رفتن به محتوا

Bytedance Seed Speech Text to Speech

یکپارچه‌سازی

شناسه مدل 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"

این درخواست: ⁨‎$۰٫۰۰۲⁩ ۲ اعتبار API · ≈ ⁨‎₽۰٫۲۲⁩ اجرای آن در این صفحه

دریافت کلید API
ByteDance متن به گفتار همگام‌سازی لب #stylized#transform#lipsync

تبدیل متن به گفتار با صداهای ازپیش‌تنظیم‌شده متعدد، کنترل سرعت، زیر و بم و حجم، و دستورهای سبک بیان

ByteDance · صوت

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی 50 / 5000

متنی که باید به گفتار سنتزشده تبدیل شود.

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

دستور اختیاری برای بیان طبیعی، مانند 'Speak in a cheerful tone' یا 'Could you speak a bit slower?'. این دستور می‌تواند لحن، احساس، بلندی صدا و سرعت را تعیین کند.

output_format پیش‌فرض mp3

رمزگذاری صوت خروجی: 'mp3' خروجی MP3 و 'opus' خروجی Opus در کانتینر Ogg تولید می‌کند.

sample_rate پیش‌فرض 24000

فرکانس نمونه‌برداری صوت خروجی برحسب Hz.

پیش‌فرض stokie_en

پیش‌تنظیم صدای سنتز، با نامی شامل کدهای زبان پشتیبانی‌شده. پشتیبانی زبان ممکن است مستقل باشد، مانند 'en_zh'، یا ترکیب یکپارچه انگلیسی و چینی را با 'mixed_en_zh' فراهم کند.

جایگزینی زبان خوانش: در صورت حذف، تشخیص خودکار است و صداهای دوزبانه می‌توانند چینی و انگلیسی را یکپارچه ترکیب کنند؛ در صورت ارائه، تشخیص غیرفعال و خوانش به یک زبان محدود می‌شود. چینی را با zh، انگلیسی را با en، ژاپنی را با ja، اسپانیایی مکزیکی را با es-mx، اندونزیایی را با id، پرتغالی برزیلی را با pt-br، کره‌ای را با ko، ایتالیایی را با it، آلمانی را با de و فرانسوی را با fr انتخاب کنید.

پیش‌فرض 1

ضریب سرعت گفتار: 1.0 سرعت عادی، 0.5 نصف سرعت و 2.0 دو برابر سرعت است.

پیش‌فرض 1

ضریب بلندی صدا: 1.0 بلندی عادی، 0.5 نصف بلندی و 2.0 دو برابر بلندی است.

پیش‌فرض 0

تنظیم زیر و بمی صدا برحسب نیم‌پرده: 0 بدون تغییر، -12 یک اکتاو پایین‌تر و 12 یک اکتاو بالاتر است.

POST /run/bytedance/seed-speech/tts/v2?wait=20 قیمت → ⁨‎$۰٫۰۰۲⁩
# 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"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Bytedance Seed Speech Text to Speech

حداکثر 5000 نویسه `text` را به صدا تبدیل می‌کند. یک `voice` انتخاب کنید و در صورت نیاز `language` را اجباری کنید یا تشخیص خودکار را فعال بگذارید. `speed` و `volume` از 0.5 تا 2، و `pitch` از -12 تا 12 نیم‌پرده است؛ `voice_instruction` نحوه بیان را هدایت می‌کند. خروجی mp3 یا opus با نرخ نمونه‌برداری 8000 تا 48000 Hz است.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
textالزامی
نوعstring
≤ ۵٬۰۰۰ نویسه
متنی که باید به گفتار سنتزشده تبدیل شود.
voiceاختیاری
نوعenum
پیش‌فرضstokie_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 مورد دیگرalina_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
پیش‌تنظیم صدای سنتز، با نامی شامل کدهای زبان پشتیبانی‌شده. پشتیبانی زبان ممکن است مستقل باشد، مانند 'en_zh'، یا ترکیب یکپارچه انگلیسی و چینی را با 'mixed_en_zh' فراهم کند.
output_formatاختیاری
نوعenum
پیش‌فرضmp3
mp3opus
رمزگذاری صوت خروجی: 'mp3' خروجی MP3 و 'opus' خروجی Opus در کانتینر Ogg تولید می‌کند.
sample_rateاختیاری
نوعenum
پیش‌فرض24000
8000160002205024000320004410048000
فرکانس نمونه‌برداری صوت خروجی برحسب Hz.
speedاختیاری
نوعnumber
پیش‌فرض1
۰٫۵ – ۲
ضریب سرعت گفتار: 1.0 سرعت عادی، 0.5 نصف سرعت و 2.0 دو برابر سرعت است.
volumeاختیاری
نوعnumber
پیش‌فرض1
۰٫۵ – ۲
ضریب بلندی صدا: 1.0 بلندی عادی، 0.5 نصف بلندی و 2.0 دو برابر بلندی است.
pitchاختیاری
نوعinteger
پیش‌فرض0
−۱۲ – ۱۲
تنظیم زیر و بمی صدا برحسب نیم‌پرده: 0 بدون تغییر، -12 یک اکتاو پایین‌تر و 12 یک اکتاو بالاتر است.
languageاختیاری
نوعenum
zhenjaes-mxidpt-brkoitdefr
جایگزینی زبان خوانش: در صورت حذف، تشخیص خودکار است و صداهای دوزبانه می‌توانند چینی و انگلیسی را یکپارچه ترکیب کنند؛ در صورت ارائه، تشخیص غیرفعال و خوانش به یک زبان محدود می‌شود. چینی را با zh، انگلیسی را با en، ژاپنی را با ja، اسپانیایی مکزیکی را با es-mx، اندونزیایی را با id، پرتغالی برزیلی را با pt-br، کره‌ای را با ko، ایتالیایی را با it، آلمانی را با de و فرانسوی را با fr انتخاب کنید.
voice_instructionاختیاری
نوعstring | null
دستور اختیاری برای بیان طبیعی، مانند 'Speak in a cheerful tone' یا 'Could you speak a bit slower?'. این دستور می‌تواند لحن، احساس، بلندی صدا و سرعت را تعیین کند.
الزامی

خروجی

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"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size}فایل صوتی تولیدشده.

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/bytedance/seed-speech/tts/v2.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt