Bỏ qua đến nội dung

VibeVoice 1.5B

Tích hợp

Id mô hình 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"

Yêu cầu này: ≈0,02 $ 20 tín dụng API Chạy trên trang này

Lấy khóa API
Microsoft Văn bản sang giọng nói #text-to-speech#multi-speaker#podcast

Chuyển văn bản thành giọng nói đa diễn giả cho script dài như podcast, với giọng riêng cho từng diễn giả

Microsoft · Âm thanh

Kết quả đầu tiên của bạn sẽ xuất hiện ở đây

Tạo một yêu cầu bên dưới và chạy bằng khóa API của bạn. Đầu ra được sao chép vào bộ lưu trữ của chúng tôi, giữ vĩnh viễn hoặc 7 ngày miễn phí.

Tạo một yêu cầu

Các điều khiển được tạo từ lược đồ mô hình. Mã và giá sẽ cập nhật khi bạn thay đổi chúng.

•bắt buộc 88 / 90000

Kịch bản đầu vào giọng nói, với các nhãn 'Speaker X:' tùy chọn để phân biệt người nói trong hội thoại.

•bắt buộc

Người nói được tự động suy luận bằng kịch bản hoặc các mẫu giọng nói được cung cấp; cung cấp một danh sách để chỉ định rõ ràng.

Nâng cao cfg_scale · seed · enable_safety_checker
mặc định 1.3

Độ mạnh CFG (Classifier-Free Guidance) xác định mức độ tạo sinh bám sát văn bản; giá trị cao hơn mang lại mức tuân thủ cao hơn.

Seed ngẫu nhiên giúp tái tạo kết quả tạo sinh.

POST /run/vibevoice?wait=20 báo giá → 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"

Chạy yêu cầu này

Key của bạn vẫn nằm trong trình duyệt này: key chỉ được gửi đến Doitong API và chỉ được lưu trong localStorage nếu bạn chọn Ghi nhớ. Nhận khóa API

Giới thiệu về VibeVoice 1.5B

Chuyển `script` tối đa 90000 ký tự thành giọng nói. Hội thoại có thể dùng tiền tố 'Speaker X:', còn danh sách `speakers` bắt buộc xác định các giọng. `cfg_scale` nằm trong khoảng 1 đến 2 và điều khiển mức bám sát văn bản, còn `seed` giúp tái lập kết quả. Trả về âm thanh cùng thời lượng và sample rate.

Tham số

TênKiểu Mặc địnhĐược phép Mô tả
scriptbắt buộc
Kiểustring
≤ 90.000 ký tự
Kịch bản đầu vào giọng nói, với các nhãn 'Speaker X:' tùy chọn để phân biệt người nói trong hội thoại.
speakersbắt buộc
Kiểuobject[]
Người nói được tự động suy luận bằng kịch bản hoặc các mẫu giọng nói được cung cấp; cung cấp một danh sách để chỉ định rõ ràng.
speakers[].presettùy chọn
Kiểuenum
Mặc địnhAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Giọng mặc định cho người nói không có `audio_url`; mẫu âm thanh được cung cấp sẽ được ưu tiên hơn preset.
speakers[].audio_urltùy chọn
Kiểuurl · audio
URL tệp âm thanh mẫu giọng nói; cung cấp giá trị này sẽ ghi đè `preset`.
seedtùy chọn
Kiểuinteger | null
Seed ngẫu nhiên giúp tái tạo kết quả tạo sinh.
cfg_scaletùy chọn
Kiểunumber
Mặc định1.3
1 – 2
Độ mạnh CFG (Classifier-Free Guidance) xác định mức độ tạo sinh bám sát văn bản; giá trị cao hơn mang lại mức tuân thủ cao hơn.
enable_safety_checkertùy chọn
Kiểuboolean
Mặc địnhtrue
Có thể nới lỏng việc kiểm duyệt bằng cách đặt thành false, nếu người gọi được cấp quyền.
bắt buộc

Đầu ra

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"
  }
}
Tệp của bạn, lựa chọn của bạnMỗi outputs[].url là một bản sao trên bộ lưu trữ của chúng tôi: được giữ vĩnh viễn (tính phí theo GB-tháng) hoặc 7 ngày miễn phí, theo cài đặt tài khoản hoặc ?storage=.
Cùng một cấu trúc trên mọi mô hìnhtype, url, content_type, width, height và duration cho hình ảnh, video và âm thanh. output là đối tượng kết quả riêng của mô hình.
Các trường đầu ra
audio
object {url, content_type, file_name, file_size}Tệp âm thanh chứa giọng nói đã tổng hợp.
duration
numberĐộ dài đầu ra âm thanh, tính bằng giây.
sample_rate
integerTốc độ lấy mẫu của đầu ra âm thanh.
generation_time
numberThời gian tạo âm thanh, tính bằng giây.
rtf
numberHệ số thời gian thực được tính bằng generation_time chia cho audio_duration; giá trị nhỏ hơn cho thấy hiệu năng tốt hơn.

Thêm mô hình: Văn bản sang giọng nói

Dành cho tác nhân AI: trang này ở dạng Markdown tại https://doitong.com/vi/developers/models/vibevoice.md. Tất cả mô hình và hướng dẫn: https://doitong.com/developers/llms.txt