Ir para o conteúdo

VibeVoice 1.5B

Integrar

ID do modelo 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"

Esta solicitação: ≈$ 0,02 20 créditos de API Executar nesta página

Obter chave de API
Microsoft Texto para fala #text-to-speech#multi-speaker#podcast

Texto para fala com múltiplos falantes para roteiros longos, como podcasts, com vozes por falante

Microsoft · Áudio

Seu primeiro resultado aparecerá aqui

Monte uma requisição abaixo e execute-a com sua chave de API. As saídas são copiadas para nosso armazenamento, mantidas para sempre ou por 7 dias gratuitamente.

Criar uma solicitação

Os controles são gerados a partir do esquema do modelo. O código e o preço são atualizados conforme você os altera.

•obrigatório 88 / 90000

Script de entrada de fala, com rótulos opcionais 'Speaker X:' para distinguir os interlocutores em um diálogo.

•obrigatório

Os interlocutores são inferidos automaticamente usando o script ou amostras de voz fornecidas; forneça uma lista para especificá-los explicitamente.

Avançado cfg_scale · seed · enable_safety_checker
padrão 1.3

A intensidade do CFG (Classifier-Free Guidance) determina o quanto a geração segue o texto, com maior aderência em configurações mais altas.

Seed aleatória que torna a geração reproduzível.

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

Executar esta solicitação

Sua chave permanece neste navegador: ela é enviada somente à Doitong API e salva (localStorage) apenas se você marcar Lembrar. Obter uma chave de API

Sobre VibeVoice 1.5B

Converte um `script` de até 90000 caracteres em fala. O diálogo pode usar prefixos 'Speaker X:', e a lista obrigatória `speakers` define as vozes. `cfg_scale` varia de 1 a 2 e controla a fidelidade ao texto, e `seed` torna as execuções reproduzíveis. Retorna áudio, duração e taxa de amostragem.

Parâmetros

NomeTipo PadrãoPermitido Descrição
scriptobrigatório
Tipostring
≤ 90.000 caracteres
Script de entrada de fala, com rótulos opcionais 'Speaker X:' para distinguir os interlocutores em um diálogo.
speakersobrigatório
Tipoobject[]
Os interlocutores são inferidos automaticamente usando o script ou amostras de voz fornecidas; forneça uma lista para especificá-los explicitamente.
speakers[].presetopcional
Tipoenum
PadrãoAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Predefinição de voz alternativa para um interlocutor sem `audio_url`; fornecer essa amostra de áudio tem prioridade sobre a predefinição.
speakers[].audio_urlopcional
Tipourl · audio
URL do arquivo de amostra de voz; fornecê-lo substitui `preset`.
seedopcional
Tipointeger | null
Seed aleatória que torna a geração reproduzível.
cfg_scaleopcional
Tiponumber
Padrão1.3
1 – 2
A intensidade do CFG (Classifier-Free Guidance) determina o quanto a geração segue o texto, com maior aderência em configurações mais altas.
enable_safety_checkeropcional
Tipoboolean
Padrãotrue
A filtragem pode ser relaxada definindo false, desde que o chamador esteja autorizado.
obrigatório

Saída

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"
  }
}
Seus arquivos, sua escolhaCada outputs[].url é uma cópia em nosso armazenamento: mantida para sempre (cobrada por GB-mês) ou por 7 dias gratuitamente, conforme a configuração da sua conta ou ?storage=.
Mesmo formato em todos os modelostype, url, content_type, width, height e duration, para imagens, vídeos e áudios. output é o próprio objeto de resultado do modelo.
Campos da saída
audio
object {url, content_type, file_name, file_size}Arquivo de áudio contendo a fala sintetizada.
duration
numberDuração da saída de áudio, medida em segundos.
sample_rate
integerTaxa de amostragem da saída de áudio.
generation_time
numberTempo de geração do áudio, medido em segundos.
rtf
numberFator de tempo real calculado como generation_time dividido por audio_duration; valores menores indicam melhor desempenho.

Mais modelos: Texto para fala

Para agentes de IA: esta página em Markdown está em https://doitong.com/pt-BR/developers/models/vibevoice.md. Todos os modelos e guias: https://doitong.com/developers/llms.txt