কনটেন্টে যান

Bytedance Seed Speech Text to Speech

ইন্টিগ্রেট করুন

মডেল id bytedance/seed-speech/tts/v2
# 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/bytedance/seed-speech/tts/v2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

এই অনুরোধ: ০.০০২$ ২ API ক্রেডিট · ≈ ০.২২₽ এই পেজে চালান

API কী পান
ByteDance টেক্সট থেকে স্পিচ লিপসিঙ্ক #stylized#transform#lipsync

অনেক প্রিসেট কণ্ঠ, গতি, পিচ ও ভলিউম নিয়ন্ত্রণ এবং কথ্য-শৈলীর নির্দেশনা সহ টেক্সট-টু-স্পিচ

ByteDance · অডিও

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক 50 / 5000

সিন্থেসাইজড স্পিচে রূপান্তর করার টেক্সট।

অ্যাডভান্সড voice_instruction · output_format · sample_rate · voice · language · speed · volume · pitch

ঐচ্ছিক প্রাকৃতিক-ভাষার পরিবেশন নির্দেশনা, যেমন 'Speak in a cheerful tone' অথবা 'Could you speak a bit slower?'. এটি টোন, আবেগ, ভলিউম এবং গতি নির্দেশ করতে পারে।

output_format ডিফল্ট mp3

অডিও আউটপুট এনকোডিং: 'mp3' MP3 তৈরি করে, আর 'opus' Ogg কনটেইনারে প্যাকেজ করা Opus তৈরি করে।

sample_rate ডিফল্ট 24000

আউটপুট অডিওর Hz-এ স্যাম্পলিং ফ্রিকোয়েন্সি।

ডিফল্ট stokie_en

নাম দ্বারা শনাক্ত সিন্থেসিস ভয়েস প্রিসেট, যার মধ্যে সমর্থিত ভাষার কোডও থাকে। ভাষা সমর্থন স্বাধীন হতে পারে, যেমন 'en_zh', অথবা নির্বিঘ্ন ইংরেজি–চীনা মিশ্রণ সমর্থন করতে পারে, যা 'mixed_en_zh' দ্বারা নির্দেশিত।

পাঠের ভাষা ওভাররাইড: বাদ দিলে শনাক্তকরণ স্বয়ংক্রিয় হয় এবং দ্বিভাষিক ভয়েসগুলো চীনা ও ইংরেজি নির্বিঘ্নে মিশিয়ে দিতে পারে; দিলে শনাক্তকরণ নিষ্ক্রিয় হয় এবং পাঠ একটি ভাষায় সীমাবদ্ধ থাকে। চীনের জন্য zh, ইংরেজির জন্য en, জাপানির জন্য ja, মেক্সিকান স্প্যানিশের জন্য es-mx, ইন্দোনেশিয়ানের জন্য id, ব্রাজিলীয় পর্তুগিজের জন্য pt-br, কোরিয়ানের জন্য ko, ইতালিয়ানের জন্য it, জার্মানের জন্য de অথবা ফরাসির জন্য fr বেছে নিন।

ডিফল্ট 1

স্পিচ রেট গুণক: 1.0 স্বাভাবিক গতি, 0.5 অর্ধেক গতি এবং 2.0 দ্বিগুণ গতি দেয়।

ডিফল্ট 1

ভলিউম গুণক: 1.0 স্বাভাবিক ভলিউম, 0.5 অর্ধেক ভলিউম এবং 2.0 দ্বিগুণ ভলিউম দেয়।

ডিফল্ট 0

সেমিটোনে মাপা ভয়েসের পিচ সমন্বয়: 0 পিচ অপরিবর্তিত রাখে, -12 এক অক্টেভ নিচে নামায় এবং 12 এক অক্টেভ ওপরে তোলে।

POST /run/bytedance/seed-speech/tts/v2?wait=20 মূল্য → ০.০০২$
# 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/bytedance/seed-speech/tts/v2?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence."
  }'

# 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"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Bytedance Seed Speech Text to Speech সম্পর্কে

সর্বোচ্চ 5000 অক্ষরের `text` অডিওতে রূপান্তর করে। একটি `voice` বেছে নিন, এবং চাইলে `language` নির্দিষ্ট করুন বা স্বয়ংক্রিয় শনাক্তকরণ চালু রাখুন। `speed` এবং `volume` 0.5 থেকে 2 পর্যন্ত, `pitch` -12 থেকে 12 সেমিটোন পর্যন্ত পরিবর্তন করা যায়, আর `voice_instruction` উচ্চারণের ধরন নিয়ন্ত্রণ করে। আউটপুট 8000 থেকে 48000 Hz স্যাম্পল রেটে mp3 বা opus।

প্যারামিটার

নামধরন ডিফল্টঅনুমোদিত বিবরণ
textআবশ্যক
ধরনstring
≤ ৫,০০০টি অক্ষর
সিন্থেসাইজড স্পিচে রূপান্তর করার টেক্সট।
voiceঐচ্ছিক
ধরনenum
ডিফল্টstokie_en
vivi_mixed_en_zh_ja_es_idmindy_en_es_id_pt_zhstokie_endacey_entim_enkian_en_zhcedric_en_zhsophie_en_zhjean_en_zhmagnus_en_zhmabel_en_zhnadia_en_zhopal_en_zhpearl_en_zhquentin_en_zhvienna_mixed_en_zh
+25টি আরওalina_mixed_en_zhcorinne_mixed_en_zhesther_mixed_en_zhfreya_mixed_en_zhgigi_mixed_en_zhholly_mixed_en_zhlyla_mixed_en_zhdaisy_mixed_en_zhtracy_es_zhjess_ja_es_id_pt_en_zhpinky_es_ko_mixed_en_zhsweety_ja_essandy_es_mixed_en_zhsven_deminimi_jausseau_frfelipe_eshan_idmartins_ptenzo_itshane_kobonnie_zhfelix_zhceleste_zhmonkey_king_zh
নাম দ্বারা শনাক্ত সিন্থেসিস ভয়েস প্রিসেট, যার মধ্যে সমর্থিত ভাষার কোডও থাকে। ভাষা সমর্থন স্বাধীন হতে পারে, যেমন 'en_zh', অথবা নির্বিঘ্ন ইংরেজি–চীনা মিশ্রণ সমর্থন করতে পারে, যা 'mixed_en_zh' দ্বারা নির্দেশিত।
output_formatঐচ্ছিক
ধরনenum
ডিফল্টmp3
mp3opus
অডিও আউটপুট এনকোডিং: 'mp3' MP3 তৈরি করে, আর 'opus' Ogg কনটেইনারে প্যাকেজ করা Opus তৈরি করে।
sample_rateঐচ্ছিক
ধরনenum
ডিফল্ট24000
8000160002205024000320004410048000
আউটপুট অডিওর Hz-এ স্যাম্পলিং ফ্রিকোয়েন্সি।
speedঐচ্ছিক
ধরনnumber
ডিফল্ট1
০.৫ – ২
স্পিচ রেট গুণক: 1.0 স্বাভাবিক গতি, 0.5 অর্ধেক গতি এবং 2.0 দ্বিগুণ গতি দেয়।
volumeঐচ্ছিক
ধরনnumber
ডিফল্ট1
০.৫ – ২
ভলিউম গুণক: 1.0 স্বাভাবিক ভলিউম, 0.5 অর্ধেক ভলিউম এবং 2.0 দ্বিগুণ ভলিউম দেয়।
pitchঐচ্ছিক
ধরনinteger
ডিফল্ট0
-১২ – ১২
সেমিটোনে মাপা ভয়েসের পিচ সমন্বয়: 0 পিচ অপরিবর্তিত রাখে, -12 এক অক্টেভ নিচে নামায় এবং 12 এক অক্টেভ ওপরে তোলে।
languageঐচ্ছিক
ধরনenum
zhenjaes-mxidpt-brkoitdefr
পাঠের ভাষা ওভাররাইড: বাদ দিলে শনাক্তকরণ স্বয়ংক্রিয় হয় এবং দ্বিভাষিক ভয়েসগুলো চীনা ও ইংরেজি নির্বিঘ্নে মিশিয়ে দিতে পারে; দিলে শনাক্তকরণ নিষ্ক্রিয় হয় এবং পাঠ একটি ভাষায় সীমাবদ্ধ থাকে। চীনের জন্য zh, ইংরেজির জন্য en, জাপানির জন্য ja, মেক্সিকান স্প্যানিশের জন্য es-mx, ইন্দোনেশিয়ানের জন্য id, ব্রাজিলীয় পর্তুগিজের জন্য pt-br, কোরিয়ানের জন্য ko, ইতালিয়ানের জন্য it, জার্মানের জন্য de অথবা ফরাসির জন্য fr বেছে নিন।
voice_instructionঐচ্ছিক
ধরনstring | null
ঐচ্ছিক প্রাকৃতিক-ভাষার পরিবেশন নির্দেশনা, যেমন 'Speak in a cheerful tone' অথবা 'Could you speak a bit slower?'. এটি টোন, আবেগ, ভলিউম এবং গতি নির্দেশ করতে পারে।
আবশ্যক

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "bytedance/seed-speech/tts/v2",
  "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": 2,
    "usd": "0.002",
    "charged": 2,
    "refunded": 0
  },
  "input": {
    "text": "Hello from Doitong. This is a short test sentence."
  },
  "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
    }
  },
  "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"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
audio
object {url, content_type, file_name, file_size}জেনারেশনের মাধ্যমে তৈরি অডিও ফাইল।

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/bytedance/seed-speech/tts/v2.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt