رفتن به محتوا

Index TTS 2.0

یکپارچه‌سازی

شناسه مدل index-tts-2/text-to-speech
# 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/index-tts-2/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "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"

تا ⁨‎$۰٫۰۶⁩ برای هر اجرا بر اساس مصرف واقعی هزینه دریافت می‌شود و مابقی بازپرداخت می‌شود اجرای آن در این صفحه

دریافت کلید API
bilibili متن به گفتار #text-to-speech

تولید گفتار از کلیپ صوتی صدای مرجع و متن، با کنترل احساس از طریق صوت، پرامپت یا شدت‌های جداگانه برای هر احساس

bilibili · 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

پرامپت گفتاری که باید تولید شود.

•الزامی audio_url
یک فایل بیندازید، یا

فایل صوتی منبع مورد استفاده برای تولید گفتار.

پیشرفته emotion_prompt · emotional_audio_url · strength · should_use_prompt_for_emotion · enable_safety_checker · emotional_strengths

دستورالعمل‌های سبک احساسی که برای استفاده به `should_use_prompt_for_emotion` نیز نیاز دارند.

یک فایل بیندازید، یا

فایل صوتی مرجع مورد استفاده برای استخراج سبک احساسی.

پیش‌فرض 1

تأثیر احساسی اعمال‌شده هنگام انتقال سبک با افزایش این تنظیم قدرت بیشتر می‌شود.

مقادیر شدت هر احساس برای تنظیم دقیق.

POST /run/index-tts-2/text-to-speech?wait=20 قیمت → ⁨‎$۰٫۰۶⁩
# 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/index-tts-2/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "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 Index TTS 2.0

برای متن موجود در `prompt` گفتار تولید می‌کند و از صدای کلیپ مرجع در `audio_url` استفاده می‌کند. سبک احساسی را می‌توان از کلیپ دوم در `emotional_audio_url` گرفت و با `strength` (از 0 تا 1) مقیاس کرد، یا از طریق `emotional_strengths` تعیین کرد. همچنین می‌توان `should_use_prompt_for_emotion` را فعال کرد و در صورت نیاز `emotion_prompt` جداگانه داد. صدا به‌صورت شیء base64 برگردانده می‌شود.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
audio_urlالزامی audio
نوعurl · audio
فایل صوتی منبع مورد استفاده برای تولید گفتار.
promptالزامی
نوعstring
پرامپت گفتاری که باید تولید شود.
emotional_audio_urlاختیاری
نوعurl · audio
فایل صوتی مرجع مورد استفاده برای استخراج سبک احساسی.
strengthاختیاری
نوعnumber
پیش‌فرض1
۰ – ۱
تأثیر احساسی اعمال‌شده هنگام انتقال سبک با افزایش این تنظیم قدرت بیشتر می‌شود.
emotional_strengthsاختیاری
نوعobject
مقادیر شدت هر احساس برای تنظیم دقیق.
emotional_strengths.happyاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت احساس شادی.
emotional_strengths.angryاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت خشم.
emotional_strengths.sadاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت غم.
emotional_strengths.afraidاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت ترس.
emotional_strengths.disgustedاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت نفرت.
emotional_strengths.melancholicاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت مالیخولیا.
emotional_strengths.surprisedاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت شگفتی.
emotional_strengths.calmاختیاری
نوعnumber
پیش‌فرض0
۰ – ۱
شدت آرامش.
should_use_prompt_for_emotionاختیاری
نوعboolean | null
پیش‌فرضfalse
در صورت فعال‌بودن، محاسبه احساس مبتنی بر پرامپت جایگزین `emotional_strengths` صریح می‌شود. سبک احساسی از `emotion_prompt` و در صورت نبود آن از `prompt` گرفته می‌شود.
emotion_promptاختیاری
نوعstring | null
دستورالعمل‌های سبک احساسی که برای استفاده به `should_use_prompt_for_emotion` نیز نیاز دارند.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "index-tts-2/text-to-speech",
  "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": 60,
    "usd": "0.06",
    "charged": 60,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "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}صوت تولیدشده با قالب base64.

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/index-tts-2/text-to-speech.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt