Zum Inhalt springen

Bytedance Seed Speech Text to Speech

Integrieren

Modell-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"

Diese Anfrage: 0,002 $ 2 API-Credits · ≈ 0,22 ₽ Auf dieser Seite ausführen

API-Schlüssel abrufen
ByteDance Text zu Sprache Lipsync #stylized#transform

Text-to-Speech mit zahlreichen voreingestellten Stimmen, Steuerung von Geschwindigkeit, Tonhöhe und Lautstärke sowie Anweisungen für den Sprechstil

ByteDance · Audio

Dein erstes Ergebnis erscheint hier

Erstelle unten eine Anfrage und führe sie mit deinem API-Schlüssel aus. Ausgaben werden in unseren Speicher kopiert und dauerhaft oder 7 Tage kostenlos aufbewahrt.

Anfrage erstellen

Die Steuerelemente werden aus dem Modellschema generiert. Code und Preis werden aktualisiert, während du sie änderst.

•erforderlich 50 / 5000

Text, der in synthetisierte Sprache umgewandelt wird.

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

Optionale natürlichsprachliche Anweisung zur Darbietung, etwa 'Speak in a cheerful tone' oder 'Could you speak a bit slower?'. Sie kann Ton, Emotion, Lautstärke und Tempo steuern.

output_format Standard mp3

Audioausgabekodierung: 'mp3' erzeugt MP3, während 'opus' Opus in einem Ogg-Container erzeugt.

sample_rate Standard 24000

Abtastfrequenz des Ausgabe-Audios in Hz.

Standard stokie_en

Preset der Synthesestimme, identifiziert durch einen Namen, der auch unterstützte Sprachcodes enthält. Die Sprachunterstützung kann unabhängig sein, etwa bei 'en_zh', oder nahtloses Mischen von Englisch und Chinesisch erlauben, angezeigt durch 'mixed_en_zh'.

Überschreibung der Lesesprache: Ohne Angabe erfolgt die Erkennung automatisch und zweisprachige Stimmen können Chinesisch und Englisch nahtlos mischen; bei Angabe wird die Erkennung deaktiviert und das Vorlesen auf eine Sprache beschränkt. Chinesisch mit zh, Englisch mit en, Japanisch mit ja, mexikanisches Spanisch mit es-mx, Indonesisch mit id, brasilianisches Portugiesisch mit pt-br, Koreanisch mit ko, Italienisch mit it, Deutsch mit de oder Französisch mit fr auswählen.

Standard 1

Sprachgeschwindigkeitsmultiplikator: 1.0 entspricht normaler Geschwindigkeit, 0.5 halber Geschwindigkeit und 2.0 doppelter Geschwindigkeit.

Standard 1

Lautstärkemultiplikator: 1.0 entspricht normaler Lautstärke, 0.5 halber Lautstärke und 2.0 doppelter Lautstärke.

Standard 0

Tonhöhenanpassung der Stimme in Halbtönen: 0 lässt die Tonhöhe unverändert, -12 senkt sie um eine Oktave und 12 erhöht sie um eine Oktave.

POST /run/bytedance/seed-speech/tts/v2?wait=20 Preis → 0,002 $
# 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"

Diese Anfrage ausführen

Dein Schlüssel bleibt in diesem Browser: Er wird nur an die Doitong API gesendet und nur gespeichert (localStorage), wenn du „Merken“ aktivierst. API-Schlüssel abrufen

Über Bytedance Seed Speech Text to Speech

Wandelt bis zu 5000 Zeichen von `text` in Audio um. Wähle eine `voice` und erzwinge optional eine `language` oder lasse die automatische Erkennung aktiviert. `speed` und `volume` reichen von 0.5 bis 2, `pitch` verschiebt sich um -12 bis 12 Halbtöne, und `voice_instruction` steuert die Wiedergabe. Die Ausgabe ist mp3 oder opus mit Abtastraten von 8000 bis 48000 Hz.

Parameter

NameTyp StandardZulässig Beschreibung
texterforderlich
Typstring
≤ 5.000 Zeichen
Text, der in synthetisierte Sprache umgewandelt wird.
voiceoptional
Typenum
Standardstokie_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
+25 weiterealina_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
Preset der Synthesestimme, identifiziert durch einen Namen, der auch unterstützte Sprachcodes enthält. Die Sprachunterstützung kann unabhängig sein, etwa bei 'en_zh', oder nahtloses Mischen von Englisch und Chinesisch erlauben, angezeigt durch 'mixed_en_zh'.
output_formatoptional
Typenum
Standardmp3
mp3opus
Audioausgabekodierung: 'mp3' erzeugt MP3, während 'opus' Opus in einem Ogg-Container erzeugt.
sample_rateoptional
Typenum
Standard24000
8000160002205024000320004410048000
Abtastfrequenz des Ausgabe-Audios in Hz.
speedoptional
Typnumber
Standard1
0,5 – 2
Sprachgeschwindigkeitsmultiplikator: 1.0 entspricht normaler Geschwindigkeit, 0.5 halber Geschwindigkeit und 2.0 doppelter Geschwindigkeit.
volumeoptional
Typnumber
Standard1
0,5 – 2
Lautstärkemultiplikator: 1.0 entspricht normaler Lautstärke, 0.5 halber Lautstärke und 2.0 doppelter Lautstärke.
pitchoptional
Typinteger
Standard0
-12 – 12
Tonhöhenanpassung der Stimme in Halbtönen: 0 lässt die Tonhöhe unverändert, -12 senkt sie um eine Oktave und 12 erhöht sie um eine Oktave.
languageoptional
Typenum
zhenjaes-mxidpt-brkoitdefr
Überschreibung der Lesesprache: Ohne Angabe erfolgt die Erkennung automatisch und zweisprachige Stimmen können Chinesisch und Englisch nahtlos mischen; bei Angabe wird die Erkennung deaktiviert und das Vorlesen auf eine Sprache beschränkt. Chinesisch mit zh, Englisch mit en, Japanisch mit ja, mexikanisches Spanisch mit es-mx, Indonesisch mit id, brasilianisches Portugiesisch mit pt-br, Koreanisch mit ko, Italienisch mit it, Deutsch mit de oder Französisch mit fr auswählen.
voice_instructionoptional
Typstring | null
Optionale natürlichsprachliche Anweisung zur Darbietung, etwa 'Speak in a cheerful tone' oder 'Could you speak a bit slower?'. Sie kann Ton, Emotion, Lautstärke und Tempo steuern.
erforderlich

Ausgabe

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"
  }
}
Deine Dateien, deine EntscheidungJede outputs[].url ist eine Kopie in unserem Speicher: dauerhaft aufbewahrt (Abrechnung pro GB-Monat) oder 7 Tage kostenlos – je nach Kontoeinstellung oder ?storage=.
Gleiche Struktur bei jedem Modelltype, url, content_type, width, height und duration – für Bilder, Video und Audio gleichermaßen. output ist das Ergebnisobjekt des Modells.
Ausgabefelder
audio
object {url, content_type, file_name, file_size}Durch die Generierung erzeugte Audiodatei.

Für KI-Agenten: Diese Seite ist als Markdown verfügbar unter https://doitong.com/de/developers/models/bytedance/seed-speech/tts/v2.md. Alle Modelle und Anleitungen: https://doitong.com/developers/llms.txt