مواد پر جائیں

VibeVoice 7B

انٹیگریٹ کریں

ماڈل id 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"

یہ درخواست: ≈⁨$0.04⁩ 40 API کریڈٹس اس صفحے پر چلائیں

API کلید حاصل کریں
Microsoft متن سے آواز #text-to-speech#multi-speaker#podcast

متعدد اسپیکر کے مکالمے کے لیے بڑا VibeVoice ماڈل، 30000 حروف تک کے اسکرپٹس کے ساتھ

Microsoft · آڈیو

آپ کا پہلا نتیجہ یہاں آئے گا

ذیل میں درخواست بنائیں اور اپنی API کلید کے ساتھ چلائیں۔ آؤٹ پٹس ہمارے اسٹوریج میں کاپی ہو جاتے ہیں، ہمیشہ کے لیے یا مفت میں 7 دن تک محفوظ رہتے ہیں۔

درخواست بنائیں

کنٹرولز ماڈل اسکیما سے تیار ہوتے ہیں۔ آپ کے بدلنے کے ساتھ کوڈ اور قیمت اپ ڈیٹ ہوتے ہیں۔

•لازمی 88 / 30000

تقریر کے ان پٹ کا اسکرپٹ، مکالمے میں بولنے والوں کو الگ کرنے کے لیے اختیاری 'Speaker X:' labels کے ساتھ۔

•لازمی

بولنے والوں کا اندازہ اسکرپٹ یا فراہم کردہ صوتی نمونوں سے خودکار طور پر لگایا جاتا ہے؛ انہیں واضح طور پر متعین کرنے کے لیے فہرست فراہم کریں۔

ایڈوانسڈ cfg_scale · seed · enable_safety_checker
ڈیفالٹ 1.3

CFG (Classifier-Free Guidance) کی طاقت طے کرتی ہے کہ تخلیق متن کی کتنی قریب سے پیروی کرے؛ زیادہ settings پر مطابقت زیادہ مضبوط ہوتی ہے۔

ایسی بے ترتیب سیڈ جو تخلیق کو قابلِ تکرار بناتی ہے۔

POST /run/vibevoice/7b?wait=20 قیمت → ⁨$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"

یہ درخواست چلائیں

آپ کی key اسی براؤزر میں رہتی ہے: یہ صرف Doitong API کو بھیجی جاتی ہے اور صرف اس صورت میں localStorage میں محفوظ ہوتی ہے جب آپ Remember منتخب کریں۔ API کلید حاصل کریں

VibeVoice 7B کے بارے میں

زیادہ سے زیادہ 30000 حروف کے `script` کو آواز میں تبدیل کرتا ہے، مکالمے کے لیے 'Speaker X:' سابقوں اور آوازوں کے لیے مطلوبہ `speakers` فہرست کے ساتھ۔ `cfg_scale` 1 سے 2 تک ہوتا ہے اور `seed` قابلِ تکرار آؤٹ پٹ فراہم کرتا ہے۔ یہ فیملی کا 7B ورژن ہے، جس کی متنی حد 1.5B ماڈل سے کم ہے۔

پیرامیٹرز

نامقسم ڈیفالٹمجاز تفصیل
scriptلازمی
قسمstring
≤ 30,000 کریکٹرز
تقریر کے ان پٹ کا اسکرپٹ، مکالمے میں بولنے والوں کو الگ کرنے کے لیے اختیاری 'Speaker X:' labels کے ساتھ۔
speakersلازمی
قسمobject[]
بولنے والوں کا اندازہ اسکرپٹ یا فراہم کردہ صوتی نمونوں سے خودکار طور پر لگایا جاتا ہے؛ انہیں واضح طور پر متعین کرنے کے لیے فہرست فراہم کریں۔
speakers[].presetاختیاری
قسمenum
ڈیفالٹAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
`audio_url` کے بغیر بولنے والے کے لیے متبادل صوتی preset؛ آڈیو نمونہ فراہم کرنے پر اسے preset پر ترجیح حاصل ہوتی ہے۔
speakers[].audio_urlاختیاری
قسمurl · audio
صوتی نمونے کی آڈیو فائل کا URL؛ اسے فراہم کرنے پر `preset` کو اوور رائڈ کیا جاتا ہے۔
seedاختیاری
قسمinteger | null
ایسی بے ترتیب سیڈ جو تخلیق کو قابلِ تکرار بناتی ہے۔
cfg_scaleاختیاری
قسمnumber
ڈیفالٹ1.3
1 – 2
CFG (Classifier-Free Guidance) کی طاقت طے کرتی ہے کہ تخلیق متن کی کتنی قریب سے پیروی کرے؛ زیادہ settings پر مطابقت زیادہ مضبوط ہوتی ہے۔
enable_safety_checkerاختیاری
قسمboolean
ڈیفالٹtrue
false سیٹ کر کے اسکریننگ نرم کی جا سکتی ہے، بشرطیکہ کال کرنے والا مجاز ہو۔
لازمی

آؤٹ پٹ

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"
  }
}
آپ کی فائلیں، آپ کا انتخابہر outputs[].url ہمارے اسٹوریج میں ایک کاپی ہے: ہمیشہ کے لیے محفوظ (فی GB-ماہ ادائیگی) یا مفت میں 7 دن تک، آپ کی اکاؤنٹ سیٹنگ یا ?storage= کے مطابق۔
ہر ماڈل میں ایک جیسی ساختtype، url، content_type، width، height اور duration، تصاویر، ویڈیو اور آڈیو سب کے لیے یکساں۔ output ماڈل کا اپنا نتیجہ آبجیکٹ ہے۔
آؤٹ پٹ کے فیلڈز
audio
object {url, content_type, file_name, file_size}ترکیب شدہ تقریر پر مشتمل آڈیو فائل۔
duration
numberآڈیو آؤٹ پٹ کی لمبائی، سیکنڈ میں۔
sample_rate
integerآڈیو آؤٹ پٹ کی sampling rate۔
generation_time
numberآڈیو تخلیق کا وقت، سیکنڈ میں۔
rtf
numbergeneration_time کو audio_duration سے تقسیم کرکے نکالا گیا real-time factor؛ کم قدر بہتر performance کی نشاندہی کرتی ہے۔

مزید ماڈلز: متن سے آواز

AI ایجنٹس کے لیے: یہ صفحہ Markdown میں یہاں موجود ہے https://doitong.com/ur/developers/models/vibevoice/7b.md. تمام ماڈلز اور گائیڈز: https://doitong.com/developers/llms.txt