Op den Inhalt sprangen

Bytedance Seed Speech Text to Speech

Integréieren

Modell-ID 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"

Dës Ufro: 0,002 $ 2 API-Kreditter · ≈ 0,22 ₽ Op dëser Säit ausféieren

API-Schlëssel kréien
ByteDance Text zu Sprooch Lipsync #stylized#transform

Text-to-Speech mat ville Preset-Stëmmen, Steierung vu Geschwindegkeet, Pitch a Volume an Instruktiounen am geschwatene Stil

ByteDance · Audio

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

•obligatoresch 50 / 5000

Text, deen a synthetiséiert Ried ëmgewandelt gëtt.

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

Optional Instruktioun an natierlecher Sprooch fir d'Ausliwwerung, wéi 'Speak in a cheerful tone' oder 'Could you speak a bit slower?'. Si kann Toun, Emotioun, Lautstäerkt a Tempo steieren.

output_format Standard mp3

Audio-Output-Kodéierung: 'mp3' produzéiert MP3, wärend 'opus' Opus an engem Ogg-Container produzéiert.

sample_rate Standard 24000

Sampling-Frequenz a Hz fir den Output-Audio.

Standard stokie_en

Preset vun der Synthees-Stëmm, identifizéiert duerch en Numm, deen och ënnerstëtzt Sproochecoden enthält. D'Sproochënnerstëtzung ka separat sinn, wéi bei 'en_zh', oder eng nahtlos Vermëschung vun Englesch a Chinesesch erméiglechen, uginn duerch 'mixed_en_zh'.

Iwwerschreiwe vun der Lies-Sprooch: Wann de Wäert feelt, gëtt d'Sprooch automatesch erkannt, a zweesproocheg Stëmme kënnen Chinesesch an Englesch nahtlos vermëschen; wann e geliwwert gëtt, gëtt d'Erkennung deaktivéiert an d'Liesen op eng Sprooch limitéiert. Wielt Chinesesch mat zh, Englesch mat en, Japanesch mat ja, Mexikanesch Spuenesch mat es-mx, Indonesesch mat id, Brasilianescht Portugisesch mat pt-br, Koreanesch mat ko, Italienesch mat it, Däitsch mat de oder Franséisch mat fr.

Standard 1

Multiplikator fir d'Riedegeschwindegkeet: 1.0 ass d'Normalgeschwindegkeet, 0.5 d'Hallschent an 2.0 déi duebel Geschwindegkeet.

Standard 1

Lautstäerkt-Multiplikator: 1.0 ass déi normal Lautstäerkt, 0.5 d'Hallschent an 2.0 déi duebel Lautstäerkt.

Standard 0

Upassung vun der Stëmmhéicht, gemooss a Semitonen: 0 ännert d'Héicht net, -12 senkt se ëm eng Oktav an 12 hëlt se ëm eng Oktav erop.

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

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer Bytedance Seed Speech Text to Speech

Konvertéiert bis zu 5000 Zeeche vun `text` an Audio. Wielt eng `voice` a setzt optional eng `language` fest oder loosst d'Automatesch-Erkennung aktiv. `speed` a `volume` leie vun 0.5 bis 2, `pitch` geet vun -12 bis 12 Halleftéin, an `voice_instruction` steiert d'Aussprooch. D'Ausgab ass mp3 oder opus mat Samplingraten vun 8000 bis 48000 Hz.

Parameteren

NummTyp StandardErlaabt Beschreiwung
textobligatoresch
Typstring
≤ 5.000 Zeechen
Text, deen a synthetiséiert Ried ëmgewandelt gëtt.
voiceoptional
Typenum
Standardstokie_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 méialina_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
Preset vun der Synthees-Stëmm, identifizéiert duerch en Numm, deen och ënnerstëtzt Sproochecoden enthält. D'Sproochënnerstëtzung ka separat sinn, wéi bei 'en_zh', oder eng nahtlos Vermëschung vun Englesch a Chinesesch erméiglechen, uginn duerch 'mixed_en_zh'.
output_formatoptional
Typenum
Standardmp3
mp3opus
Audio-Output-Kodéierung: 'mp3' produzéiert MP3, wärend 'opus' Opus an engem Ogg-Container produzéiert.
sample_rateoptional
Typenum
Standard24000
8000160002205024000320004410048000
Sampling-Frequenz a Hz fir den Output-Audio.
speedoptional
Typnumber
Standard1
0,5 – 2
Multiplikator fir d'Riedegeschwindegkeet: 1.0 ass d'Normalgeschwindegkeet, 0.5 d'Hallschent an 2.0 déi duebel Geschwindegkeet.
volumeoptional
Typnumber
Standard1
0,5 – 2
Lautstäerkt-Multiplikator: 1.0 ass déi normal Lautstäerkt, 0.5 d'Hallschent an 2.0 déi duebel Lautstäerkt.
pitchoptional
Typinteger
Standard0
-12 – 12
Upassung vun der Stëmmhéicht, gemooss a Semitonen: 0 ännert d'Héicht net, -12 senkt se ëm eng Oktav an 12 hëlt se ëm eng Oktav erop.
languageoptional
Typenum
zhenjaes-mxidpt-brkoitdefr
Iwwerschreiwe vun der Lies-Sprooch: Wann de Wäert feelt, gëtt d'Sprooch automatesch erkannt, a zweesproocheg Stëmme kënnen Chinesesch an Englesch nahtlos vermëschen; wann e geliwwert gëtt, gëtt d'Erkennung deaktivéiert an d'Liesen op eng Sprooch limitéiert. Wielt Chinesesch mat zh, Englesch mat en, Japanesch mat ja, Mexikanesch Spuenesch mat es-mx, Indonesesch mat id, Brasilianescht Portugisesch mat pt-br, Koreanesch mat ko, Italienesch mat it, Däitsch mat de oder Franséisch mat fr.
voice_instructionoptional
Typstring | null
Optional Instruktioun an natierlecher Sprooch fir d'Ausliwwerung, wéi 'Speak in a cheerful tone' oder 'Could you speak a bit slower?'. Si kann Toun, Emotioun, Lautstäerkt a Tempo steieren.
obligatoresch

Output

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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
audio
object {url, content_type, file_name, file_size}Audio-Datei, déi duerch d'Generatioun erstallt gouf.

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/bytedance/seed-speech/tts/v2.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt