Przejdź do treści

Bytedance Seed Speech Text to Speech

Integracja

Identyfikator modelu 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"

To żądanie: 0,002 $ 2 kredyty API · ≈ 0,22 ₽ Uruchom na tej stronie

Uzyskaj klucz API
ByteDance Tekst na mowę Synchronizacja ruchu ust #stylized#transform#lipsync

Synteza mowy z wieloma głosami presetowymi, regulacją szybkości, tonu i głośności oraz instrukcjami stylu wypowiedzi

ByteDance · Audio

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane 50 / 5000

Tekst do konwersji na mowę syntetyczną.

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

Opcjonalna instrukcja przekazu w języku naturalnym, na przykład 'Speak in a cheerful tone' lub 'Could you speak a bit slower?'. Może określać ton, emocje, głośność i tempo.

output_format domyślnie mp3

Kodowanie wynikowego audio: 'mp3' tworzy MP3, natomiast 'opus' tworzy Opus umieszczony w kontenerze Ogg.

sample_rate domyślnie 24000

Częstotliwość próbkowania wynikowego audio w Hz.

domyślnie stokie_en

Ustawienie wstępne głosu syntezy, identyfikowane nazwą zawierającą również kody obsługiwanych języków. Obsługa języków może być niezależna, jak w przypadku 'en_zh', albo umożliwiać płynne łączenie angielskiego i chińskiego, oznaczone jako 'mixed_en_zh'.

Zastąpienie języka odczytu: po pominięciu wykrywanie odbywa się automatycznie, a głosy dwujęzyczne mogą płynnie łączyć chiński z angielskim; po podaniu opcja wyłącza wykrywanie i ogranicza odczyt do jednego języka. Wybierz chiński za pomocą zh, angielski za pomocą en, japoński za pomocą ja, hiszpański meksykański za pomocą es-mx, indonezyjski za pomocą id, portugalski brazylijski za pomocą pt-br, koreański za pomocą ko, włoski za pomocą it, niemiecki za pomocą de lub francuski za pomocą fr.

domyślnie 1

Mnożnik szybkości mowy: 1.0 oznacza normalną szybkość, 0.5 połowę szybkości, a 2.0 dwukrotną szybkość.

domyślnie 1

Mnożnik głośności: 1.0 oznacza normalną głośność, 0.5 połowę głośności, a 2.0 dwukrotną głośność.

domyślnie 0

Regulacja wysokości głosu mierzona w półtonach: 0 nie zmienia wysokości, -12 obniża ją o oktawę, a 12 podwyższa ją o oktawę.

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

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Bytedance Seed Speech Text to Speech

Konwertuje do 5000 znaków `text` na audio. Wybierz `voice`, opcjonalnie wymuś `language` lub pozostaw automatyczne wykrywanie. `speed` i `volume` przyjmują wartości od 0.5 do 2, `pitch` zmienia się od -12 do 12 półtonów, a `voice_instruction` steruje sposobem wypowiedzi. Wyjście to mp3 lub opus z częstotliwością próbkowania od 8000 do 48000 Hz.

Parametry

NazwaTyp DomyślneDozwolone Opis
textwymagane
Typstring
≤ 5000 znaków
Tekst do konwersji na mowę syntetyczną.
voiceopcjonalne
Typenum
Domyślnestokie_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 więcejalina_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
Ustawienie wstępne głosu syntezy, identyfikowane nazwą zawierającą również kody obsługiwanych języków. Obsługa języków może być niezależna, jak w przypadku 'en_zh', albo umożliwiać płynne łączenie angielskiego i chińskiego, oznaczone jako 'mixed_en_zh'.
output_formatopcjonalne
Typenum
Domyślnemp3
mp3opus
Kodowanie wynikowego audio: 'mp3' tworzy MP3, natomiast 'opus' tworzy Opus umieszczony w kontenerze Ogg.
sample_rateopcjonalne
Typenum
Domyślne24000
8000160002205024000320004410048000
Częstotliwość próbkowania wynikowego audio w Hz.
speedopcjonalne
Typnumber
Domyślne1
0,5 – 2
Mnożnik szybkości mowy: 1.0 oznacza normalną szybkość, 0.5 połowę szybkości, a 2.0 dwukrotną szybkość.
volumeopcjonalne
Typnumber
Domyślne1
0,5 – 2
Mnożnik głośności: 1.0 oznacza normalną głośność, 0.5 połowę głośności, a 2.0 dwukrotną głośność.
pitchopcjonalne
Typinteger
Domyślne0
-12 – 12
Regulacja wysokości głosu mierzona w półtonach: 0 nie zmienia wysokości, -12 obniża ją o oktawę, a 12 podwyższa ją o oktawę.
languageopcjonalne
Typenum
zhenjaes-mxidpt-brkoitdefr
Zastąpienie języka odczytu: po pominięciu wykrywanie odbywa się automatycznie, a głosy dwujęzyczne mogą płynnie łączyć chiński z angielskim; po podaniu opcja wyłącza wykrywanie i ogranicza odczyt do jednego języka. Wybierz chiński za pomocą zh, angielski za pomocą en, japoński za pomocą ja, hiszpański meksykański za pomocą es-mx, indonezyjski za pomocą id, portugalski brazylijski za pomocą pt-br, koreański za pomocą ko, włoski za pomocą it, niemiecki za pomocą de lub francuski za pomocą fr.
voice_instructionopcjonalne
Typstring | null
Opcjonalna instrukcja przekazu w języku naturalnym, na przykład 'Speak in a cheerful tone' lub 'Could you speak a bit slower?'. Może określać ton, emocje, głośność i tempo.
wymagane

Wynik

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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio
object {url, content_type, file_name, file_size}Plik audio utworzony podczas generowania.

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/bytedance/seed-speech/tts/v2.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt