အကြောင်းအရာသို့ ကျော်ရန်

VibeVoice 1.5B

ပေါင်းစည်းရန်

မော်ဒယ် id 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"

ဤတောင်းဆိုချက်: ≈၀.၀၂ $ ၂၀ API ခရက်ဒစ် · ≈ ၂.၁၁ ₽ ဤစာမျက်နှာတွင် လုပ်ဆောင်ရန်

API ကီး ရယူရန်
Microsoft စာသားမှ အသံ #text-to-speech#multi-speaker#podcast

podcast ကဲ့သို့ ရှည်လျားသော script များအတွက် စကားပြောသူတစ်ဦးချင်းစီ၏ အသံပါသော multi-speaker text-to-speech

Microsoft · အသံ

သင့်ပထမဆုံးရလဒ် ဤနေရာတွင် ပေါ်လာမည်

အောက်တွင် တောင်းဆိုချက်တစ်ခု တည်ဆောက်ပြီး သင့် API ကီးဖြင့် လုပ်ဆောင်ပါ။ ထွက်ရလဒ်များကို ကျွန်ုပ်တို့၏ သိုလှောင်မှုသို့ ကူးယူပြီး အမြဲတမ်း သို့မဟုတ် ၇ ရက် အခမဲ့ သိမ်းထားသည်။

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ထိန်းချုပ်မှုများကို မော်ဒယ် schema မှ အလိုအလျောက်ဖန်တီးသည်။ ၎င်းတို့ကို ပြောင်းလဲသည်နှင့် code နှင့် စျေးနှုန်းတို့လည်း ပြောင်းလဲမည်။

•လိုအပ်သည် 88 / 90000

စကားပြောသူများကို ခွဲခြားရန် ရွေးချယ်နိုင်သော 'Speaker X:' label များပါဝင်သည့် စကားပြောထည့်သွင်း script။

•လိုအပ်သည်

စကားပြောသူများကို script သို့မဟုတ် ပေးထားသော အသံနမူနာများဖြင့် အလိုအလျောက် ခန့်မှန်းသည်။ ၎င်းတို့ကို တိတိကျကျ သတ်မှတ်ရန် list တစ်ခု ပေးပါ။

အဆင့်မြင့် cfg_scale · seed · enable_safety_checker
မူလ 1.3

CFG (Classifier-Free Guidance) strength သည် ဖန်တီးမှုက စာသားကို မည်မျှနီးကပ်စွာ လိုက်နာမည်ကို သတ်မှတ်သည်။ တန်ဖိုးမြင့်လေ လိုက်နာမှုအားကောင်းလေ ဖြစ်သည်။

ဖန်တီးမှုကို ထပ်တူပြန်လုပ်နိုင်စေသော ကျပန်း seed။

POST /run/vibevoice?wait=20 ကုန်ကျစရိတ် → ၀.၀၂ $
# 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"

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

သင့် key သည် ဤဘရောက်ဇာထဲတွင်သာ ရှိမည်ဖြစ်ပြီး Doitong API သို့သာ ပို့မည်။ Remember ကို အမှန်ခြစ်ထားမှသာ (localStorage) တွင် သိမ်းမည်။ API ကီး ရယူရန်

VibeVoice 1.5B အကြောင်း

အများဆုံး စာလုံး 90000 ပါသော `script` ကို စကားသံအဖြစ် ပြောင်းသည်။ Dialogue တွင် 'Speaker X:' ရှေ့ဆက်စာလုံးများကို သုံးနိုင်ပြီး လိုအပ်သော `speakers` စာရင်းက အသံများကို သတ်မှတ်သည်။ `cfg_scale` သည် 1 မှ 2 အထိဖြစ်ပြီး စာသားနှင့် ကိုက်ညီမှုကို ထိန်းချုပ်ကာ `seed` ဖြင့် run များကို ထပ်တူပြန်လုပ်နိုင်သည်။ အသံ၊ ကြာချိန်နှင့် နမူနာနှုန်းကို ပြန်ပေးသည်။

ပါရာမီတာများ

အမည်အမျိုးအစား မူလတန်ဖိုးခွင့်ပြုထားသည် ဖော်ပြချက်
scriptလိုအပ်သည်
အမျိုးအစားstring
စာလုံး ၉၀,၀၀၀ လုံးထက် မပိုပါ
စကားပြောသူများကို ခွဲခြားရန် ရွေးချယ်နိုင်သော 'Speaker X:' label များပါဝင်သည့် စကားပြောထည့်သွင်း script။
speakersလိုအပ်သည်
အမျိုးအစားobject[]
စကားပြောသူများကို script သို့မဟုတ် ပေးထားသော အသံနမူနာများဖြင့် အလိုအလျောက် ခန့်မှန်းသည်။ ၎င်းတို့ကို တိတိကျကျ သတ်မှတ်ရန် list တစ်ခု ပေးပါ။
speakers[].presetရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
`audio_url` မရှိသော စကားပြောသူအတွက် အစားထိုးအသံ preset။ ထိုအသံနမူနာကို ပေးပါက preset ထက် ဦးစားပေးသည်။
speakers[].audio_urlရွေးချယ်နိုင်သည်
အမျိုးအစားurl · audio
အသံနမူနာဖိုင် URL။ ပေးပါက `preset` ကို အစားထိုးသည်။
seedရွေးချယ်နိုင်သည်
အမျိုးအစားinteger | null
ဖန်တီးမှုကို ထပ်တူပြန်လုပ်နိုင်စေသော ကျပန်း seed။
cfg_scaleရွေးချယ်နိုင်သည်
အမျိုးအစားnumber
မူလတန်ဖိုး1.3
၁ – ၂
CFG (Classifier-Free Guidance) strength သည် ဖန်တီးမှုက စာသားကို မည်မျှနီးကပ်စွာ လိုက်နာမည်ကို သတ်မှတ်သည်။ တန်ဖိုးမြင့်လေ လိုက်နာမှုအားကောင်းလေ ဖြစ်သည်။
enable_safety_checkerရွေးချယ်နိုင်သည်
အမျိုးအစားboolean
မူလတန်ဖိုးtrue
caller က ခွင့်ပြုချက်ရှိပါက false သတ်မှတ်ခြင်းဖြင့် စစ်ဆေးမှုကို လျှော့ချနိုင်သည်။
လိုအပ်သည်

ထွက်ရလဒ်

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"
  }
}
သင့်ဖိုင်များ၊ သင့်ရွေးချယ်မှုoutputs[].url တိုင်းသည် ကျွန်ုပ်တို့၏ သိုလှောင်မှုရှိ မိတ္တူဖြစ်သည်- အမြဲတမ်း (GB-month အလိုက် ငွေပေးရသည်) သို့မဟုတ် ၇ ရက် အခမဲ့၊ သင့်အကောင့်ဆက်တင် သို့မဟုတ် ?storage= ဖြင့် သိမ်းထားသည်။
မော်ဒယ်တိုင်းတွင် ပုံစံတူပုံ၊ ဗီဒီယိုနှင့် အသံတို့အတွက် type၊ url၊ content_type၊ width၊ height နှင့် duration။ output သည် မော်ဒယ်ကိုယ်တိုင်၏ ရလဒ် object ဖြစ်သည်။
ထွက်ရလဒ်၏ Fields များ
audio
object {url, content_type, file_name, file_size}ဖန်တီးထားသော စကားပြောအသံပါဝင်သည့် အသံဖိုင်။
duration
numberစက္ကန့်ဖြင့် တိုင်းတာထားသော အသံထွက်ရလဒ်၏ ကြာချိန်။
sample_rate
integerအသံထွက်ရလဒ်၏ sampling rate။
generation_time
numberစက္ကန့်ဖြင့် တိုင်းတာထားသော အသံဖန်တီးချိန်။
rtf
numbergeneration_time ကို audio_duration ဖြင့် စား၍ တွက်ချက်ထားသော အချိန်နှင့်တစ်ပြေးညီ အချိုး။ တန်ဖိုးနည်းလေလေ စွမ်းဆောင်ရည်ကောင်းလေလေ ဖြစ်သည်။

နောက်ထပ် မော်ဒယ်များ: စာသားမှ အသံ

AI အေးဂျင့်များအတွက်- ဤစာမျက်နှာ၏ Markdown ကို ဤနေရာတွင် ရရှိနိုင်သည် https://doitong.com/my/developers/models/vibevoice.md. မော်ဒယ်များနှင့် လမ်းညွှန်များအားလုံး: https://doitong.com/developers/llms.txt