رفتن به محتوا

Qwen 3 TTS - Clone Voice [1.7B]

یکپارچه‌سازی

شناسه مدل qwen-3-tts/clone-voice/1.7b
# 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/1.7b?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 بزرگ‌تر 1.7B 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/1.7b?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/1.7b?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 [1.7B]

از یک ضبط مرجع ارائه‌شده در `audio_url`، که حداکثر می‌تواند 300 ثانیه باشد، امبدینگ گوینده در قالب safetensors ایجاد می‌کند. نتیجه را با نقطه پایانی متن‌به‌گفتار برای صحبت با صدای شبیه‌سازی‌شده استفاده کنید. `reference_text` اختیاری است و ممکن است کیفیت را بهبود دهد. این گونهٔ 1.7B در برابر شبیه‌ساز 0.6B قرار دارد.

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/1.7b",
  "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/1.7b.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt