コンテンツへスキップ

Chatterboxhd · Text to Speech

統合

モデルID resemble-ai/chatterboxhd/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/resemble-ai/chatterboxhd/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{}'

# 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"

例と同様のファイル: $0.011 11 APIクレジット · ≈ ₽1.18 実行前にファイルを計測します このページで実行

APIキーを取得
Resemble AI テキスト読み上げ

プリセット音声、サンプルからのゼロショットクローン、任意の48 kHz音声に対応した表現豊かなテキスト読み上げ

Resemble AI · 音声

最初の結果がここに表示されます

以下でリクエストを作成し、APIキーで実行してください。出力はストレージにコピーされ、永久保存または無料で7日保存されます。

リクエストを作成

コントロールはモデルスキーマから生成されます。値を変更するとコードと価格が更新されます。

デフォルト My name is Maximus De...

音声に変換するテキスト内容。

詳細設定 audio · voice · exaggeration · cfg · temperature · seed · high_quality_audio
audio_url
ファイルをドロップ、または

ゼロショットTTS用の音声クローンサンプルURL。voice設定より優先されます。audio_urlとvoiceの両方がない場合のみ、音声をランダムに選択します。

TTS音声を選択します。voiceとaudioの両方を省略すると、システムがランダムに選択します。

デフォルト 0.5

感情の誇張度。通常は0.25~2.0の範囲です。

デフォルト 0.5

classifier-free guidance(CFG)による条件付け強度。表現豊かまたは劇的な発話には、約0.3の低いcfg設定と約0.7以上の誇張度を組み合わせます。cfgを約0.3に下げると、参照音声が速く話す場合のペースも改善することがあります。通常の設定範囲は0.2–1.0です。

デフォルト 0.8

生成のランダム性。通常は0.05~5の範囲です。

デフォルト 0

再現可能な音声生成のシード。0ではランダムに選択され、固定シードでは他のすべてのプロパティが同じ場合に同一の音声ファイルが再生成されます。

POST /run/resemble-ai/chatterboxhd/text-to-speech?wait=20 見積もり → $0.011
# 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/resemble-ai/chatterboxhd/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{}'

# 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"

このリクエストを実行

キーはこのブラウザ内に保持されます。Doitong APIにのみ送信され、「記憶する」にチェックを入れた場合のみlocalStorageに保存されます。 APIキーを取得

Chatterboxhd · Text to Speechについて

プリセット`voice`(Aurora、Blade、Britney、Carl、Cliff、Richard、Rico、Siobhan、Vicky)または`audio_url`からクローンした音声を使って、`text`を音声化します。クローン音声はプリセットより優先されます。`exaggeration`(0.25~2)と`cfg`で感情を制御し、`temperature`と`seed`で変化を制御します。`high_quality_audio`を有効にすると出力が24 kHzから48 kHzになります。

パラメータ

正式名称またはネイティブ名のいずれか一方を送信してください。両方は送信しないでください。 正式名称

名前型 デフォルト許可される値 説明
text任意
型string
デフォルトMy name is Maximus Decimus Meridius, commander of the Armies of the North, General of the Felix Legions and loyal servant to the true emperor, Marcus Aurelius. Father to a murdered son, husband to a murdered wife. And I will have my vengeance, in this life or the next.
音声に変換するテキスト内容。
voice任意
型enum
AuroraBladeBritneyCarlCliffRichardRicoSiobhanVicky
TTS音声を選択します。voiceとaudioの両方を省略すると、システムがランダムに選択します。
audio_url任意 audio
型url · audio
ゼロショットTTS用の音声クローンサンプルURL。voice設定より優先されます。audio_urlとvoiceの両方がない場合のみ、音声をランダムに選択します。
exaggeration任意
型number
デフォルト0.5
0.25 – 2
感情の誇張度。通常は0.25~2.0の範囲です。
cfg任意
型number
デフォルト0.5
0 – 1
classifier-free guidance(CFG)による条件付け強度。表現豊かまたは劇的な発話には、約0.3の低いcfg設定と約0.7以上の誇張度を組み合わせます。cfgを約0.3に下げると、参照音声が速く話す場合のペースも改善することがあります。通常の設定範囲は0.2–1.0です。
high_quality_audio任意
型boolean
デフォルトfalse
Falseでは24kHz出力、Trueでは48kHzにアップスケールした高品質音声を選択します。アップスケールを有効にすると生成時間が長くなります。
seed任意
型integer
デフォルト0
≥ 0
再現可能な音声生成のシード。0ではランダムに選択され、固定シードでは他のすべてのプロパティが同じ場合に同一の音声ファイルが再生成されます。
temperature任意
型number
デフォルト0.8
0.05 – 5
生成のランダム性。通常は0.05~5の範囲です。
必須 正式名称(こちらも使用可能)

ファイルパラメータには、公開されたhttps:// URL、10 MBまでのdata: URI、またはアップロードしたファイルのfile_urlを指定します。 ファイル

出力

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "resemble-ai/chatterboxhd/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": 11,
    "usd": "0.011",
    "charged": 11,
    "refunded": 0
  },
  "input": {},
  "output": {},
  "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"
  }
}
ファイルの保存期間を選択すべてのoutputs[].urlはストレージ上のコピーです。アカウント設定または?storage=により、永久保存(GB・月単位で有料)または無料で7日保存できます。
すべてのモデルで同じ形式画像、動画、音声のいずれでも、type、url、content_type、width、height、durationが含まれます。outputはモデル独自の結果オブジェクトです。
出力フィールド
audio
any生成された音声ファイル。

その他のモデル: テキスト読み上げ

AIエージェント向け:このページのMarkdown版はこちらです: https://doitong.com/ja/developers/models/resemble-ai/chatterboxhd/text-to-speech.md. すべてのモデルとガイド: https://doitong.com/developers/llms.txt