Leum chun t-susbaint

Bytedance Seed Speech Text to Speech

Amalaich

ID a’ mhodail 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"

An t-iarrtas seo: $0.002 2 creideasan API · ≈ ₽0.22 Ruith e air an duilleig seo

Faigh iuchair API
ByteDance Teacsa gu Òraid Sioncronadh bilean #stylized#transform#lipsync

Teacsa-gu-cainnt le iomadh guth ro-shuidhichte, smachd air luaths, pitch agus tomhas-lìonaidh, agus stiùiridhean ann an stoidhle labhairt

ByteDance · Fuaim

Thèid a’ chiad toradh agad an-seo

Tog iarrtas gu h-ìosal agus ruith e leis an iuchair API agad. Tha na h-às-churan air an lethbhreacadh dhan stòradh againn, air an cumail gu bràth no 7 latha an-asgaidh.

Tog iarrtas

Tha na smachdan air an cruthachadh bho sgeama a’ mhodail. Bidh an còd agus a’ phrìs ag ùrachadh fhad ’s a dh’atharraicheas tu iad.

•riatanach 50 / 5000

Teacsa ri thionndadh gu cainnt cho-churichte.

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

Stiùireadh roghainneil ann an cànan nàdarra airson an lìbhrigidh, leithid 'Speak in a cheerful tone' no 'Could you speak a bit slower?'. Faodaidh e tòna, faireachdainn, fuaim agus astar a stiùireadh.

output_format bun-roghainn mp3

Còdachadh às-chur claisneachd: tha 'mp3' a’ cruthachadh MP3, agus tha 'opus' a’ cruthachadh Opus ann an soitheach Ogg.

sample_rate bun-roghainn 24000

Tricead samplachaidh ann an Hz airson an às-chur claisneachd.

bun-roghainn stokie_en

Ro-shuidheachadh guth co-churachaidh, air a chomharrachadh le ainm anns a bheil còdan cànain le taic cuideachd. Faodaidh taic cànain a bhith neo-eisimeileach, mar le 'en_zh', no measgachadh rèidh de English–Chinese a cheadachadh, air a chomharrachadh le 'mixed_en_zh'.

Tar-sgrìobhadh cànain leughaidh: nuair a thèid fhàgail air falbh, thèid lorg a dhèanamh gu fèin-obrachail agus faodaidh guthan dà-chànanach Chinese agus English a mheasgachadh gu rèidh; nuair a thèid a thoirt seachad, cuiridh e à comas an lorg agus cuingichidh e an leughadh gu aon chànan. Tagh Chinese le zh, English le en, Japanese le ja, Mexican Spanish le es-mx, Indonesian le id, Brazilian Portuguese le pt-br, Korean le ko, Italian le it, German le de, no French le fr.

bun-roghainn 1

Iomadadair astar cainnte: tha 1.0 a’ toirt astar àbhaisteach, 0.5 leth astair, agus 2.0 dà uiread an astair.

bun-roghainn 1

Iomadadair fuaim: tha 1.0 a’ toirt fuaim àbhaisteach, 0.5 leth an fhuaim, agus 2.0 dà uiread an fhuaim.

bun-roghainn 0

Atharrachadh pitch a’ ghutha, air a thomhas ann an leth-tònaichean: chan atharraich 0 am pitch, gluaisidh -12 sìos ochdamh, agus gluaisidh 12 suas ochdamh.

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

Ruith an t-iarrtas seo

Fuirichidh an iuchair agad sa bhrobhsair seo: thèid a cur chun Doitong API a-mhàin agus a sàbhaladh (localStorage) a-mhàin ma chuireas tu comharra ri Cuimhnich. Faigh iuchair API

Mu Bytedance Seed Speech Text to Speech

Tionndaidhidh e suas ri 5000 caractar de `text` gu fuaim. Tagh `voice`, agus ma thogras tu sparraich `language` no fàg fèin-lorg air. Tha `speed` agus `volume` eadar 0.5 agus 2, bidh `pitch` ag atharrachadh bho -12 gu 12 leth-tònaichean, agus bidh `voice_instruction` a’ stiùireadh lìbhrigeadh. Is e an toradh mp3 no opus aig ìrean samplachaidh bho 8000 gu 48000 Hz.

Paramadairean

AinmSeòrsa Bun-roghainnCeadaichte Tuairisgeul
textriatanach
Seòrsastring
≤ 5,000 caractar
Teacsa ri thionndadh gu cainnt cho-churichte.
voiceroghainneil
Seòrsaenum
Bun-roghainnstokie_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 eilealina_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
Ro-shuidheachadh guth co-churachaidh, air a chomharrachadh le ainm anns a bheil còdan cànain le taic cuideachd. Faodaidh taic cànain a bhith neo-eisimeileach, mar le 'en_zh', no measgachadh rèidh de English–Chinese a cheadachadh, air a chomharrachadh le 'mixed_en_zh'.
output_formatroghainneil
Seòrsaenum
Bun-roghainnmp3
mp3opus
Còdachadh às-chur claisneachd: tha 'mp3' a’ cruthachadh MP3, agus tha 'opus' a’ cruthachadh Opus ann an soitheach Ogg.
sample_rateroghainneil
Seòrsaenum
Bun-roghainn24000
8000160002205024000320004410048000
Tricead samplachaidh ann an Hz airson an às-chur claisneachd.
speedroghainneil
Seòrsanumber
Bun-roghainn1
0.5 – 2
Iomadadair astar cainnte: tha 1.0 a’ toirt astar àbhaisteach, 0.5 leth astair, agus 2.0 dà uiread an astair.
volumeroghainneil
Seòrsanumber
Bun-roghainn1
0.5 – 2
Iomadadair fuaim: tha 1.0 a’ toirt fuaim àbhaisteach, 0.5 leth an fhuaim, agus 2.0 dà uiread an fhuaim.
pitchroghainneil
Seòrsainteger
Bun-roghainn0
-12 – 12
Atharrachadh pitch a’ ghutha, air a thomhas ann an leth-tònaichean: chan atharraich 0 am pitch, gluaisidh -12 sìos ochdamh, agus gluaisidh 12 suas ochdamh.
languageroghainneil
Seòrsaenum
zhenjaes-mxidpt-brkoitdefr
Tar-sgrìobhadh cànain leughaidh: nuair a thèid fhàgail air falbh, thèid lorg a dhèanamh gu fèin-obrachail agus faodaidh guthan dà-chànanach Chinese agus English a mheasgachadh gu rèidh; nuair a thèid a thoirt seachad, cuiridh e à comas an lorg agus cuingichidh e an leughadh gu aon chànan. Tagh Chinese le zh, English le en, Japanese le ja, Mexican Spanish le es-mx, Indonesian le id, Brazilian Portuguese le pt-br, Korean le ko, Italian le it, German le de, no French le fr.
voice_instructionroghainneil
Seòrsastring | null
Stiùireadh roghainneil ann an cànan nàdarra airson an lìbhrigidh, leithid 'Speak in a cheerful tone' no 'Could you speak a bit slower?'. Faodaidh e tòna, faireachdainn, fuaim agus astar a stiùireadh.
riatanach

Toradh

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"
  }
}
Na faidhlichean agad, do roghainnTha gach outputs[].url na lethbhreac air an stòradh againn: air a chumail gu bràth (air a phàigheadh gach GB-mìos) no 7 latha an-asgaidh, a rèir suidheachadh a’ chunntais agad no ?storage=.
An aon chruth air gach modailtype, url, content_type, width, height agus duration, airson dealbhan, bhidio agus fuaim le chèile. ’S e output nì toraidh a’ mhodail fhèin.
Raointean toraidh
audio
object {url, content_type, file_name, file_size}Faidhle claisneachd a chaidh a chruthachadh le gineadh.

Do riochdairean AI: tha an duilleag seo mar Markdown aig https://doitong.com/gd/developers/models/bytedance/seed-speech/tts/v2.md. Na modailean agus na treòraichean uile: https://doitong.com/developers/llms.txt