Ugrás a tartalomhoz

VibeVoice 1.5B

Integráció

Modellazonosító vibevoice
# 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?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"

Ez a kérés: ≈0,02 $ 20 API-jóváírás · ≈ 2,11 ₽ Futtatás ezen az oldalon

API-kulcs beszerzése
Microsoft Szövegből beszéd #text-to-speech#multi-speaker#podcast

Több beszélős szövegfelolvasás hosszú, például podcast-szkriptekhez, beszélőnkénti hangokkal

Microsoft · Hang

Az első eredményed itt jelenik meg

Állíts össze egy kérést alább, majd futtasd az API-kulcsoddal. A kimeneteket a tárhelyünkre másoljuk, és örökre vagy 7 nap ideig ingyenesen őrizzük meg.

Kérés összeállítása

A vezérlők a modell sémájából jönnek létre. A kód és az ár a módosításokkal együtt frissül.

•kötelező 88 / 90000

Beszédbemeneti szkript, opcionális 'Speaker X:' címkékkel a párbeszéd résztvevőinek megkülönböztetéséhez.

•kötelező

A beszélőket a rendszer automatikusan meghatározza a szkript vagy a megadott hangminták alapján; explicit megadásukhoz adjon meg egy listát.

Speciális cfg_scale · seed · enable_safety_checker
alapértelmezett: 1.3

A CFG (Classifier-Free Guidance) erőssége meghatározza, hogy a generálás milyen szorosan kövesse a szöveget; magasabb értékeknél erősebb a követés.

Véletlenszerű seed, amely reprodukálhatóvá teszi a generálást.

POST /run/vibevoice?wait=20 ár → 0,02 $
# 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?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"

Kérés futtatása

A kulcsod ebben a böngészőben marad: csak a Doitong API-nak küldjük el, és csak akkor mentjük a localStorage-ba, ha bejelölöd az Emlékezz rám lehetőséget. API-kulcs igénylése

A(z) VibeVoice 1.5B bemutatása

A legfeljebb 90000 karakteres `script` szöveget beszéddé alakítja. A párbeszédben használhatók a 'Speaker X:' előtagok, a kötelező `speakers` lista pedig meghatározza a hangokat. A `cfg_scale` értéke 1 és 2 között lehet, és a szöveghez való igazodást szabályozza, a `seed` pedig reprodukálhatóvá teszi a futtatásokat. Hangot, valamint időtartamot és mintavételi frekvenciát ad vissza.

Paraméterek

NévTípus AlapértelmezettEngedélyezett Leírás
scriptkötelező
Típusstring
≤ 90 000 karakter
Beszédbemeneti szkript, opcionális 'Speaker X:' címkékkel a párbeszéd résztvevőinek megkülönböztetéséhez.
speakerskötelező
Típusobject[]
A beszélőket a rendszer automatikusan meghatározza a szkript vagy a megadott hangminták alapján; explicit megadásukhoz adjon meg egy listát.
speakers[].presetnem kötelező
Típusenum
AlapértelmezettAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Tartalék hangelőbeállítás olyan beszélőhöz, amelyhez nincs `audio_url`; a hangminta megadása elsőbbséget élvez az előbeállítással szemben.
speakers[].audio_urlnem kötelező
Típusurl · audio
Hangmintát tartalmazó hangfájl URL-je; megadása felülírja a `preset` értékét.
seednem kötelező
Típusinteger | null
Véletlenszerű seed, amely reprodukálhatóvá teszi a generálást.
cfg_scalenem kötelező
Típusnumber
Alapértelmezett1.3
1 – 2
A CFG (Classifier-Free Guidance) erőssége meghatározza, hogy a generálás milyen szorosan kövesse a szöveget; magasabb értékeknél erősebb a követés.
enable_safety_checkernem kötelező
Típusboolean
Alapértelmezetttrue
A szűrés a false érték beállításával enyhíthető, ha a hívó jogosult erre.
kötelező

Kimenet

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.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Az Ön fájljai, az Ön döntéseMinden outputs[].url a tárhelyünkön lévő másolat: örökre megőrizve (GB-hónaponként fizetve) vagy 7 nap ideig ingyenesen, a fiókbeállításod vagy a ?storage= alapján.
Azonos struktúra minden modellentype, url, content_type, width, height és duration képekhez, videókhoz és hanganyagokhoz egyaránt. Az output a modell saját eredményobjektuma.
A kimenet mezői
audio
object {url, content_type, file_name, file_size}A szintetizált beszédet tartalmazó hangfájl.
duration
numberA hangkimenet hossza másodpercben.
sample_rate
integerA hangkimenet mintavételi frekvenciája.
generation_time
numberA hanggenerálás ideje másodpercben.
rtf
numberA generation_time és az audio_duration hányadosaként számított valós idejű tényező; az alacsonyabb érték jobb teljesítményt jelez.

További modellek: Szövegből beszéd

AI-ügynököknek: ez az oldal Markdown formátumban itt található: https://doitong.com/hu/developers/models/vibevoice.md. Minden modell és útmutató: https://doitong.com/developers/llms.txt