Op den Inhalt sprangen

Chatterboxhd · Text to Speech

Integréieren

Modell-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"

Dateie wéi am Beispill: 0,011 $ 11 API-Kreditter · ≈ 1,18 ₽ Är Dateie gi virun der Ausféierung gemooss Op dëser Säit ausféieren

API-Schlëssel kréien
Resemble AI Text zu Sprooch

Expressivt Text-to-Speech mat Preset-Stëmmen, Zero-Shot-Klonéierung aus enger Probe an optionalem 48 kHz Audio

Resemble AI · 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.

Standard My name is Maximus De...

Textinhalt, deen a geschwatenen Audio ëmgewandelt gëtt.

Erweidert audio · voice · exaggeration · cfg · temperature · seed · high_quality_audio
audio_url
Fichier erofzéien, oder

URL vun enger Voice-Cloning-Probe fir Zero-Shot-TTS, déi Prioritéit virun der Voice-Astellung huet. D'Zoufalsauswiel gëllt nëmme wa béid audio_url a voice feelen.

Wielt d'TTS-Stëmm oder loosst voice an audio allebéid ewech, fir de System zoufälleg eng auszewielen.

Standard 0.5

Grad vun der emotionaler Iwwerdreiwung, normalerweis tëscht 0.25 an 2.0.

Standard 0.5

Conditioning-Stäerkt iwwer classifier-free guidance (CFG). Fir expressiv oder dramatesch Ausdrock kombinéiert eng niddreg cfg-Astellung, wéi ongeféier 0.3, mat enger Iwwerdreiwung vun ongeféier 0.7 oder méi; cfg op ongeféier 0.3 ze reduzéieren kann och den Tempo verbesseren, wann d'Referenzstëmm séier schwätzt. Typesch Astellunge leien tëscht 0.2–1.0.

Standard 0.8

Zoufällegkeet vun der Generatioun, normalerweis tëscht 0.05 a 5.

Standard 0

Seed fir widderhuelbar Audio-Generatioun: 0 wielt een zoufälleg, während e feste Seed déi exakt Audio-Datei reproduzéiere soll, wann all aner Eegeschafte onverännert bleiwen.

POST /run/resemble-ai/chatterboxhd/text-to-speech?wait=20 Präis → 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"

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 Chatterboxhd · Text to Speech

Generéiert Ried aus `text` mat enger Preset-`voice` (Aurora, Blade, Britney, Carl, Cliff, Richard, Rico, Siobhan or Vicky) oder enger geklonter Stëmm aus `audio_url`, déi d'Preset iwwerschreift. `exaggeration` (0.25 to 2) an `cfg` steieren d'Emotioun, an `temperature` a `seed` d'Variatioun. `high_quality_audio` erhéicht d'Ausgab vun 24 kHz op 48 kHz.

Parameteren

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

NummTyp StandardErlaabt Beschreiwung
textoptional
Typstring
StandardMy 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.
Textinhalt, deen a geschwatenen Audio ëmgewandelt gëtt.
voiceoptional
Typenum
AuroraBladeBritneyCarlCliffRichardRicoSiobhanVicky
Wielt d'TTS-Stëmm oder loosst voice an audio allebéid ewech, fir de System zoufälleg eng auszewielen.
audio_urloptional audio
Typurl · audio
URL vun enger Voice-Cloning-Probe fir Zero-Shot-TTS, déi Prioritéit virun der Voice-Astellung huet. D'Zoufalsauswiel gëllt nëmme wa béid audio_url a voice feelen.
exaggerationoptional
Typnumber
Standard0.5
0,25 – 2
Grad vun der emotionaler Iwwerdreiwung, normalerweis tëscht 0.25 an 2.0.
cfgoptional
Typnumber
Standard0.5
0 – 1
Conditioning-Stäerkt iwwer classifier-free guidance (CFG). Fir expressiv oder dramatesch Ausdrock kombinéiert eng niddreg cfg-Astellung, wéi ongeféier 0.3, mat enger Iwwerdreiwung vun ongeféier 0.7 oder méi; cfg op ongeféier 0.3 ze reduzéieren kann och den Tempo verbesseren, wann d'Referenzstëmm séier schwätzt. Typesch Astellunge leien tëscht 0.2–1.0.
high_quality_audiooptional
Typboolean
Standardfalse
Wielt tëscht 24kHz Output mat False a méi héichwäertegem, op 48kHz upgeskaléierten Audio mat True. Upscaling verlängert d'Generatiounszäit.
seedoptional
Typinteger
Standard0
≥ 0
Seed fir widderhuelbar Audio-Generatioun: 0 wielt een zoufälleg, während e feste Seed déi exakt Audio-Datei reproduzéiere soll, wann all aner Eegeschafte onverännert bleiwen.
temperatureoptional
Typnumber
Standard0.8
0,05 – 5
Zoufällegkeet vun der Generatioun, normalerweis tëscht 0.05 a 5.
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": "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"
  }
}
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
anyAudio-Datei, déi duerch d'Generatioun erstallt gouf.

Méi Modeller: Text zu Sprooch

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/resemble-ai/chatterboxhd/text-to-speech.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt