コンテンツへスキップ

Zonos2 Text to Speech

統合

モデルID zonos2
# 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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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"

1 回の実行につき最大 $0.02 実際の使用量に応じて課金され、残額は返金されます このページで実行

APIキーを取得
Zyphra テキスト読み上げ 参照入力 #text-to-speech#tts#voice-cloning

多言語音声クローンTTS。サンプリングを制御し、近似再現または表現豊かな発話を選択可能

Zyphra · 音声

最初の結果がここに表示されます

以下でリクエストを作成し、APIキーで実行してください。出力はストレージにコピーされ、永久保存または無料で7日保存されます。

リクエストを作成

コントロールはモデルスキーマから生成されます。値を変更するとコードと価格が更新されます。

•必須
ファイルをドロップ、または

音声クローン用の元音声を提供する音声データ。

詳細設定 language · temperature · top_p · min_p · top_k · max_tokens · seed · accurate_mode · clean_speaker_background · enable_safety_checker
デフォルト en_us

テキスト正規化に使用する言語。コードが次のいずれかでない限り、正規化はスキップされます: en_us、en_gb、fr_fr、de、es、it、pt_br、ja、cmn、ko。

デフォルト 1.15

サンプリング時のtemperature。

デフォルト 0

nucleusサンプリングの確率。0に設定すると無効になります。

デフォルト 0.18

最小確率サンプリングの確率しきい値。

デフォルト 106

top-kサンプリングのカットオフ。0に設定すると無効になります。

音声フレーム生成の上限。最大値が指定されていない場合は、モデルのコンテキスト上限が使用されます。

再現可能な結果を有効にするシード。省略時はランダムに選択されます。

POST /run/zonos2?wait=20 見積もり → $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/zonos2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# 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"

このリクエストを実行

キーはこのブラウザ内に保持されます。Doitong APIにのみ送信され、「記憶する」にチェックを入れた場合のみlocalStorageに保存されます。 APIキーを取得

Zonos2 Text to Speechについて

`reference_audio_url`から音声をクローンし、テキストを読み上げます。使用したseedとともに44.1kHzモノラルのWAV音声を返します。`language`ではen_us、en_gb、fr_fr、de、es、it、pt_br、ja、cmn、koのテキスト正規化を設定します。`accurate_mode`は声の近さと表現力のバランスを調整し、`temperature`、`top_p`、`min_p`、`top_k`、`max_tokens`(最大6144)でサンプリングを調整できます。

パラメータ

名前型 デフォルト許可される値 説明
reference_audio_url必須
型url · audio
音声クローン用の元音声を提供する音声データ。
language任意
型string
デフォルトen_us
テキスト正規化に使用する言語。コードが次のいずれかでない限り、正規化はスキップされます: en_us、en_gb、fr_fr、de、es、it、pt_br、ja、cmn、ko。
seed任意
型integer | null
0 – 2,147,483,647
再現可能な結果を有効にするシード。省略時はランダムに選択されます。
accurate_mode任意
型boolean
デフォルトtrue
音声の一致度と表現力の優先度: Trueはより近い一致を、Falseはより表現力豊かな発話を優先します。
clean_speaker_background任意
型boolean
デフォルトfalse
参照音声の背景がクリーンであることを示します。
temperature任意
型number
デフォルト1.15
0 – 2
サンプリング時のtemperature。
top_p任意
型number
デフォルト0
0 – 1
nucleusサンプリングの確率。0に設定すると無効になります。
min_p任意
型number
デフォルト0.18
0 – 1
最小確率サンプリングの確率しきい値。
top_k任意
型integer
デフォルト106
0 – 2,048
top-kサンプリングのカットオフ。0に設定すると無効になります。
max_tokens任意
型integer | null
1 – 6,144
音声フレーム生成の上限。最大値が指定されていない場合は、モデルのコンテキスト上限が使用されます。
enable_safety_checker任意
型boolean
デフォルトtrue
呼び出し元に権限がある場合、false に設定するとスクリーニングを緩和できます。
必須

ファイルパラメータには、公開されたhttps:// URL、10 MBまでのdata: URI、またはアップロードしたファイルのfile_urlを指定します。 ファイル

出力

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "zonos2",
  "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": {
    "reference_audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "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
    },
    "seed": 42
  },
  "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"
  }
}
ファイルの保存期間を選択すべてのoutputs[].urlはストレージ上のコピーです。アカウント設定または?storage=により、永久保存(GB・月単位で有料)または無料で7日保存できます。
すべてのモデルで同じ形式画像、動画、音声のいずれでも、type、url、content_type、width、height、durationが含まれます。outputはモデル独自の結果オブジェクトです。
出力フィールド
audio
object {url, content_type, file_name, file_size}44.1kHzのサンプルレート、モノラルチャンネルのWAV形式で出力する音声。
seed
integer生成時に適用したシード値。

AIエージェント向け:このページのMarkdown版はこちらです: https://doitong.com/ja/developers/models/zonos2.md. すべてのモデルとガイド: https://doitong.com/developers/llms.txt