Ir al contenido

VibeVoice 7B

Integrar

Id del modelo vibevoice/7b
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/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.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Esta solicitud: ≈0,04 $ 40 créditos de API · ≈ 4,22 ₽ Ejecutar en esta página

Obtener clave de API
Microsoft Texto a voz #text-to-speech#multi-speaker#podcast

Modelo VibeVoice más grande para diálogos con múltiples hablantes, con guiones de hasta 30000 caracteres

Microsoft · Audio

Tu primer resultado aparecerá aquí

Crea una solicitud abajo y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, conservadas para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan al modificarlos.

•obligatorio 88 / 30000

Guion de entrada de voz, con etiquetas opcionales 'Speaker X:' para distinguir a los hablantes en un diálogo.

•obligatorio

Los hablantes se infieren automáticamente mediante el guion o muestras de voz proporcionadas; proporciona una lista para especificarlos explícitamente.

Avanzado cfg_scale · seed · enable_safety_checker
predeterminado 1.3

La intensidad de CFG (Classifier-Free Guidance) determina hasta qué punto la generación sigue el texto; los valores más altos ofrecen una mayor fidelidad.

Seed aleatorio que hace reproducible la generación.

POST /run/vibevoice/7b?wait=20 cotización → 0,04 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/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.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y se guarda (localStorage) únicamente si marcas Recordar. Obtener una clave de API

Acerca de VibeVoice 7B

Convierte un `script` de hasta 30000 caracteres en voz, con prefijos 'Speaker X:' para el diálogo y una lista obligatoria `speakers` para las voces. `cfg_scale` va de 1 a 2 y `seed` permite reproducir la salida. Es la versión 7B de la familia, con un límite de texto menor que el modelo 1.5B.

Parámetros

NombreTipo PredeterminadoPermitido Descripción
scriptobligatorio
Tipostring
≤ 30.000 caracteres
Guion de entrada de voz, con etiquetas opcionales 'Speaker X:' para distinguir a los hablantes en un diálogo.
speakersobligatorio
Tipoobject[]
Los hablantes se infieren automáticamente mediante el guion o muestras de voz proporcionadas; proporciona una lista para especificarlos explícitamente.
speakers[].presetopcional
Tipoenum
PredeterminadoAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Preajuste de voz alternativo para un hablante sin `audio_url`; proporcionar esa muestra de audio tiene prioridad sobre el preajuste.
speakers[].audio_urlopcional
Tipourl · audio
URL del archivo de muestra de voz; proporcionarla reemplaza `preset`.
seedopcional
Tipointeger | null
Seed aleatorio que hace reproducible la generación.
cfg_scaleopcional
Tiponumber
Predeterminado1.3
1 – 2
La intensidad de CFG (Classifier-Free Guidance) determina hasta qué punto la generación sigue el texto; los valores más altos ofrecen una mayor fidelidad.
enable_safety_checkeropcional
Tipoboolean
Predeterminadotrue
La moderación puede relajarse estableciendo false, siempre que el autor de la llamada esté autorizado.
obligatorio

Salida

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.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: conservada para siempre (se cobra por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para vídeo y audio. output es el objeto de resultado propio del modelo.
Campos de salida
audio
object {url, content_type, file_name, file_size}Archivo de audio que contiene el habla sintetizada.
duration
numberLongitud de la salida de audio, medida en segundos.
sample_rate
integerFrecuencia de muestreo de la salida de audio.
generation_time
numberTiempo de generación del audio, medido en segundos.
rtf
numberFactor de tiempo real calculado como generation_time dividido entre audio_duration; los valores menores indican un mejor rendimiento.

Más modelos: Texto a voz

Para agentes de IA: esta página en Markdown está en https://doitong.com/es/developers/models/vibevoice/7b.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt