Перейти к содержимому

VibeVoice 1.5B

Интеграция

ID модели 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"

Этот запрос: ≈0,02 $ 20 API-кредитов · ≈ 2,11 ₽ Запустить на этой странице

Получить API-ключ
Microsoft Текст в речь #text-to-speech#multi-speaker#podcast

Синтез речи с несколькими дикторами для длинных сценариев, например подкастов, с отдельными голосами для каждого диктора

Microsoft · Аудио

Здесь появится ваш первый результат

Составьте запрос ниже и выполните его с помощью API-ключа. Результаты копируются в наше хранилище и хранятся навсегда или 7 дней бесплатно.

Сформировать запрос

Элементы управления сгенерированы из схемы модели. Код и цена обновляются при изменении параметров.

•обязательно 88 / 90000

Сценарий речевого ввода с необязательными метками 'Speaker X:' для различения говорящих в диалоге.

•обязательно

Говорящие определяются автоматически по сценарию или предоставленным образцам голоса; передайте список, чтобы указать их явно.

Расширенные cfg_scale · seed · enable_safety_checker
по умолчанию 1.3

Сила CFG (Classifier-Free Guidance) определяет, насколько точно генерация следует тексту; при более высоких значениях соответствие усиливается.

Случайный seed, обеспечивающий воспроизводимость генерации.

POST /run/vibevoice?wait=20 стоимость → 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"

Запустить этот запрос

Ваш ключ хранится в этом браузере: он отправляется только в Doitong API и сохраняется в localStorage только при включении параметра «Запомнить». Получить API-ключ

О VibeVoice 1.5B

Преобразует `script` длиной до 90000 символов в речь. В диалогах можно использовать префиксы 'Speaker X:', а обязательный список `speakers` определяет голоса. `cfg_scale` принимает значения от 1 до 2 и управляет соответствием текста, а `seed` обеспечивает воспроизводимость запусков. Возвращает аудио, длительность и частоту дискретизации.

Параметры

ИмяТип По умолчаниюДопустимые значения Описание
scriptобязательно
Типstring
≤ 90 000 символов
Сценарий речевого ввода с необязательными метками 'Speaker X:' для различения говорящих в диалоге.
speakersобязательно
Типobject[]
Говорящие определяются автоматически по сценарию или предоставленным образцам голоса; передайте список, чтобы указать их явно.
speakers[].presetнеобязательно
Типenum
По умолчаниюAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Резервный пресет голоса для говорящего без `audio_url`; переданный аудиообразец имеет приоритет над пресетом.
speakers[].audio_urlнеобязательно
Типurl · audio
URL аудиофайла с образцом голоса; его передача переопределяет `preset`.
seedнеобязательно
Типinteger | null
Случайный seed, обеспечивающий воспроизводимость генерации.
cfg_scaleнеобязательно
Типnumber
По умолчанию1.3
1 – 2
Сила CFG (Classifier-Free Guidance) определяет, насколько точно генерация следует тексту; при более высоких значениях соответствие усиливается.
enable_safety_checkerнеобязательно
Типboolean
По умолчаниюtrue
Проверку можно ослабить, установив false, если вызывающая сторона авторизована.
обязательно

Результат

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"
  }
}
Ваши файлы — ваш выборКаждый URL из outputs[].url — это копия в нашем хранилище: она хранится навсегда (оплата за ГБ в месяц) или 7 дней бесплатно — в зависимости от настройки вашего аккаунта или параметра ?storage=.
Одинаковая структура у каждой моделиtype, url, content_type, width, height и duration — одинаково для изображений, видео и аудио. output — собственный объект результата модели.
Поля результата
audio
object {url, content_type, file_name, file_size}Аудиофайл с синтезированной речью.
duration
numberДлительность выходного аудио в секундах.
sample_rate
integerЧастота дискретизации выходного аудио.
generation_time
numberВремя генерации аудио в секундах.
rtf
numberКоэффициент реального времени, рассчитанный как generation_time, делённое на audio_duration; меньшие значения означают более высокую производительность.

Другие модели: Текст в речь

Для AI-агентов: эта страница в формате Markdown доступна по адресу https://doitong.com/ru/developers/models/vibevoice.md. Все модели и руководства: https://doitong.com/developers/llms.txt