Ir al contenido

Bytedance Seed Speech Text to Speech

Integrar

ID del modelo 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"

Esta solicitud: 0,002 $ 2 créditos de API · ≈ 0,22 ₽ Ejecutar en esta página

Obtener clave de API
ByteDance Texto a voz Sincronización labial #stylized#transform#lipsync

Texto a voz con muchas voces preestablecidas, control de velocidad, tono y volumen, e instrucciones de estilo hablado

ByteDance · Audio

Tu primer resultado aparecerá aquí

Crea una solicitud a continuación y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, conservadas para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan al modificarlos.

•obligatorio 50 / 5000

Texto que se convertirá en habla sintetizada.

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

Instrucción opcional de expresión en lenguaje natural, como 'Speak in a cheerful tone' o 'Could you speak a bit slower?'. Puede dirigir el tono, la emoción, el volumen y el ritmo.

output_format predeterminado mp3

Codificación del audio de salida: 'mp3' produce MP3, mientras que 'opus' produce Opus empaquetado en un contenedor Ogg.

sample_rate predeterminado 24000

Frecuencia de muestreo en Hz del audio de salida.

predeterminado stokie_en

Preajuste de voz de síntesis, identificado por un nombre que también incluye códigos de idioma compatibles. La compatibilidad lingüística puede ser independiente, como en 'en_zh', o permitir una combinación fluida de inglés y chino, indicada por 'mixed_en_zh'.

Anulación del idioma de lectura: si se omite, la detección es automática y las voces bilingües pueden combinar chino e inglés de forma fluida; si se proporciona, desactiva la detección y limita la lectura a un idioma. Elige chino con zh, inglés con en, japonés con ja, español mexicano con es-mx, indonesio con id, portugués brasileño con pt-br, coreano con ko, italiano con it, alemán con de o francés con fr.

predeterminado 1

Multiplicador de la velocidad del habla: 1.0 proporciona velocidad normal, 0.5 la mitad de velocidad y 2.0 el doble de velocidad.

predeterminado 1

Multiplicador del volumen: 1.0 proporciona volumen normal, 0.5 la mitad de volumen y 2.0 el doble de volumen.

predeterminado 0

Ajuste del tono de la voz, medido en semitonos: 0 mantiene el tono, -12 lo baja una octava y 12 lo sube una octava.

POST /run/bytedance/seed-speech/tts/v2?wait=20 presupuesto → 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"

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y solo se guarda en localStorage si marcas Recordar. Obtener una clave de API

Acerca de Bytedance Seed Speech Text to Speech

Convierte hasta 5000 caracteres de `text` en audio. Elige una `voice` y, opcionalmente, fuerza un `language` o deja activada la detección automática. `speed` y `volume` van de 0.5 a 2, `pitch` cambia entre -12 y 12 semitonos, y `voice_instruction` dirige la interpretación. La salida es mp3 u opus, con frecuencias de muestreo de 8000 a 48000 Hz.

Parámetros

NombreTipo PredeterminadoPermitido Descripción
textobligatorio
Tipostring
≤ 5000 caracteres
Texto que se convertirá en habla sintetizada.
voiceopcional
Tipoenum
Predeterminadostokie_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 másalina_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
Preajuste de voz de síntesis, identificado por un nombre que también incluye códigos de idioma compatibles. La compatibilidad lingüística puede ser independiente, como en 'en_zh', o permitir una combinación fluida de inglés y chino, indicada por 'mixed_en_zh'.
output_formatopcional
Tipoenum
Predeterminadomp3
mp3opus
Codificación del audio de salida: 'mp3' produce MP3, mientras que 'opus' produce Opus empaquetado en un contenedor Ogg.
sample_rateopcional
Tipoenum
Predeterminado24000
8000160002205024000320004410048000
Frecuencia de muestreo en Hz del audio de salida.
speedopcional
Tiponumber
Predeterminado1
0,5 – 2
Multiplicador de la velocidad del habla: 1.0 proporciona velocidad normal, 0.5 la mitad de velocidad y 2.0 el doble de velocidad.
volumeopcional
Tiponumber
Predeterminado1
0,5 – 2
Multiplicador del volumen: 1.0 proporciona volumen normal, 0.5 la mitad de volumen y 2.0 el doble de volumen.
pitchopcional
Tipointeger
Predeterminado0
-12 – 12
Ajuste del tono de la voz, medido en semitonos: 0 mantiene el tono, -12 lo baja una octava y 12 lo sube una octava.
languageopcional
Tipoenum
zhenjaes-mxidpt-brkoitdefr
Anulación del idioma de lectura: si se omite, la detección es automática y las voces bilingües pueden combinar chino e inglés de forma fluida; si se proporciona, desactiva la detección y limita la lectura a un idioma. Elige chino con zh, inglés con en, japonés con ja, español mexicano con es-mx, indonesio con id, portugués brasileño con pt-br, coreano con ko, italiano con it, alemán con de o francés con fr.
voice_instructionopcional
Tipostring | null
Instrucción opcional de expresión en lenguaje natural, como 'Speak in a cheerful tone' o 'Could you speak a bit slower?'. Puede dirigir el tono, la emoción, el volumen y el ritmo.
obligatorio

Salida

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"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: conservada para siempre (con pago por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para vídeo y audio. output es el objeto de resultado propio del modelo.
Campos de salida
audio
object {url, content_type, file_name, file_size}Archivo de audio producido por la generación.

Para agentes de IA: esta página en Markdown está en https://doitong.com/es-ES/developers/models/bytedance/seed-speech/tts/v2.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt