שפּרינגען צו אינהאַלט

VibeVoice 1.5B

אינטעגרירן

מאָדעל־id 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"

דער דאָזיקער ריקוועסט: ≈⁨$ 0.02⁩ 20 API־קרעדיטן לויפֿן עס אויף דער דאָזיקער בלאַט

באַקומען אַן API שליסל
Microsoft טעקסט צו רעדע #text-to-speech#multi-speaker#podcast

טעקסט־צו־רעדע מיט קייפל רעדנער פֿאַר לאַנגע סקריפּטן ווי פּאָדקאַסטן, מיט באַזונדערע קולות פֿאַר יעדן רעדנער

Microsoft · 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 88 / 90000

רעדע־אַרײַנגעבונג־סקריפּט, מיט אָפּציאָנאַלע 'Speaker X:' לאַבעלס צו אונטערשיידן רעדנער אין אַ דיאַלאָג.

•פארלאנגט

רעדנער ווערן אויטאָמאַטיש דערקענט מיטן סקריפּט אָדער צוגעשטעלטע קול־סאַמפּאַלן; שטעלט צו אַ רשימה כּדי זיי בפירוש צו ספּעציפֿיצירן.

פֿאָרגעשריטן cfg_scale · seed · enable_safety_checker
סטאַנדאַרט 1.3

CFG (Classifier-Free Guidance) שטאַרקייט באַשטימט ווי נאָענט די גענערירונג פֿאָלגט דעם טעקסט; העכערע באַשטעטיקונגען געבן שטאַרקערע צוהאַלטונג.

צופֿעליקער סיד וואָס מאכט די גענערירונג רעפּראָדוצירבאַר.

POST /run/vibevoice?wait=20 פּרײַז → ⁨$ 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"

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 VibeVoice 1.5B

פֿאַרוואַנדלט אַ `script` ביז 90000 אותיות אין רעדע. דיאַלאָג קען נוצן 'Speaker X:' פּרעפיקסן, און די נייטיקע `speakers` רשימה דעפֿינירט די קולות. `cfg_scale` גייט פֿון 1 ביז 2 און קאָנטראָלירט די צופּאַסונג צום טעקסט, און `seed` מאַכט לויפֿן רעפּראָדוצירבאַר. גיט צוריק אַודיאָ פּלוס געדויער און סאַמפּל־קורס.

פּאַראַמעטערס

נאָמעןטיפּ סטאַנדאַרטערלויבט באַשרײַבונג
scriptפארלאנגט
טיפּstring
≤ 90,000 כאַראַקטערן
רעדע־אַרײַנגעבונג־סקריפּט, מיט אָפּציאָנאַלע 'Speaker X:' לאַבעלס צו אונטערשיידן רעדנער אין אַ דיאַלאָג.
speakersפארלאנגט
טיפּobject[]
רעדנער ווערן אויטאָמאַטיש דערקענט מיטן סקריפּט אָדער צוגעשטעלטע קול־סאַמפּאַלן; שטעלט צו אַ רשימה כּדי זיי בפירוש צו ספּעציפֿיצירן.
speakers[].presetאָפּציאָנעל
טיפּenum
סטאַנדאַרטAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
פֿאַלבאַק־קול־פּריסעט פֿאַר אַ רעדנער אָן `audio_url`; צושטעלן דעם אַודיאָ־סאַמפּל האָט קדימה איבערן פּריסעט.
speakers[].audio_urlאָפּציאָנעל
טיפּurl · audio
URL פֿון אַ קול־סאַמפּל־אַודיאָ־פֿײַל; צושטעלן עס איבערשרײַבט `preset`.
seedאָפּציאָנעל
טיפּinteger | null
צופֿעליקער סיד וואָס מאכט די גענערירונג רעפּראָדוצירבאַר.
cfg_scaleאָפּציאָנעל
טיפּnumber
סטאַנדאַרט1.3
1 – 2
CFG (Classifier-Free Guidance) שטאַרקייט באַשטימט ווי נאָענט די גענערירונג פֿאָלגט דעם טעקסט; העכערע באַשטעטיקונגען געבן שטאַרקערע צוהאַלטונג.
enable_safety_checkerאָפּציאָנעל
טיפּboolean
סטאַנדאַרטtrue
סקרינינג קען ווערן פאַרלייכטערט דורך שטעלן false, אויב דער רופער איז אָטעריזירט.
פארלאנגט

אויסגאַבע

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"
  }
}
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 מיט דער סינטעזירטער רעדע.
duration
numberלענג פונעם אַודיאָ־רעזולטאַט, געמאסטן אין סעקונדעס.
sample_rate
integerסאַמפּלינג־קורס פונעם אַודיאָ־רעזולטאַט.
generation_time
numberצײַט פון אַודיאָ־גענערירונג, געמאסטן אין סעקונדעס.
rtf
numberרעאַל־טײַם־פֿאַקטאָר, אויסגערעכנט ווי generation_time צעטיילט דורך audio_duration; קלענערע ווערטן מיינען בעסערע פאָרשטעלונג.

מער מאָדעלן: טעקסט צו רעדע

פֿאַר AI־אַגענטן: דער בלאַט ווי Markdown געפֿינט זיך בײַ https://doitong.com/yi/developers/models/vibevoice.md. אַלע מאָדעלן און גוידעס: https://doitong.com/developers/llms.txt