ข้ามไปยังเนื้อหา

VibeVoice 7B

ผสานการทำงาน

ID โมเดล vibevoice/7b
# 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/7b?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"

คำขอนี้: ≈$0.04 40 เครดิต API เรียกใช้ในหน้านี้

รับคีย์ API
Microsoft ข้อความเป็นเสียงพูด #text-to-speech#multi-speaker#podcast

โมเดล VibeVoice ขนาดใหญ่ขึ้นสำหรับบทสนทนาหลายผู้พูด รองรับสคริปต์สูงสุด 30000 อักขระ

Microsoft · เสียง

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น 88 / 30000

สคริปต์อินพุตเสียงพูด โดยมีป้ายกำกับ 'Speaker X:' เป็นตัวเลือกเพื่อแยกผู้พูดในการสนทนา

•จำเป็น

ระบบอนุมานผู้พูดโดยอัตโนมัติจากสคริปต์หรือตัวอย่างเสียงที่ระบุ หรือส่งรายการเพื่อระบุผู้พูดอย่างชัดเจน

ขั้นสูง cfg_scale · seed · enable_safety_checker
ค่าเริ่มต้น 1.3

ความเข้ม CFG (Classifier-Free Guidance) กำหนดว่าการสร้างจะทำตามข้อความใกล้เคียงเพียงใด โดยค่าที่สูงขึ้นจะยึดตามข้อความมากขึ้น

seed แบบสุ่มที่ทำให้การสร้างสามารถทำซ้ำได้

POST /run/vibevoice/7b?wait=20 ใบเสนอราคา → $0.04
# 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/7b?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"

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ VibeVoice 7B

แปลง `script` ที่มีความยาวสูงสุด 30000 อักขระเป็นเสียง โดยใช้คำนำหน้า 'Speaker X:' สำหรับบทสนทนาและรายการ `speakers` ที่จำเป็นสำหรับกำหนดเสียง `cfg_scale` มีช่วงตั้งแต่ 1 ถึง 2 และ `seed` ช่วยให้ผลลัพธ์ทำซ้ำได้ นี่คือรุ่น 7B ของตระกูลนี้ โดยมีขีดจำกัดข้อความสั้นกว่ารุ่น 1.5B

พารามิเตอร์

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
scriptจำเป็น
ประเภทstring
≤ 30,000 อักขระ
สคริปต์อินพุตเสียงพูด โดยมีป้ายกำกับ 'Speaker X:' เป็นตัวเลือกเพื่อแยกผู้พูดในการสนทนา
speakersจำเป็น
ประเภทobject[]
ระบบอนุมานผู้พูดโดยอัตโนมัติจากสคริปต์หรือตัวอย่างเสียงที่ระบุ หรือส่งรายการเพื่อระบุผู้พูดอย่างชัดเจน
speakers[].presetไม่บังคับ
ประเภทenum
ค่าเริ่มต้นAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
พรีเซ็ตเสียงสำรองสำหรับผู้พูดที่ไม่มี `audio_url`; การส่งตัวอย่างเสียงนั้นจะมีลำดับความสำคัญเหนือพรีเซ็ต
speakers[].audio_urlไม่บังคับ
ประเภทurl · audio
URL ไฟล์ตัวอย่างเสียงพูด การส่งค่านี้จะแทนที่ `preset`
seedไม่บังคับ
ประเภทinteger | null
seed แบบสุ่มที่ทำให้การสร้างสามารถทำซ้ำได้
cfg_scaleไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1.3
1 – 2
ความเข้ม CFG (Classifier-Free Guidance) กำหนดว่าการสร้างจะทำตามข้อความใกล้เคียงเพียงใด โดยค่าที่สูงขึ้นจะยึดตามข้อความมากขึ้น
enable_safety_checkerไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
สามารถผ่อนปรนการคัดกรองได้โดยตั้งค่าเป็น false หากผู้เรียกมีสิทธิ์
จำเป็น

เอาต์พุต

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vibevoice/7b",
  "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": 40,
    "usd": "0.04",
    "charged": 40,
    "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"
  }
}
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}ไฟล์เสียงที่มีเสียงพูดสังเคราะห์
duration
numberความยาวของเอาต์พุตเสียง วัดเป็นวินาที
sample_rate
integerอัตราการสุ่มตัวอย่างของเอาต์พุตเสียง
generation_time
numberเวลาการสร้างเสียง วัดเป็นวินาที
rtf
numberตัวคูณเวลาจริงที่คำนวณจาก generation_time หารด้วย audio_duration ค่าที่น้อยกว่าแสดงถึงประสิทธิภาพที่ดีกว่า

โมเดลเพิ่มเติม: ข้อความเป็นเสียงพูด

สำหรับเอเจนต์ AI: หน้า Markdown นี้อยู่ที่ https://doitong.com/th/developers/models/vibevoice/7b.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt