalizacji tekstu, która jest pomijana, chyba że kod należy do: en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn, ko.

domyślnie 1.15

Temperatura używana do samplingu.

domyślnie 0

Prawdopodobieństwo próbkowania jądra; ustaw 0, aby je wyłączyć.

domyślnie 0.18

Próg prawdopodobieństwa dla próbkowania z minimalnym prawdopodobieństwem.

domyślnie 106

Limit próbkowania top-k; ustaw 0, aby je wyłączyć.

Limit generowania klatek audio, wykorzystujący limit kontekstu modelu, chyba że podano wartość maksymalną.

Ziarno zapewniające powtarzalność wyników; jeśli je pominięto, jest wybierane losowo.

POST /run/zonos2?wait=20 wycena → 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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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 Zonos2 Text to Speech

Klonuje głos z `reference_audio_url` i odczytuje tekst, zwracając dźwięk WAV 44.1kHz mono wraz z użytym ziarnem. `language` określa normalizację tekstu dla en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn i ko. `accurate_mode` równoważy podobieństwo głosu i ekspresję, a próbkowanie można dostosować za pomocą `temperature`, `top_p`, `min_p`, `top_k` i `max_tokens` (do 6144).

Parametry

NazwaTyp DomyślneDozwolone Opis
reference_audio_urlwymagane
Typurl · audio
Audio zawierające głos źródłowy do klonowania.
languageopcjonalne
Typstring
Domyślneen_us
Wybór języka normalizacji tekstu, która jest pomijana, chyba że kod należy do: en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn, ko.
seedopcjonalne
Typinteger | null
0 – 2 147 483 647
Ziarno zapewniające powtarzalność wyników; jeśli je pominięto, jest wybierane losowo.
accurate_modeopcjonalne
Typboolean
Domyślnetrue
Dopasowanie głosu a ekspresyjność: True sprzyja dokładniejszemu dopasowaniu, natomiast False — bardziej ekspresyjnej mowie.
clean_speaker_backgroundopcjonalne
Typboolean
Domyślnefalse
Wskazuje, że audio referencyjne ma czyste tło.
temperatureopcjonalne
Typnumber
Domyślne1.15
0 – 2
Temperatura używana do samplingu.
top_popcjonalne
Typnumber
Domyślne0
0 – 1
Prawdopodobieństwo próbkowania jądra; ustaw 0, aby je wyłączyć.
min_popcjonalne
Typnumber
Domyślne0.18
0 – 1
Próg prawdopodobieństwa dla próbkowania z minimalnym prawdopodobieństwem.
top_kopcjonalne
Typinteger
Domyślne106
0 – 2048
Limit próbkowania top-k; ustaw 0, aby je wyłączyć.
max_tokensopcjonalne
Typinteger | null
1 – 6144
Limit generowania klatek audio, wykorzystujący limit kontekstu modelu, chyba że podano wartość maksymalną.
enable_safety_checkeropcjonalne
Typboolean
Domyślnetrue
Filtrowanie można złagodzić, ustawiając false, jeśli wywołujący ma odpowiednie uprawnienia.
wymagane

Parametry plików przyjmują publiczny URL https://, identyfikator URI data: do 10 MB albo file_url przesłanego pliku. Pliki

Wynik

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "zonos2",
  "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": {
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "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
    },
    "seed": 42
  },
  "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}Wynik audio w formacie WAV, z częstotliwością próbkowania 44.1kHz i kanałem mono.
seed
integerWartość ziarna stosowana podczas generowania.

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/zonos2.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt