Op den Inhalt sprangen

Qwen 3 TTS - Clone Voice [0.6B]

Integréieren

Modell-ID qwen-3-tts/clone-voice/0.6b
# 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/0.6b?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"

Dateie wéi am Beispill: 0,001 $ 1 API-Kredit · ≈ 0,11 ₽ Är Dateie gi virun der Ausféierung gemooss Op dëser Säit ausféieren

API-Schlëssel kréien
Alibaba Audio Referenzinput #clone-voice#voice-clone

Erstellt eng wiederverwendbar Speaker-Embedding aus engem Referenzclip, déi méi kleng 0.6B-Variant vum Stëmmkloner

Alibaba · Donnéeën (JSON)

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 audio_url
Fichier erofzéien, oder

Audio-URL fir Voice-Cloning; eng kuerz, propper Sproochopnam geet als Referenz duer, virausgesat, hir Dauer iwwerschreit net 300 Sekonnen (5 Minutten).

Erweidert reference_text · enable_safety_checker

Referenztext, optional uginn, fir d'Synthes mat enger geklonter Stëmm ze verbesseren; et muss den Text sinn, dee benotzt gouf, fir d'Speaker-Embedding ze erstellen.

POST /run/qwen-3-tts/clone-voice/0.6b?wait=20 Präis → 0,001 $
# 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/0.6b?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"

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 Qwen 3 TTS - Clone Voice [0.6B]

Huelt eng Referenzopnam iwwer `audio_url` (maximal 300 Sekonnen; e kuerze Clip mat propperer Ried geet duer) a gëtt eng Speaker-Embedding-Datei am safetensors-Format zeréck. D'Embedding kann duerno un den entspriechenden Text-to-Speech-Endpoint iwwerginn ginn. En optionalen `reference_text` kann d'Synthesequalitéit verbesseren.

Parameteren

Schéck entweder den kanoneschen Numm oder den natierlechen Numm, net béid. Kanonesch Nimm

NummTyp StandardErlaabt Beschreiwung
audio_urlobligatoresch audio
Typurl · audio
Audio-URL fir Voice-Cloning; eng kuerz, propper Sproochopnam geet als Referenz duer, virausgesat, hir Dauer iwwerschreit net 300 Sekonnen (5 Minutten).
reference_textoptional
Typstring | null
Referenztext, optional uginn, fir d'Synthes mat enger geklonter Stëmm ze verbesseren; et muss den Text sinn, dee benotzt gouf, fir d'Speaker-Embedding ze erstellen.
enable_safety_checkeroptional
Typboolean
Standardtrue
D'Kontroll kann duerch false gelackert ginn, wann den Uruffer autoriséiert ass.
obligatoresch Kanoneschen Numm, och akzeptéiert

Fichierparameter akzeptéieren eng ëffentlech https:// URL, eng data: URI bis zu 10 MB oder de file_url vun engem Upload. Fichieren

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "qwen-3-tts/clone-voice/0.6b",
  "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"
  }
}
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
speaker_embedding
object {url, content_type, file_name, file_size}Speaker-Embedding, generéiert als safetensors-Datei.

Méi Modeller: Audio

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/qwen-3-tts/clone-voice/0.6b.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt