Hoppa till innehåll

VibeVoice 1.5B

Integrera

Modell-id 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"

Den här begäran: ≈0,02 $ 20 API-krediter Kör den på den här sidan

Hämta API-nyckel
Microsoft Text till tal #text-to-speech#multi-speaker#podcast

Text-till-tal med flera talare för långa manus som poddar, med röster per talare

Microsoft · Ljud

Ditt första resultat visas här

Skapa en begäran nedan och kör den med din API-nyckel. Utdata kopieras till vår lagring och sparas för alltid eller 7 dagar kostnadsfritt.

Skapa en begäran

Kontrollerna genereras från modellschemat. Koden och priset uppdateras när du ändrar dem.

•obligatoriskt 88 / 90000

Skript för talindata, med valfria etiketter av typen 'Speaker X:' för att skilja talare åt i en dialog.

•obligatoriskt

Talare identifieras automatiskt med hjälp av skriptet eller angivna röstprover; ange en lista för att specificera dem uttryckligen.

Avancerat cfg_scale · seed · enable_safety_checker
standard 1.3

CFG-styrkan (Classifier-Free Guidance) avgör hur nära genereringen följer texten, med starkare följsamhet vid högre inställningar.

Slumpmässigt seed som gör genereringen reproducerbar.

POST /run/vibevoice?wait=20 pris → 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"

Kör den här begäran

Din nyckel stannar i den här webbläsaren: den skickas endast till Doitong API och sparas endast i localStorage om du markerar Kom ihåg. Hämta en API-nyckel

Om VibeVoice 1.5B

Omvandlar ett `script` på upp till 90000 tecken till tal. Dialog kan använda prefix som 'Speaker X:', och den obligatoriska listan `speakers` definierar rösterna. `cfg_scale` sträcker sig från 1 till 2 och styr följsamheten till texten, och `seed` gör körningar reproducerbara. Returnerar ljud samt längd och samplingsfrekvens.

Parametrar

NamnTyp StandardTillåtna Beskrivning
scriptobligatoriskt
Typstring
≤ 90 000 tecken
Skript för talindata, med valfria etiketter av typen 'Speaker X:' för att skilja talare åt i en dialog.
speakersobligatoriskt
Typobject[]
Talare identifieras automatiskt med hjälp av skriptet eller angivna röstprover; ange en lista för att specificera dem uttryckligen.
speakers[].presetvalfritt
Typenum
StandardAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Reservröst för en talare utan `audio_url`; om ljudprovet anges har det företräde framför förinställningen.
speakers[].audio_urlvalfritt
Typurl · audio
URL till ljudfil med röstprov; om den anges åsidosätter den `preset`.
seedvalfritt
Typinteger | null
Slumpmässigt seed som gör genereringen reproducerbar.
cfg_scalevalfritt
Typnumber
Standard1.3
1 – 2
CFG-styrkan (Classifier-Free Guidance) avgör hur nära genereringen följer texten, med starkare följsamhet vid högre inställningar.
enable_safety_checkervalfritt
Typboolean
Standardtrue
Granskningen kan lättas genom att ange false, om anroparen är behörig.
obligatoriskt

Resultat

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"
  }
}
Dina filer, ditt valVarje outputs[].url är en kopia i vår lagring: sparad för alltid (debiteras per GB-månad) eller 7 dagar kostnadsfritt, enligt din kontoinställning eller ?storage=.
Samma struktur för varje modelltype, url, content_type, width, height och duration, för bilder, video och ljud. output är modellens eget resultatobjekt.
Resultatets fält
audio
object {url, content_type, file_name, file_size}Ljudfil som innehåller det syntetiserade talet.
duration
numberLjudutdatans längd, mätt i sekunder.
sample_rate
integerLjudutdatans samplingsfrekvens.
generation_time
numberTid för ljudgenerering, mätt i sekunder.
rtf
numberRealtidsfaktor beräknad som generation_time dividerat med audio_duration; lägre värden anger bättre prestanda.

Fler modeller: Text till tal

För AI-agenter: den här sidan som Markdown finns på https://doitong.com/sv/developers/models/vibevoice.md. Alla modeller och guider: https://doitong.com/developers/llms.txt