Ugrás a tartalomhoz

Bytedance Seed Speech Text to Speech

Integráció

Modellazonosító 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"

Ez a kérés: 0,002 $ 2 API-jóváírás · ≈ 0,22 ₽ Futtatás ezen az oldalon

API-kulcs beszerzése
ByteDance Szövegből beszéd Lipsync #stylized#transform

Szövegfelolvasás számos előre beállított hanggal, sebesség-, hangmagasság- és hangerőszabályozással, valamint beszédstílusra vonatkozó utasításokkal

ByteDance · Hang

Az első eredményed itt jelenik meg

Állíts össze egy kérést alább, majd futtasd az API-kulcsoddal. A kimeneteket a tárhelyünkre másoljuk, és örökre vagy 7 nap ideig ingyenesen őrizzük meg.

Kérés összeállítása

A vezérlők a modell sémájából jönnek létre. A kód és az ár a módosításokkal együtt frissül.

•kötelező 50 / 5000

A szintetizált beszéddé alakítandó szöveg.

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

Opcionális, természetes nyelvű előadási utasítás, például 'Speak in a cheerful tone' vagy 'Could you speak a bit slower?'. A hangnemet, érzelmet, hangerőt és tempót irányíthatja.

output_format alapértelmezett: mp3

A hang kimeneti kódolása: az 'mp3' MP3-at, az 'opus' pedig Ogg-tárolóba csomagolt Opust eredményez.

sample_rate alapértelmezett: 24000

A kimeneti hang mintavételi frekvenciája Hz-ben.

alapértelmezett: stokie_en

Szintézishang-előbeállítás, amelyet a támogatott nyelvek kódjait is tartalmazó név azonosít. A nyelvi támogatás lehet független, például az 'en_zh' esetén, vagy lehetővé teheti az angol és kínai zökkenőmentes keverését, amit a 'mixed_en_zh' jelez.

Olvasási nyelv felülbírálása: ha nincs megadva, az észlelés automatikus, és a kétnyelvű hangok zökkenőmentesen keverhetik a kínait és az angolt; megadásakor letiltja az észlelést, és egyetlen nyelvre korlátozza az olvasást. Kínaihoz válassza a zh, angolhoz az en, japánhoz a ja, mexikói spanyolhoz az es-mx, indonézhez az id, brazil portugálhoz a pt-br, koreaihoz a ko, olaszhoz az it, némethez a de, francia nyelvhez pedig az fr értéket.

alapértelmezett: 1

A beszédsebesség szorzója: az 1.0 normál sebességet, a 0.5 feleakkora sebességet, a 2.0 pedig kétszeres sebességet jelent.

alapértelmezett: 1

A hangerő szorzója: az 1.0 normál hangerőt, a 0.5 feleakkora hangerőt, a 2.0 pedig kétszeres hangerőt jelent.

alapértelmezett: 0

A hangmagasság félhangokban megadott módosítása: a 0 változatlanul hagyja, a -12 egy oktávval lejjebb, a 12 pedig egy oktávval feljebb tolja a hangmagasságot.

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

Kérés futtatása

A kulcsod ebben a böngészőben marad: csak a Doitong API-nak küldjük el, és csak akkor mentjük a localStorage-ba, ha bejelölöd az Emlékezz rám lehetőséget. API-kulcs igénylése

A(z) Bytedance Seed Speech Text to Speech bemutatása

Legfeljebb 5000 karakteres `text` értéket alakít hanggá. Válassz egy `voice` értéket, és opcionálisan kényszeríts ki egy `language` értéket, vagy hagyd bekapcsolva az automatikus felismerést. A `speed` és a `volume` értéke 0.5–2, a `pitch` -12 és 12 félhang között módosítható, a `voice_instruction` pedig irányítja az előadásmódot. A kimenet mp3 vagy opus lehet, 8000–48000 Hz mintavételi frekvenciával.

Paraméterek

NévTípus AlapértelmezettEngedélyezett Leírás
textkötelező
Típusstring
≤ 5000 karakter
A szintetizált beszéddé alakítandó szöveg.
voicenem kötelező
Típusenum
Alapértelmezettstokie_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 továbbialina_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
Szintézishang-előbeállítás, amelyet a támogatott nyelvek kódjait is tartalmazó név azonosít. A nyelvi támogatás lehet független, például az 'en_zh' esetén, vagy lehetővé teheti az angol és kínai zökkenőmentes keverését, amit a 'mixed_en_zh' jelez.
output_formatnem kötelező
Típusenum
Alapértelmezettmp3
mp3opus
A hang kimeneti kódolása: az 'mp3' MP3-at, az 'opus' pedig Ogg-tárolóba csomagolt Opust eredményez.
sample_ratenem kötelező
Típusenum
Alapértelmezett24000
8000160002205024000320004410048000
A kimeneti hang mintavételi frekvenciája Hz-ben.
speednem kötelező
Típusnumber
Alapértelmezett1
0,5 – 2
A beszédsebesség szorzója: az 1.0 normál sebességet, a 0.5 feleakkora sebességet, a 2.0 pedig kétszeres sebességet jelent.
volumenem kötelező
Típusnumber
Alapértelmezett1
0,5 – 2
A hangerő szorzója: az 1.0 normál hangerőt, a 0.5 feleakkora hangerőt, a 2.0 pedig kétszeres hangerőt jelent.
pitchnem kötelező
Típusinteger
Alapértelmezett0
-12 – 12
A hangmagasság félhangokban megadott módosítása: a 0 változatlanul hagyja, a -12 egy oktávval lejjebb, a 12 pedig egy oktávval feljebb tolja a hangmagasságot.
languagenem kötelező
Típusenum
zhenjaes-mxidpt-brkoitdefr
Olvasási nyelv felülbírálása: ha nincs megadva, az észlelés automatikus, és a kétnyelvű hangok zökkenőmentesen keverhetik a kínait és az angolt; megadásakor letiltja az észlelést, és egyetlen nyelvre korlátozza az olvasást. Kínaihoz válassza a zh, angolhoz az en, japánhoz a ja, mexikói spanyolhoz az es-mx, indonézhez az id, brazil portugálhoz a pt-br, koreaihoz a ko, olaszhoz az it, némethez a de, francia nyelvhez pedig az fr értéket.
voice_instructionnem kötelező
Típusstring | null
Opcionális, természetes nyelvű előadási utasítás, például 'Speak in a cheerful tone' vagy 'Could you speak a bit slower?'. A hangnemet, érzelmet, hangerőt és tempót irányíthatja.
kötelező

Kimenet

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"
  }
}
Az Ön fájljai, az Ön döntéseMinden outputs[].url a tárhelyünkön lévő másolat: örökre megőrizve (GB-hónaponként fizetve) vagy 7 nap ideig ingyenesen, a fiókbeállításod vagy a ?storage= alapján.
Azonos struktúra minden modellentype, url, content_type, width, height és duration képekhez, videókhoz és hanganyagokhoz egyaránt. Az output a modell saját eredményobjektuma.
A kimenet mezői
audio
object {url, content_type, file_name, file_size}A generálással létrehozott hangfájl.

AI-ügynököknek: ez az oldal Markdown formátumban itt található: https://doitong.com/hu/developers/models/bytedance/seed-speech/tts/v2.md. Minden modell és útmutató: https://doitong.com/developers/llms.txt