ข้ามไปยังเนื้อหา

Tada

ผสานการทำงาน

ID โมเดล tada/3b/text-to-speech
# 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/tada/3b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "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"

คำขอนี้: $0.004 4 เครดิต API เรียกใช้ในหน้านี้

รับคีย์ API

แปลงข้อความเป็นเสียงโดยโคลนเสียงจากคลิปอ้างอิง พร้อมรหัสภาษาจำนวน 10 ภาษา

Open model · เสียง

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น

เนื้อหาคำพูดที่ระบุเป็นข้อความ โดยผู้พูดอ้างอิงจะเป็นผู้ให้เสียงที่ใช้เรนเดอร์

•จำเป็น audio_url
วางไฟล์ หรือ

แหล่งที่มาสำหรับโคลนเสียงที่ระบุเป็น URL ของไฟล์เสียง ใช้ระบุผู้พูดที่มีลักษณะเสียงซึ่งโมเดลต้องจำลอง

ขั้นสูง output_format · transcript · language · num_extra_steps · temperature · top_p · repetition_penalty · acoustic_cfg_scale · noise_temperature · num_inference_steps · speed_up_factor · enable_safety_checker
output_format ค่าเริ่มต้น wav

รูปแบบไฟล์สำหรับเสียงที่สร้าง

ค่าเริ่มต้น

ทรานสคริปต์ของเสียงอ้างอิงที่ต้องระบุสำหรับการบันทึกในภาษาที่ไม่ใช่ภาษาอังกฤษ โดยมีการถอดเสียงอัตโนมัติในตัวเฉพาะภาษาอังกฤษ

ค่าเริ่มต้น en

รหัสภาษาสำหรับจัดแนวข้อความ ซึ่งต้องตรงกับภาษาสังเคราะห์เมื่อสร้างคำพูดในภาษาที่ไม่ใช่ภาษาอังกฤษ

ค่าเริ่มต้น 0

จำนวนขั้นตอน autoregressive เพิ่มเติมสำหรับเพิ่มวัจนลีลาหรือความเงียบช่วงท้าย โดยให้คำพูดดำเนินต่อเกินข้อความที่ระบุ

ค่าเริ่มต้น 0.6

อุณหภูมิการสุ่มตัวอย่างโทเค็นข้อความ การเพิ่มค่านี้จะเพิ่มความหลากหลายของเอาต์พุต และไม่อนุญาตให้ใช้ค่า 0 หรือต่ำกว่า

ค่าเริ่มต้น 0.9

การตั้งค่าการสุ่มตัวอย่างแบบ Top-p (nucleus) ที่ใช้สร้างข้อความ

ค่าเริ่มต้น 1.1

ค่าปรับการทำซ้ำโทเค็นขณะสร้างเอาต์พุต

ค่าเริ่มต้น 1.6

ความแรงของคำแนะนำแบบ classifier-free ที่ใช้สร้างคุณลักษณะทางเสียง

ค่าเริ่มต้น 0.9

อุณหภูมิของสัญญาณรบกวนที่ใช้ระหว่างการแพร่แบบ flow-matching

ค่าเริ่มต้น 20

จำนวนขั้นตอนของตัวแก้ ODE ที่ใช้สร้างเสียงผ่าน flow matching

ค่าเริ่มต้น 1

ตัวคูณความเร็วคำพูด คำพูดที่สร้างจะช้าลงเมื่อค่าต่ำกว่า 1.0 และเร็วขึ้นเมื่อค่าสูงกว่า 1.0

POST /run/tada/3b/text-to-speech?wait=20 ใบเสนอราคา → $0.004
# 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/tada/3b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "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"

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ Tada

โคลนเสียงผู้พูดจากคลิปอ้างอิง (`audio_url`) แล้วอ่านข้อความใน `prompt` ด้วยเสียงนั้น ตัวเลือก `language` รองรับ en, ar, ch, de, es, fr, it, ja, pl และ pt สำหรับคลิปอ้างอิงที่ไม่ใช่ภาษาอังกฤษ ต้องระบุ `transcript` เนื่องจากระบบรู้จำเสียงในตัวรองรับเฉพาะภาษาอังกฤษ ปรับความเร็วได้ตั้งแต่ 0.5 ถึง 2 และเอาต์พุตเป็น wav หรือ mp3

พารามิเตอร์

ส่งชื่อมาตรฐานหรือชื่อดั้งเดิมอย่างใดอย่างหนึ่งเท่านั้น ห้ามส่งทั้งสองชื่อ ชื่อมาตรฐาน

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
audio_urlจำเป็น audio
ประเภทurl · audio
แหล่งที่มาสำหรับโคลนเสียงที่ระบุเป็น URL ของไฟล์เสียง ใช้ระบุผู้พูดที่มีลักษณะเสียงซึ่งโมเดลต้องจำลอง
transcriptไม่บังคับ
ประเภทstring
ค่าเริ่มต้น
ทรานสคริปต์ของเสียงอ้างอิงที่ต้องระบุสำหรับการบันทึกในภาษาที่ไม่ใช่ภาษาอังกฤษ โดยมีการถอดเสียงอัตโนมัติในตัวเฉพาะภาษาอังกฤษ
promptจำเป็น
ประเภทstring
เนื้อหาคำพูดที่ระบุเป็นข้อความ โดยผู้พูดอ้างอิงจะเป็นผู้ให้เสียงที่ใช้เรนเดอร์
languageไม่บังคับ
ประเภทenum
ค่าเริ่มต้นen
enarchdeesfritjaplpt
รหัสภาษาสำหรับจัดแนวข้อความ ซึ่งต้องตรงกับภาษาสังเคราะห์เมื่อสร้างคำพูดในภาษาที่ไม่ใช่ภาษาอังกฤษ
num_extra_stepsไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น0
0 – 50
จำนวนขั้นตอน autoregressive เพิ่มเติมสำหรับเพิ่มวัจนลีลาหรือความเงียบช่วงท้าย โดยให้คำพูดดำเนินต่อเกินข้อความที่ระบุ
temperatureไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.6
≤ 2> 0
อุณหภูมิการสุ่มตัวอย่างโทเค็นข้อความ การเพิ่มค่านี้จะเพิ่มความหลากหลายของเอาต์พุต และไม่อนุญาตให้ใช้ค่า 0 หรือต่ำกว่า
top_pไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.9
0 – 1
การตั้งค่าการสุ่มตัวอย่างแบบ Top-p (nucleus) ที่ใช้สร้างข้อความ
repetition_penaltyไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1.1
1 – 2
ค่าปรับการทำซ้ำโทเค็นขณะสร้างเอาต์พุต
acoustic_cfg_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1.6
0 – 10
ความแรงของคำแนะนำแบบ classifier-free ที่ใช้สร้างคุณลักษณะทางเสียง
noise_temperatureไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น0.9
0 – 2
อุณหภูมิของสัญญาณรบกวนที่ใช้ระหว่างการแพร่แบบ flow-matching
num_inference_stepsไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น20
1 – 50
จำนวนขั้นตอนของตัวแก้ ODE ที่ใช้สร้างเสียงผ่าน flow matching
speed_up_factorไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0.5 – 2
ตัวคูณความเร็วคำพูด คำพูดที่สร้างจะช้าลงเมื่อค่าต่ำกว่า 1.0 และเร็วขึ้นเมื่อค่าสูงกว่า 1.0
output_formatไม่บังคับ
ประเภทenum
ค่าเริ่มต้นwav
wavmp3
รูปแบบไฟล์สำหรับเสียงที่สร้าง
enable_safety_checkerไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
สามารถผ่อนปรนการคัดกรองได้โดยตั้งค่าเป็น false หากผู้เรียกมีสิทธิ์
จำเป็น ชื่อมาตรฐาน ซึ่งรองรับเช่นกัน

พารามิเตอร์ไฟล์รับ URL https:// สาธารณะ, data: URI ขนาดไม่เกิน 10 MB หรือ file_url ของไฟล์ที่อัปโหลด ไฟล์

เอาต์พุต

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "tada/3b/text-to-speech",
  "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": 4,
    "usd": "0.004",
    "charged": 4,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "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,
      "channels": 1,
      "sample_rate": 1,
      "bitrate": "string"
    }
  },
  "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"
  }
}
ไฟล์ของคุณ คุณเลือกเองทุก outputs[].url คือสำเนาบนพื้นที่จัดเก็บของเรา: เก็บไว้ตลอดไป (คิดค่าบริการต่อ GB-เดือน) หรือฟรี 7 วัน โดยกำหนดได้ในการตั้งค่าบัญชีหรือ ?storage=
รูปแบบเดียวกันในทุกโมเดลtype, url, content_type, width, height และ duration สำหรับภาพ วิดีโอ และเสียงเหมือนกันทั้งหมด ส่วน output คือออบเจ็กต์ผลลัพธ์ของโมเดลเอง
ฟิลด์ของเอาต์พุต
audio
object {url, content_type, file_name, file_size, duration, channels, sample_rate, bitrate}ไฟล์เสียงที่มีเสียงพูดสังเคราะห์

โมเดลเพิ่มเติม: ข้อความเป็นเสียงพูด

สำหรับเอเจนต์ AI: หน้า Markdown นี้อยู่ที่ https://doitong.com/th/developers/models/tada/3b/text-to-speech.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt