שפּרינגען צו אינהאַלט

Bytedance Seed Speech Text to Speech

אינטעגרירן

מאָדעל־id bytedance/seed-speech/tts/v2
# 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/bytedance/seed-speech/tts/v2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "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"

דער דאָזיקער ריקוועסט: ⁨$ 0.002⁩ 2 API־קרעדיטן לויפֿן עס אויף דער דאָזיקער בלאַט

באַקומען אַן API שליסל
ByteDance טעקסט צו רעדע ליפּסינק #stylized#transform#lipsync

טעקסט־צו־רייד מיט אַ סך פּריסעט־קולות, קאָנטראָל איבער גיכקייט, פּיטש און לאָדקייט, און אינסטרוקציעס אין גערעדטן סטיל

ByteDance · אַודיאָ

דאָ קומט אײַער ערשטער רעזולטאַט

בויט אונטן אַ בקשה און לויפט זי מיט אײַער API שליסל. רעזולטאַטן ווערן קאַפּירט צו אונדזער סטאָרידזש, געהאַלטן אויף אייביק אָדער 7 טעג אומזיסט.

בויען אַ בעטן

קאָנטראָלן ווערן דזשענערירט פֿון דעם מאָדעל־סכעמע. דער קאָד און דער פּרײַז דערהײַנטיקן זיך ווען איר ענדערט זיי.

•פארלאנגט 50 / 5000

טעקסט צו פֿאַרוואַנדלען אין סינטעזירטע רעדע.

פֿאָרגעשריטן voice_instruction · output_format · sample_rate · voice · language · speed · volume · pitch

אָפּציאָנאַלע נאַטירלעכע־שפּראַך־אנווײַזונג פֿאַר דער אויספֿירונג, ווי 'Speak in a cheerful tone' אָדער 'Could you speak a bit slower?'. זי קען פֿירן טאָן, עמאָציע, וואָליום און גאַנג.

output_format סטאַנדאַרט mp3

אַודיאָ־רעזולטאַט־קאָדירונג: 'mp3' שאַפֿט MP3, בשעת 'opus' שאַפֿט Opus אין אַן Ogg־קאַנטעינער.

sample_rate סטאַנדאַרט 24000

סאַמפּלינג־פֿרעקווענץ אין Hz פֿאַר דעם רעזולטאַט־אַודיאָ.

סטאַנדאַרט stokie_en

סינטעז־שטימע־פּריסעט, אידענטיפיצירט דורך אַ נאָמען וואָס נעמט אויך אַרײַן געשטיצטע שפּראַך־קאָדן. שפּראַך־שטיצע קען זײַן אומאָפּהענגיק, ווי בײַ 'en_zh', אָדער דערלויבן גלאַטן ענגליש־כינעזישן מישן, אנגעצייכנט דורך 'mixed_en_zh'.

איבערשרײַבונג פֿון לייענען־שפּראַך: ווען עס פֿעלט, איז דיטעקציע אָטאָמאַטיש און ביילינגוואַל שטימען קענען גלאַט מישן כינעזיש מיט ענגליש; ווען עס ווערט צוגעשטעלט, ווערט דיטעקציע אויסגעלאָזט און דאָס לייענען באַגרענעצט צו איין שפּראַך. אויסקלײַבן כינעזיש מיט zh, ענגליש מיט en, יאַפּאַניש מיט ja, מעקסיקאַניש שפּאַניש מיט es-mx, אינדאָנעזיש מיט id, בראַזיליאַניש פּאָרטוגעזיש מיט pt-br, קאָרעיִש מיט ko, איטאַליעניש מיט it, דײַטש מיט de אָדער פֿראַנצויזיש מיט fr.

סטאַנדאַרט 1

רעדע־גיכקייט־מולטיפּליקאַטאָר: 1.0 גיט נאָרמאַלע גיכקייט, 0.5 האַלבע גיכקייט און 2.0 טאָפּלטע גיכקייט.

סטאַנדאַרט 1

וואָליום־מולטיפּליקאַטאָר: 1.0 גיט נאָרמאַלן וואָליום, 0.5 האַלב וואָליום און 2.0 טאָפּלטן וואָליום.

סטאַנדאַרט 0

שטימע־טאָן־אַדזשאַסטירונג, געמאָסטן אין סעמיטאָנען: 0 לאָזט דעם טאָן אומגעענדערט, -12 רוקט אים אַראָפּ אַן אָקטאַוו און 12 רוקט אים אַרויף אַן אָקטאַוו.

POST /run/bytedance/seed-speech/tts/v2?wait=20 פּרײַז → ⁨$ 0.002⁩
# 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/bytedance/seed-speech/tts/v2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "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"

לויפֿן דעם ריקוועסט

אײַער key בלײַבט אין דעם בלעטערער: זי ווערט געשיקט נאָר צום Doitong API און אָפּגעהיט (localStorage) נאָר אויב איר טיקט אָן געדענקען. באַקומען אַן API שליסל

וועגן Bytedance Seed Speech Text to Speech

קאָנווערטירט ביז 5000 צייכנס פֿון `text` אין אַודיאָ. קלײַבט אַ `voice`, און אָפּציאָנאַל צווינגט אַ `language` אָדער לאָזט אויטאָמאַטישע דערקענונג אָן. `speed` און `volume` לויפֿן פֿון 0.5 ביז 2, `pitch` ענדערט זיך פֿון -12 ביז 12 סעמיטאָנען, און `voice_instruction` רעגולירט די אויספֿירונג. דער רעזולטאַט איז mp3 אָדער opus מיט סאַמפּל־קורסן פֿון 8000 ביז 48000 Hz.

פּאַראַמעטערס

נאָמעןטיפּ סטאַנדאַרטערלויבט באַשרײַבונג
textפארלאנגט
טיפּstring
≤ 5,000 כאַראַקטערן
טעקסט צו פֿאַרוואַנדלען אין סינטעזירטע רעדע.
voiceאָפּציאָנעל
טיפּenum
סטאַנדאַרטstokie_en
vivi_mixed_en_zh_ja_es_idmindy_en_es_id_pt_zhstokie_endacey_entim_enkian_en_zhcedric_en_zhsophie_en_zhjean_en_zhmagnus_en_zhmabel_en_zhnadia_en_zhopal_en_zhpearl_en_zhquentin_en_zhvienna_mixed_en_zh
+25 נאָךalina_mixed_en_zhcorinne_mixed_en_zhesther_mixed_en_zhfreya_mixed_en_zhgigi_mixed_en_zhholly_mixed_en_zhlyla_mixed_en_zhdaisy_mixed_en_zhtracy_es_zhjess_ja_es_id_pt_en_zhpinky_es_ko_mixed_en_zhsweety_ja_essandy_es_mixed_en_zhsven_deminimi_jausseau_frfelipe_eshan_idmartins_ptenzo_itshane_kobonnie_zhfelix_zhceleste_zhmonkey_king_zh
סינטעז־שטימע־פּריסעט, אידענטיפיצירט דורך אַ נאָמען וואָס נעמט אויך אַרײַן געשטיצטע שפּראַך־קאָדן. שפּראַך־שטיצע קען זײַן אומאָפּהענגיק, ווי בײַ 'en_zh', אָדער דערלויבן גלאַטן ענגליש־כינעזישן מישן, אנגעצייכנט דורך 'mixed_en_zh'.
output_formatאָפּציאָנעל
טיפּenum
סטאַנדאַרטmp3
mp3opus
אַודיאָ־רעזולטאַט־קאָדירונג: 'mp3' שאַפֿט MP3, בשעת 'opus' שאַפֿט Opus אין אַן Ogg־קאַנטעינער.
sample_rateאָפּציאָנעל
טיפּenum
סטאַנדאַרט24000
8000160002205024000320004410048000
סאַמפּלינג־פֿרעקווענץ אין Hz פֿאַר דעם רעזולטאַט־אַודיאָ.
speedאָפּציאָנעל
טיפּnumber
סטאַנדאַרט1
0.5 – 2
רעדע־גיכקייט־מולטיפּליקאַטאָר: 1.0 גיט נאָרמאַלע גיכקייט, 0.5 האַלבע גיכקייט און 2.0 טאָפּלטע גיכקייט.
volumeאָפּציאָנעל
טיפּnumber
סטאַנדאַרט1
0.5 – 2
וואָליום־מולטיפּליקאַטאָר: 1.0 גיט נאָרמאַלן וואָליום, 0.5 האַלב וואָליום און 2.0 טאָפּלטן וואָליום.
pitchאָפּציאָנעל
טיפּinteger
סטאַנדאַרט0
-12 – 12
שטימע־טאָן־אַדזשאַסטירונג, געמאָסטן אין סעמיטאָנען: 0 לאָזט דעם טאָן אומגעענדערט, -12 רוקט אים אַראָפּ אַן אָקטאַוו און 12 רוקט אים אַרויף אַן אָקטאַוו.
languageאָפּציאָנעל
טיפּenum
zhenjaes-mxidpt-brkoitdefr
איבערשרײַבונג פֿון לייענען־שפּראַך: ווען עס פֿעלט, איז דיטעקציע אָטאָמאַטיש און ביילינגוואַל שטימען קענען גלאַט מישן כינעזיש מיט ענגליש; ווען עס ווערט צוגעשטעלט, ווערט דיטעקציע אויסגעלאָזט און דאָס לייענען באַגרענעצט צו איין שפּראַך. אויסקלײַבן כינעזיש מיט zh, ענגליש מיט en, יאַפּאַניש מיט ja, מעקסיקאַניש שפּאַניש מיט es-mx, אינדאָנעזיש מיט id, בראַזיליאַניש פּאָרטוגעזיש מיט pt-br, קאָרעיִש מיט ko, איטאַליעניש מיט it, דײַטש מיט de אָדער פֿראַנצויזיש מיט fr.
voice_instructionאָפּציאָנעל
טיפּstring | null
אָפּציאָנאַלע נאַטירלעכע־שפּראַך־אנווײַזונג פֿאַר דער אויספֿירונג, ווי 'Speak in a cheerful tone' אָדער 'Could you speak a bit slower?'. זי קען פֿירן טאָן, עמאָציע, וואָליום און גאַנג.
פארלאנגט

אויסגאַבע

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "bytedance/seed-speech/tts/v2",
  "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": 2,
    "usd": "0.002",
    "charged": 2,
    "refunded": 0
  },
  "input": {
    "text": "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
    }
  },
  "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"
  }
}
אייער טעקעס, אייער ברירהיעדער outputs[].url איז אַ קאַפּיע אין אונדזער סטאָרידזש: געהאַלטן אויף אייביק (באַצאָלט פּער GB־חודש) אָדער 7 טעג אומזיסט, לויט אײַער חשבון־באַשטעטיקונג אָדער ?storage=.
דער זעלבער פֿאָרעם בײַ יעדן מאָדעלtype, url, content_type, width, height און duration, סײַ פֿאַר בילדער, ווידעאָ און אַודיאָ. output איז דער אייגענער רעזולטאַט־אָביעקט פֿון מאָדעל.
פֿעלדער פֿון דער אויסגאַבע
audio
object {url, content_type, file_name, file_size}אַודיאָ־פֿײַל געשאַפֿן דורך גענערירונג.

פֿאַר AI־אַגענטן: דער בלאַט ווי Markdown געפֿינט זיך בײַ https://doitong.com/yi/developers/models/bytedance/seed-speech/tts/v2.md. אַלע מאָדעלן און גוידעס: https://doitong.com/developers/llms.txt