رفتن به محتوا

Qwen 3 TTS - Clone Voice [0.6B]

یکپارچه‌سازی

شناسه مدل qwen-3-tts/clone-voice/0.6b
# 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/qwen-3-tts/clone-voice/0.6b?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"
  }'

# 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"

فایل‌هایی مانند نمونه: ⁨‎$۰٫۰۰۱⁩ ۱ اعتبار API · ≈ ⁨‎₽۰٫۱۱⁩ فایل‌های شما پیش از اجرا اندازه‌گیری می‌شوند اجرای آن در این صفحه

دریافت کلید API
Alibaba صوت ورودی‌های مرجع #clone-voice#voice-clone

یک امبدینگ گویندهٔ قابل‌استفادهٔ مجدد از یک کلیپ مرجع می‌سازد؛ گونهٔ کوچک‌تر 0.6B از شبیه‌ساز صدا

Alibaba · داده (JSON)

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 audio_url
یک فایل بیندازید، یا

URL صوتی شبیه‌سازی صدا؛ یک ضبط گفتار کوتاه و واضح به‌عنوان مرجع کافی است، مشروط بر اینکه مدت آن از 300 ثانیه (5 دقیقه) بیشتر نباشد.

پیشرفته reference_text · enable_safety_checker

متن مرجع که به‌صورت اختیاری برای بهبود سنتز با صدای شبیه‌سازی‌شده ارائه می‌شود؛ باید همان متنی باشد که برای ایجاد embedding گوینده استفاده شده است.

POST /run/qwen-3-tts/clone-voice/0.6b?wait=20 قیمت → ⁨‎$۰٫۰۰۱⁩
# 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/qwen-3-tts/clone-voice/0.6b?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"
  }'

# 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 Qwen 3 TTS - Clone Voice [0.6B]

یک ضبط مرجع را از طریق `audio_url` می‌گیرد (حداکثر 300 ثانیه؛ یک کلیپ کوتاه از گفتار پاک کافی است) و یک فایل امبدینگ گوینده در قالب safetensors برمی‌گرداند. سپس می‌توان امبدینگ را به نقطه پایانی متن‌به‌گفتار متناظر فرستاد. برای بهبود کیفیت ترکیب، ارائهٔ اختیاری `reference_text` ممکن است.

پارامترها

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

نامنوع پیش‌فرضمجاز توضیحات
audio_urlالزامی audio
نوعurl · audio
URL صوتی شبیه‌سازی صدا؛ یک ضبط گفتار کوتاه و واضح به‌عنوان مرجع کافی است، مشروط بر اینکه مدت آن از 300 ثانیه (5 دقیقه) بیشتر نباشد.
reference_textاختیاری
نوعstring | null
متن مرجع که به‌صورت اختیاری برای بهبود سنتز با صدای شبیه‌سازی‌شده ارائه می‌شود؛ باید همان متنی باشد که برای ایجاد embedding گوینده استفاده شده است.
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": "qwen-3-tts/clone-voice/0.6b",
  "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": 1,
    "usd": "0.001",
    "charged": 1,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "speaker_embedding": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "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
speaker_embedding
object {url, content_type, file_name, file_size}embedding گوینده تولیدشده به‌صورت فایل safetensors.

مدل‌های بیشتر: صوت

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/qwen-3-tts/clone-voice/0.6b.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt