உள்ளடக்கத்திற்குச் செல்க

VibeVoice 1.5B

ஒருங்கிணை

மாடல் 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"

இந்தக் கோரிக்கை: ≈$0.02 20 API கிரெடிட்கள் · ≈ ₽2.11 இந்தப் பக்கத்தில் இயக்குங்கள்

API விசையைப் பெறுக
Microsoft உரையிலிருந்து பேச்சிற்கு #text-to-speech#multi-speaker#podcast

பாட்காஸ்ட் போன்ற நீண்ட ஸ்கிரிப்ட்களுக்கான பல-பேச்சாளர் உரையிலிருந்து பேச்சு, ஒவ்வொரு பேச்சாளருக்கும் தனித்தனி குரல்களுடன்

Microsoft · ஆடியோ

உங்கள் முதல் முடிவு இங்கே வரும்

கீழே ஒரு கோரிக்கையை உருவாக்கி, உங்கள் API விசையுடன் இயக்குங்கள். வெளியீடுகள் எங்கள் சேமிப்பகத்தில் நகலெடுக்கப்பட்டு, நிரந்தரமாக அல்லது இலவசமாக 7 நாட்கள் வைக்கப்படும்.

கோரிக்கையை உருவாக்கு

மாடல் ஸ்கீமாவிலிருந்து கட்டுப்பாடுகள் உருவாக்கப்படுகின்றன. அவற்றை மாற்றும்போது குறியீடும் விலையும் புதுப்பிக்கப்படும்.

•தேவை 88 / 90000

பேச்சு உள்ளீட்டு ஸ்கிரிப்ட்; உரையாடலில் பேச்சாளர்களை வேறுபடுத்த விருப்பமான 'Speaker X:' லேபிள்களுடன்.

•தேவை

ஸ்கிரிப்ட் அல்லது வழங்கப்பட்ட குரல் மாதிரிகளைப் பயன்படுத்தி பேச்சாளர்கள் தானாக ஊகிக்கப்படுவர்; அவர்களைத் தெளிவாகக் குறிப்பிட பட்டியலை வழங்கவும்.

மேம்பட்டவை cfg_scale · seed · enable_safety_checker
இயல்புநிலை 1.3

CFG (Classifier-Free Guidance) வலிமை, உருவாக்கம் உரையை எவ்வளவு நெருக்கமாகப் பின்பற்றுகிறது என்பதை நிர்ணயிக்கும்; அதிக அமைப்புகளில் பின்பற்றுதல் வலுவாக இருக்கும்.

உருவாக்கத்தை மீண்டும் உருவாக்கக்கூடியதாக்கும் சீரற்ற விதை.

POST /run/vibevoice?wait=20 விலை → $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"

இந்தக் கோரிக்கையை இயக்கு

உங்கள் key இந்த உலாவியில் மட்டுமே இருக்கும்: அது Doitong API-க்கு மட்டும் அனுப்பப்படும்; Remember-ஐத் தேர்ந்தெடுத்தால் மட்டுமே (localStorage)-ல் சேமிக்கப்படும். API விசையைப் பெறுங்கள்

VibeVoice 1.5B பற்றி

அதிகபட்சம் 90000 எழுத்துகள் கொண்ட `script`-ஐ பேச்சாக மாற்றுகிறது. உரையாடலில் 'Speaker X:' முன்னொட்டுகளைப் பயன்படுத்தலாம்; தேவையான `speakers` பட்டியல் குரல்களை வரையறுக்கிறது. `cfg_scale` 1 முதல் 2 வரை இருக்கும், மேலும் உரையுடன் பொருந்தும் அளவைக் கட்டுப்படுத்தும்; `seed` இயக்கங்களை மீண்டும் உருவாக்கக்கூடியதாக ஆக்கும். ஆடியோவுடன் கால அளவு மற்றும் மாதிரி விகிதத்தையும் திருப்பி வழங்குகிறது.

அளவுருக்கள்

பெயர்வகை இயல்புநிலைஅனுமதிக்கப்பட்டது விளக்கம்
scriptதேவை
வகைstring
≤ 90,000 எழுத்துகள்
பேச்சு உள்ளீட்டு ஸ்கிரிப்ட்; உரையாடலில் பேச்சாளர்களை வேறுபடுத்த விருப்பமான 'Speaker X:' லேபிள்களுடன்.
speakersதேவை
வகைobject[]
ஸ்கிரிப்ட் அல்லது வழங்கப்பட்ட குரல் மாதிரிகளைப் பயன்படுத்தி பேச்சாளர்கள் தானாக ஊகிக்கப்படுவர்; அவர்களைத் தெளிவாகக் குறிப்பிட பட்டியலை வழங்கவும்.
speakers[].presetவிருப்பத்தேர்வு
வகைenum
இயல்புநிலைAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
`audio_url` இல்லாத பேச்சாளருக்கான மாற்றுக் குரல் முன்னமைவு; அந்த ஆடியோ மாதிரியை வழங்கினால், அது முன்னமைவை விட முன்னுரிமை பெறும்.
speakers[].audio_urlவிருப்பத்தேர்வு
வகைurl · audio
குரல் மாதிரி ஆடியோ கோப்பு URL; இதை வழங்கினால் `preset` மேலெழுதப்படும்.
seedவிருப்பத்தேர்வு
வகைinteger | null
உருவாக்கத்தை மீண்டும் உருவாக்கக்கூடியதாக்கும் சீரற்ற விதை.
cfg_scaleவிருப்பத்தேர்வு
வகைnumber
இயல்புநிலை1.3
1 – 2
CFG (Classifier-Free Guidance) வலிமை, உருவாக்கம் உரையை எவ்வளவு நெருக்கமாகப் பின்பற்றுகிறது என்பதை நிர்ணயிக்கும்; அதிக அமைப்புகளில் பின்பற்றுதல் வலுவாக இருக்கும்.
enable_safety_checkerவிருப்பத்தேர்வு
வகைboolean
இயல்புநிலைtrue
அழைப்பாளர் அங்கீகரிக்கப்பட்டிருந்தால், false என அமைப்பதன் மூலம் திரையிடலைத் தளர்த்தலாம்.
தேவை

வெளியீடு

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"
  }
}
உங்கள் கோப்புகள், உங்கள் தேர்வுஒவ்வொரு outputs[].url-ம் எங்கள் சேமிப்பகத்தில் உள்ள ஒரு நகல்: நிரந்தரமாக (GB-மாதத்திற்கு கட்டணம்) அல்லது உங்கள் கணக்கு அமைப்பு அல்லது ?storage= மூலம் இலவசமாக 7 நாட்கள் வைக்கப்படும்.
ஒவ்வொரு மாடலிலும் ஒரே வடிவம்படங்கள், வீடியோ மற்றும் ஆடியோ ஆகிய அனைத்திற்குமான type, url, content_type, width, height மற்றும் duration. output என்பது மாதிரியின் சொந்த முடிவு பொருளாகும்.
வெளியீட்டின் புலங்கள்
audio
object {url, content_type, file_name, file_size}உருவாக்கப்பட்ட பேச்சைக் கொண்ட ஆடியோ கோப்பு.
duration
numberவினாடிகளில் அளவிடப்படும் ஆடியோ வெளியீட்டின் நீளம்.
sample_rate
integerஆடியோ வெளியீட்டின் sampling rate.
generation_time
numberவினாடிகளில் அளவிடப்படும் ஆடியோ உருவாக்க நேரம்.
rtf
numbergeneration_time-ஐ audio_duration-ஆல் வகுத்துக் கணக்கிடப்படும் நிகழ்நேரக் காரணி; குறைந்த மதிப்புகள் சிறந்த செயல்திறனைக் குறிக்கின்றன.

மேலும் மாதிரிகள்: உரையிலிருந்து பேச்சிற்கு

AI ஏஜெண்டுகளுக்கு: இந்தப் பக்கம் Markdown வடிவில் இங்கே உள்ளது https://doitong.com/ta/developers/models/vibevoice.md. அனைத்து மாடல்களும் வழிகாட்டிகளும்: https://doitong.com/developers/llms.txt