Aqbeż għall-kontenut

Bytedance Seed Speech Text to Speech

Integra

Id tal-mudell 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"

Din it-talba: $0.002 2 krediti tal-API · ≈ ₽0.22 Ħaddmu f’din il-paġna

Ikseb ċavetta API
ByteDance Test għal diskors Lipsync #stylized#transform

Text-to-speech b'bosta vuċijiet issettjati minn qabel, kontroll tal-veloċità, pitch u volum, u istruzzjonijiet bi stil mitkellem

ByteDance · Awdjo

L-ewwel riżultat tiegħek jidher hawn

Ibni talba hawn taħt u ħaddimha biċ-ċavetta API tiegħek. L-outputs jiġu kkupjati fil-ħażna tagħna, miżmuma għal dejjem jew 7 ijiem b’xejn.

Ibni talba

Il-kontrolli jiġu ġġenerati mill-iskema tal-mudell. Il-kodiċi u l-prezz jaġġornaw hekk kif tibdilhom.

•meħtieġ 50 / 5000

Test li għandu jinbidel f’diskors sintetizzat.

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

Istruzzjoni fakultattiva ta’ twassil b’lingwa naturali, bħal 'Speak in a cheerful tone' jew 'Could you speak a bit slower?'. Tista’ tidderieġi t-ton, l-emozzjoni, il-volum u r-ritmu.

output_format prestabbilit mp3

Kodifikazzjoni tal-output tal-awdjo: 'mp3' jipproduċi MP3, filwaqt li 'opus' jipproduċi Opus ippakkjat f’kontenitur Ogg.

sample_rate prestabbilit 24000

Frekwenza ta’ kampjunar f’Hz għall-awdjo output.

prestabbilit stokie_en

Preset tal-vuċi ta’ sintesi, identifikat b’isem li jinkludi wkoll kodiċijiet tal-lingwi appoġġjati. L-appoġġ tal-lingwi jista’ jkun indipendenti, bħal f’'en_zh', jew jippermetti taħlit bla xkiel bejn l-Ingliż u ċ-Ċiniż, indikat b’'mixed_en_zh'.

Sostituzzjoni tal-lingwa tal-qari: meta titħalla barra, is-sejbien ikun awtomatiku u l-vuċijiet bilingwi jistgħu jħalltu ċ-Ċiniż mal-Ingliż bla xkiel; meta tingħata, tiddiżattiva s-sejbien u tillimita l-qari għal lingwa waħda. Agħżel iċ-Ċiniż b’zh, l-Ingliż b’en, il-Ġappuniż b’ja, l-Ispanjol Messikan b’es-mx, l-Indoneżjan b’id, il-Portugiż Brażiljan b’pt-br, il-Korean b’ko, it-Taljan b’it, il-Ġermaniż b’de jew il-Franċiż b’fr.

prestabbilit 1

Multiplikatur tar-rata tat-taħdit: 1.0 jagħti veloċità normali, 0.5 nofs il-veloċità u 2.0 id-doppju tal-veloċità.

prestabbilit 1

Multiplikatur tal-volum: 1.0 jagħti volum normali, 0.5 nofs il-volum u 2.0 id-doppju tal-volum.

prestabbilit 0

Aġġustament tal-pitch tal-vuċi, imkejjel f’semitoni: 0 ma jbiddilx il-pitch, -12 ibaxxih b’ottava u 12 jgħollih b’ottava.

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

Ħaddem din it-talba

Iċ-ċavetta tiegħek tibqa’ f’dan il-browser: tintbagħat biss lid-Doitong API u tiġi ssejvjata (localStorage) biss jekk timmarka Ftakar. Ikseb ċavetta API

Dwar Bytedance Seed Speech Text to Speech

Jikkonverti sa 5000 karattru ta’ `text` f’awdjo. Agħżel `voice`, u fakultattivament sforza `language` jew ħalli l-iskoperta awtomatika attiva. `speed` u `volume` ivarjaw minn 0.5 sa 2, `pitch` jinbidel minn -12 sa 12 semitoni, u `voice_instruction` jiggwida l-mod ta’ kif jingħad. L-output huwa mp3 jew opus b’rati ta’ kampjunar minn 8000 sa 48000 Hz.

Parametri

IsemTip PrestabbilitPermess Deskrizzjoni
textmeħtieġ
Tipstring
≤ 5,000 karattri
Test li għandu jinbidel f’diskors sintetizzat.
voicemhux obbligatorju
Tipenum
Prestabbilitstokie_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 oħraalina_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 tal-vuċi ta’ sintesi, identifikat b’isem li jinkludi wkoll kodiċijiet tal-lingwi appoġġjati. L-appoġġ tal-lingwi jista’ jkun indipendenti, bħal f’'en_zh', jew jippermetti taħlit bla xkiel bejn l-Ingliż u ċ-Ċiniż, indikat b’'mixed_en_zh'.
output_formatmhux obbligatorju
Tipenum
Prestabbilitmp3
mp3opus
Kodifikazzjoni tal-output tal-awdjo: 'mp3' jipproduċi MP3, filwaqt li 'opus' jipproduċi Opus ippakkjat f’kontenitur Ogg.
sample_ratemhux obbligatorju
Tipenum
Prestabbilit24000
8000160002205024000320004410048000
Frekwenza ta’ kampjunar f’Hz għall-awdjo output.
speedmhux obbligatorju
Tipnumber
Prestabbilit1
0.5 – 2
Multiplikatur tar-rata tat-taħdit: 1.0 jagħti veloċità normali, 0.5 nofs il-veloċità u 2.0 id-doppju tal-veloċità.
volumemhux obbligatorju
Tipnumber
Prestabbilit1
0.5 – 2
Multiplikatur tal-volum: 1.0 jagħti volum normali, 0.5 nofs il-volum u 2.0 id-doppju tal-volum.
pitchmhux obbligatorju
Tipinteger
Prestabbilit0
-12 – 12
Aġġustament tal-pitch tal-vuċi, imkejjel f’semitoni: 0 ma jbiddilx il-pitch, -12 ibaxxih b’ottava u 12 jgħollih b’ottava.
languagemhux obbligatorju
Tipenum
zhenjaes-mxidpt-brkoitdefr
Sostituzzjoni tal-lingwa tal-qari: meta titħalla barra, is-sejbien ikun awtomatiku u l-vuċijiet bilingwi jistgħu jħalltu ċ-Ċiniż mal-Ingliż bla xkiel; meta tingħata, tiddiżattiva s-sejbien u tillimita l-qari għal lingwa waħda. Agħżel iċ-Ċiniż b’zh, l-Ingliż b’en, il-Ġappuniż b’ja, l-Ispanjol Messikan b’es-mx, l-Indoneżjan b’id, il-Portugiż Brażiljan b’pt-br, il-Korean b’ko, it-Taljan b’it, il-Ġermaniż b’de jew il-Franċiż b’fr.
voice_instructionmhux obbligatorju
Tipstring | null
Istruzzjoni fakultattiva ta’ twassil b’lingwa naturali, bħal 'Speak in a cheerful tone' jew 'Could you speak a bit slower?'. Tista’ tidderieġi t-ton, l-emozzjoni, il-volum u r-ritmu.
meħtieġ

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"
  }
}
Il-fajls tiegħek, l-għażla tiegħekKull outputs[].url huwa kopja fil-ħażna tagħna: miżmuma għal dejjem (imħallsa għal kull GB-xahar) jew 7 ijiem b’xejn, skont l-issettjar tal-kont tiegħek jew ?storage=.
L-istess struttura fuq kull mudelltype, url, content_type, width, height u duration, kemm għall-immaġnijiet kif ukoll għall-vidjo u l-awdjo. output huwa l-oġġett tar-riżultat tal-mudell innifsu.
Oqsma tal-output
audio
object {url, content_type, file_name, file_size}Fajl awdjo prodott mill-ġenerazzjoni.

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/bytedance/seed-speech/tts/v2.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt