ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

Bytedance Seed Speech Text to Speech

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ 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"

ਇਹ ਬੇਨਤੀ: $0.002 2 API ਕ੍ਰੈਡਿਟ · ≈ ₽0.22 ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
ByteDance ਟੈਕਸਟ ਤੋਂ ਬੋਲੀ ਲਿਪਸਿੰਕ #stylized#transform#lipsync

ਕਈ ਪ੍ਰੀਸੈਟ ਆਵਾਜ਼ਾਂ, ਗਤੀ, ਪਿਚ ਅਤੇ ਵਾਲਿਊਮ ਨਿਯੰਤਰਣ, ਅਤੇ ਬੋਲਣ-ਸ਼ੈਲੀ ਦੀਆਂ ਹਦਾਇਤਾਂ ਵਾਲਾ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ

ByteDance · ਆਡੀਓ

ਤੁਹਾਡਾ ਪਹਿਲਾ ਨਤੀਜਾ ਇੱਥੇ ਹੋਵੇਗਾ

ਹੇਠਾਂ ਬੇਨਤੀ ਬਣਾਓ ਅਤੇ ਆਪਣੀ API ਕੁੰਜੀ ਨਾਲ ਚਲਾਓ। ਆਉਟਪੁੱਟ ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਕਾਪੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਹਮੇਸ਼ਾ ਲਈ ਜਾਂ ਮੁਫ਼ਤ ਵਿੱਚ 7 ਦਿਨ ਤੱਕ ਰੱਖੇ ਜਾਂਦੇ ਹਨ।

ਰਿਕਵੈਸਟ ਬਣਾਓ

ਕੰਟਰੋਲ ਮਾਡਲ ਸਕੀਮਾ ਤੋਂ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਬਦਲਾਅ ਕਰਦੇ ਹੀ ਕੋਡ ਅਤੇ ਕੀਮਤ ਅੱਪਡੇਟ ਹੋ ਜਾਂਦੇ ਹਨ।

•ਲੋੜੀਂਦਾ 50 / 5000

ਸਿੰਥੇਸਾਈਜ਼ਡ ਬੋਲੀ ਵਿੱਚ ਬਦਲਣ ਲਈ ਟੈਕਸਟ।

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

ਵਿਕਲਪਿਕ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਡਿਲਿਵਰੀ ਹਦਾਇਤ, ਜਿਵੇਂ 'Speak in a cheerful tone' ਜਾਂ 'Could you speak a bit slower?'. ਇਹ ਲਹਿਜ਼ੇ, ਭਾਵਨਾ, ਵਾਲਿਊਮ ਅਤੇ ਰਫ਼ਤਾਰ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕਰ ਸਕਦੀ ਹੈ।

output_format ਡਿਫ਼ਾਲਟ mp3

ਆਡੀਓ ਆਉਟਪੁੱਟ ਐਨਕੋਡਿੰਗ: 'mp3' MP3 ਬਣਾਉਂਦਾ ਹੈ, ਜਦਕਿ 'opus' Ogg ਕੰਟੇਨਰ ਵਿੱਚ ਪੈਕ ਕੀਤਾ Opus ਬਣਾਉਂਦਾ ਹੈ।

sample_rate ਡਿਫ਼ਾਲਟ 24000

ਆਉਟਪੁੱਟ ਆਡੀਓ ਦੀ Hz ਵਿੱਚ ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕਵੈਂਸੀ।

ਡਿਫ਼ਾਲਟ stokie_en

ਸਿੰਥੇਸਿਸ ਆਵਾਜ਼ ਪ੍ਰੀਸੈੱਟ, ਜਿਸਦੀ ਪਛਾਣ ਅਜਿਹੇ ਨਾਮ ਨਾਲ ਹੁੰਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਸਮਰਥਿਤ ਭਾਸ਼ਾ ਕੋਡ ਵੀ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਭਾਸ਼ਾ ਸਮਰਥਨ ਸੁਤੰਤਰ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ 'en_zh', ਜਾਂ ਅੰਗਰੇਜ਼ੀ–ਚੀਨੀ ਦੇ ਸੁਚਾਰੂ ਮਿਲਾਪ ਦੀ ਆਗਿਆ ਦੇ ਸਕਦਾ ਹੈ, ਜਿਸਨੂੰ 'mixed_en_zh' ਦਰਸਾਉਂਦਾ ਹੈ।

ਪੜ੍ਹਨ ਵਾਲੀ ਭਾਸ਼ਾ ਦਾ ਓਵਰਰਾਈਡ: ਨਾ ਦਿੱਤੇ ਜਾਣ 'ਤੇ ਪਛਾਣ ਆਪਣੇ ਆਪ ਹੁੰਦੀ ਹੈ ਅਤੇ ਦੋਭਾਸ਼ੀ ਆਵਾਜ਼ਾਂ ਚੀਨੀ ਨੂੰ ਅੰਗਰੇਜ਼ੀ ਨਾਲ ਸੁਚਾਰੂ ਢੰਗ ਨਾਲ ਮਿਲਾ ਸਕਦੀਆਂ ਹਨ; ਦੇਣ 'ਤੇ ਪਛਾਣ ਬੰਦ ਹੋ ਜਾਂਦੀ ਹੈ ਅਤੇ ਪੜ੍ਹਨਾ ਇੱਕ ਭਾਸ਼ਾ ਤੱਕ ਸੀਮਿਤ ਰਹਿੰਦਾ ਹੈ। ਚੀਨੀ ਲਈ zh, ਅੰਗਰੇਜ਼ੀ ਲਈ en, ਜਾਪਾਨੀ ਲਈ ja, ਮੈਕਸੀਕਨ ਸਪੇਨੀ ਲਈ es-mx, ਇੰਡੋਨੇਸ਼ੀਆਈ ਲਈ id, ਬ੍ਰਾਜ਼ੀਲੀ ਪੁਰਤਗਾਲੀ ਲਈ pt-br, ਕੋਰੀਆਈ ਲਈ ko, ਇਤਾਲਵੀ ਲਈ it, ਜਰਮਨ ਲਈ de ਜਾਂ ਫ਼ਰਾਂਸੀਸੀ ਲਈ fr ਚੁਣੋ।

ਡਿਫ਼ਾਲਟ 1

ਬੋਲਣ ਦੀ ਦਰ ਦਾ ਗੁਣਕ: 1.0 ਆਮ ਗਤੀ, 0.5 ਅੱਧੀ ਗਤੀ ਅਤੇ 2.0 ਦੁੱਗਣੀ ਗਤੀ ਦਿੰਦਾ ਹੈ।

ਡਿਫ਼ਾਲਟ 1

ਵਾਲਿਊਮ ਦਾ ਗੁਣਕ: 1.0 ਆਮ ਵਾਲਿਊਮ, 0.5 ਅੱਧਾ ਵਾਲਿਊਮ ਅਤੇ 2.0 ਦੁੱਗਣਾ ਵਾਲਿਊਮ ਦਿੰਦਾ ਹੈ।

ਡਿਫ਼ਾਲਟ 0

ਆਵਾਜ਼ ਲਈ ਪਿਚ ਸਮਾਯੋਜਨ, ਸੈਮੀਟੋਨ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ: 0 ਪਿਚ ਨੂੰ ਅਪਰਿਵਰਤਿਤ ਰੱਖਦਾ ਹੈ, -12 ਇਸਨੂੰ ਇੱਕ ਆਕਟੇਵ ਹੇਠਾਂ ਕਰਦਾ ਹੈ ਅਤੇ 12 ਇੱਕ ਆਕਟੇਵ ਉੱਪਰ ਕਰਦਾ ਹੈ।

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

ਇਹ ਬੇਨਤੀ ਚਲਾਓ

ਤੁਹਾਡੀ key ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ: ਇਹ ਸਿਰਫ਼ Doitong API ਨੂੰ ਭੇਜੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ (localStorage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਜੇ ਤੁਸੀਂ Remember ਚੁਣੋ। API ਕੁੰਜੀ ਪ੍ਰਾਪਤ ਕਰੋ

Bytedance Seed Speech Text to Speech ਬਾਰੇ

`text` ਦੇ ਵੱਧ ਤੋਂ ਵੱਧ 5000 ਅੱਖਰਾਂ ਨੂੰ ਆਡੀਓ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਇੱਕ `voice` ਚੁਣੋ ਅਤੇ ਵਿਕਲਪਿਕ ਤੌਰ 'ਤੇ `language` ਨਿਰਧਾਰਤ ਕਰੋ ਜਾਂ ਆਟੋ-ਡਿਟੈਕਸ਼ਨ ਚਾਲੂ ਰਹਿਣ ਦਿਓ। `speed` ਅਤੇ `volume` 0.5 ਤੋਂ 2 ਤੱਕ, `pitch` -12 ਤੋਂ 12 ਸੈਮੀਟੋਨ ਤੱਕ ਬਦਲਦੇ ਹਨ, ਅਤੇ `voice_instruction` ਉਚਾਰਣ-ਢੰਗ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਆਉਟਪੁੱਟ 8000 ਤੋਂ 48000 Hz ਦੀਆਂ ਸੈਂਪਲ ਦਰਾਂ 'ਤੇ mp3 ਜਾਂ opus ਹੁੰਦੀ ਹੈ।

ਪੈਰਾਮੀਟਰ

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
textਲੋੜੀਂਦਾ
ਕਿਸਮstring
≤ 5,000 ਅੱਖਰ
ਸਿੰਥੇਸਾਈਜ਼ਡ ਬੋਲੀ ਵਿੱਚ ਬਦਲਣ ਲਈ ਟੈਕਸਟ।
voiceਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟstokie_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 ਹੋਰalina_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
ਸਿੰਥੇਸਿਸ ਆਵਾਜ਼ ਪ੍ਰੀਸੈੱਟ, ਜਿਸਦੀ ਪਛਾਣ ਅਜਿਹੇ ਨਾਮ ਨਾਲ ਹੁੰਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਸਮਰਥਿਤ ਭਾਸ਼ਾ ਕੋਡ ਵੀ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਭਾਸ਼ਾ ਸਮਰਥਨ ਸੁਤੰਤਰ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ 'en_zh', ਜਾਂ ਅੰਗਰੇਜ਼ੀ–ਚੀਨੀ ਦੇ ਸੁਚਾਰੂ ਮਿਲਾਪ ਦੀ ਆਗਿਆ ਦੇ ਸਕਦਾ ਹੈ, ਜਿਸਨੂੰ 'mixed_en_zh' ਦਰਸਾਉਂਦਾ ਹੈ।
output_formatਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟmp3
mp3opus
ਆਡੀਓ ਆਉਟਪੁੱਟ ਐਨਕੋਡਿੰਗ: 'mp3' MP3 ਬਣਾਉਂਦਾ ਹੈ, ਜਦਕਿ 'opus' Ogg ਕੰਟੇਨਰ ਵਿੱਚ ਪੈਕ ਕੀਤਾ Opus ਬਣਾਉਂਦਾ ਹੈ।
sample_rateਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟ24000
8000160002205024000320004410048000
ਆਉਟਪੁੱਟ ਆਡੀਓ ਦੀ Hz ਵਿੱਚ ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕਵੈਂਸੀ।
speedਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0.5 – 2
ਬੋਲਣ ਦੀ ਦਰ ਦਾ ਗੁਣਕ: 1.0 ਆਮ ਗਤੀ, 0.5 ਅੱਧੀ ਗਤੀ ਅਤੇ 2.0 ਦੁੱਗਣੀ ਗਤੀ ਦਿੰਦਾ ਹੈ।
volumeਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0.5 – 2
ਵਾਲਿਊਮ ਦਾ ਗੁਣਕ: 1.0 ਆਮ ਵਾਲਿਊਮ, 0.5 ਅੱਧਾ ਵਾਲਿਊਮ ਅਤੇ 2.0 ਦੁੱਗਣਾ ਵਾਲਿਊਮ ਦਿੰਦਾ ਹੈ।
pitchਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ0
-12 – 12
ਆਵਾਜ਼ ਲਈ ਪਿਚ ਸਮਾਯੋਜਨ, ਸੈਮੀਟੋਨ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ: 0 ਪਿਚ ਨੂੰ ਅਪਰਿਵਰਤਿਤ ਰੱਖਦਾ ਹੈ, -12 ਇਸਨੂੰ ਇੱਕ ਆਕਟੇਵ ਹੇਠਾਂ ਕਰਦਾ ਹੈ ਅਤੇ 12 ਇੱਕ ਆਕਟੇਵ ਉੱਪਰ ਕਰਦਾ ਹੈ।
languageਵਿਕਲਪਿਕ
ਕਿਸਮenum
zhenjaes-mxidpt-brkoitdefr
ਪੜ੍ਹਨ ਵਾਲੀ ਭਾਸ਼ਾ ਦਾ ਓਵਰਰਾਈਡ: ਨਾ ਦਿੱਤੇ ਜਾਣ 'ਤੇ ਪਛਾਣ ਆਪਣੇ ਆਪ ਹੁੰਦੀ ਹੈ ਅਤੇ ਦੋਭਾਸ਼ੀ ਆਵਾਜ਼ਾਂ ਚੀਨੀ ਨੂੰ ਅੰਗਰੇਜ਼ੀ ਨਾਲ ਸੁਚਾਰੂ ਢੰਗ ਨਾਲ ਮਿਲਾ ਸਕਦੀਆਂ ਹਨ; ਦੇਣ 'ਤੇ ਪਛਾਣ ਬੰਦ ਹੋ ਜਾਂਦੀ ਹੈ ਅਤੇ ਪੜ੍ਹਨਾ ਇੱਕ ਭਾਸ਼ਾ ਤੱਕ ਸੀਮਿਤ ਰਹਿੰਦਾ ਹੈ। ਚੀਨੀ ਲਈ zh, ਅੰਗਰੇਜ਼ੀ ਲਈ en, ਜਾਪਾਨੀ ਲਈ ja, ਮੈਕਸੀਕਨ ਸਪੇਨੀ ਲਈ es-mx, ਇੰਡੋਨੇਸ਼ੀਆਈ ਲਈ id, ਬ੍ਰਾਜ਼ੀਲੀ ਪੁਰਤਗਾਲੀ ਲਈ pt-br, ਕੋਰੀਆਈ ਲਈ ko, ਇਤਾਲਵੀ ਲਈ it, ਜਰਮਨ ਲਈ de ਜਾਂ ਫ਼ਰਾਂਸੀਸੀ ਲਈ fr ਚੁਣੋ।
voice_instructionਵਿਕਲਪਿਕ
ਕਿਸਮstring | null
ਵਿਕਲਪਿਕ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਡਿਲਿਵਰੀ ਹਦਾਇਤ, ਜਿਵੇਂ 'Speak in a cheerful tone' ਜਾਂ 'Could you speak a bit slower?'. ਇਹ ਲਹਿਜ਼ੇ, ਭਾਵਨਾ, ਵਾਲਿਊਮ ਅਤੇ ਰਫ਼ਤਾਰ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕਰ ਸਕਦੀ ਹੈ।
ਲੋੜੀਂਦਾ

ਆਉਟਪੁੱਟ

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"
  }
}
ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ, ਤੁਹਾਡੀ ਚੋਣਹਰ outputs[].url ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਕਾਪੀ ਹੈ: ਹਮੇਸ਼ਾ ਲਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ (ਪ੍ਰਤੀ GB-ਮਹੀਨਾ ਭੁਗਤਾਨ) ਜਾਂ 7 ਦਿਨ ਤੱਕ ਮੁਫ਼ਤ, ਤੁਹਾਡੀ ਖਾਤਾ ਸੈਟਿੰਗ ਜਾਂ ?storage= ਅਨੁਸਾਰ।
ਹਰ ਮਾਡਲ ’ਤੇ ਇੱਕੋ ਜਿਹਾ ਰੂਪਤਸਵੀਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਸਭ ਲਈ type, url, content_type, width, height ਅਤੇ duration। output ਮਾਡਲ ਦਾ ਆਪਣਾ ਨਤੀਜਾ ਆਬਜੈਕਟ ਹੈ।
ਆਉਟਪੁੱਟ ਦੇ ਫ਼ੀਲਡ
audio
object {url, content_type, file_name, file_size}ਸਿਰਜਣਾ ਨਾਲ ਤਿਆਰ ਕੀਤੀ ਆਡੀਓ ਫ਼ਾਈਲ।

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/bytedance/seed-speech/tts/v2.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt