Avançar para o conteúdo

VibeVoice 7B

Integrar

ID do 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"

Este pedido: ≈0,04 $ 40 créditos da API · ≈ 4,22 ₽ Executar nesta página

Obter chave de API
Microsoft Texto para voz #text-to-speech#multi-speaker#podcast

Modelo VibeVoice maior para diálogos com vários oradores, com guiões até 30000 caracteres

Microsoft · Áudio

O seu primeiro resultado aparece aqui

Crie um pedido abaixo e execute-o com a sua chave de API. As saídas são copiadas para o nosso armazenamento, guardadas para sempre ou durante 7 dias gratuitamente.

Criar um pedido

Os controlos são gerados a partir do esquema do modelo. O código e o preço são atualizados à medida que os altera.

•obrigatório 88 / 30000

Script de entrada de fala, com etiquetas opcionais 'Speaker X:' para distinguir os oradores num diálogo.

•obrigatório

Os oradores são inferidos automaticamente utilizando o script ou amostras de voz fornecidas; forneça uma lista para os especificar explicitamente.

Avançado cfg_scale · seed · enable_safety_checker
predefinição 1.3

A intensidade de CFG (Classifier-Free Guidance) determina o grau de fidelidade da geração ao texto, com maior aderência em definições mais elevadas.

Seed aleatória que torna a geração reproduzível.

POST /run/vibevoice/7b?wait=20 cotação → 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"

Executar este pedido

A sua chave permanece neste navegador: é enviada apenas para a Doitong API e guardada em localStorage apenas se selecionar Lembrar. Obter uma chave de API

Sobre VibeVoice 7B

Converte um `script` com até 30000 caracteres em voz, com prefixos 'Speaker X:' para diálogos e uma lista `speakers` obrigatória para as vozes. `cfg_scale` varia entre 1 e 2 e `seed` permite obter resultados reproduzíveis. É a versão 7B da família, com um limite de texto inferior ao do modelo 1.5B.

Parâmetros

NomeTipo PredefiniçãoPermitido Descrição
scriptobrigatório
Tipostring
≤ 30 000 caracteres
Script de entrada de fala, com etiquetas opcionais 'Speaker X:' para distinguir os oradores num diálogo.
speakersobrigatório
Tipoobject[]
Os oradores são inferidos automaticamente utilizando o script ou amostras de voz fornecidas; forneça uma lista para os especificar explicitamente.
speakers[].presetopcional
Tipoenum
PredefiniçãoAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Predefinição de voz alternativa para um orador sem `audio_url`; fornecer essa amostra de áudio tem precedência sobre a predefinição.
speakers[].audio_urlopcional
Tipourl · audio
URL do ficheiro de amostra de voz; fornecê-lo substitui `preset`.
seedopcional
Tipointeger | null
Seed aleatória que torna a geração reproduzível.
cfg_scaleopcional
Tiponumber
Predefinição1.3
1 – 2
A intensidade de CFG (Classifier-Free Guidance) determina o grau de fidelidade da geração ao texto, com maior aderência em definições mais elevadas.
enable_safety_checkeropcional
Tipoboolean
Predefiniçãotrue
A filtragem pode ser flexibilizada definindo false, desde que o autor do pedido esteja autorizado.
obrigatório

Resultado

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"
  }
}
Os seus ficheiros, a sua escolhaCada outputs[].url é uma cópia no nosso armazenamento: guardada para sempre (paga por GB-mês) ou durante 7 dias gratuitamente, conforme a definição da sua conta ou ?storage=.
A mesma estrutura em todos os modelostype, url, content_type, width, height e duration, tanto para imagens como para vídeo e áudio. output é o próprio objeto de resultado do modelo.
Campos do resultado
audio
object {url, content_type, file_name, file_size}Ficheiro de áudio que contém a fala sintetizada.
duration
numberDuração da saída de áudio, medida em segundos.
sample_rate
integerTaxa de amostragem da saída de áudio.
generation_time
numberTempo de geração do áudio, medido em segundos.
rtf
numberFator de tempo real calculado como generation_time dividido por audio_duration; valores menores indicam melhor desempenho.

Mais modelos: Texto para voz

Para agentes de IA: esta página em Markdown está disponível em https://doitong.com/pt-PT/developers/models/vibevoice/7b.md. Todos os modelos e guias: https://doitong.com/developers/llms.txt