Przejdź do treści

Chatterboxhd · Text to Speech

Integracja

Identyfikator modelu 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"

Pliki takie jak przykład: 0,011 $ 11 kredytów API · ≈ 1,18 ₽ Twoje pliki są mierzone przed uruchomieniem Uruchom na tej stronie

Uzyskaj klucz API
Resemble AI Tekst na mowę

Ekspresyjna synteza mowy z głosami presetowymi, klonowaniem zero-shot z próbki i opcjonalnym audio 48 kHz

Resemble AI · 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.

domyślnie My name is Maximus De...

Treść tekstowa do konwersji na mowę.

Zaawansowane audio · voice · exaggeration · cfg · temperature · seed · high_quality_audio
audio_url
Upuść plik lub

URL próbki do klonowania głosu w trybie zero-shot TTS, mający pierwszeństwo przed ustawieniem voice. Losowy wybór głosu ma zastosowanie tylko wtedy, gdy brakuje zarówno audio_url, jak i voice.

Wybierz głos TTS lub pomiń voice i audio, aby system wybrał głos losowo.

domyślnie 0.5

Stopień emocjonalnej przesady, zwykle w zakresie od 0.25 do 2.0.

domyślnie 0.5

Siła uwarunkowania ustawiana przez classifier-free guidance (CFG). W przypadku ekspresyjnej lub dramatycznej interpretacji połącz niskie ustawienie cfg, np. około 0.3, z przesadą na poziomie około 0.7 lub wyższym; zmniejszenie cfg do około 0.3 może także poprawić rytm, gdy głos referencyjny mówi szybko. Typowe ustawienia mieszczą się w zakresie 0.2–1.0.

domyślnie 0.8

Losowość generowania, zwykle w zakresie od 0.05 do 5.

domyślnie 0

Ziarno do powtarzalnego generowania audio: wartość 0 wybiera je losowo, a stałe ziarno powinno odtworzyć dokładnie ten sam plik audio, jeśli wszystkie pozostałe właściwości pozostaną bez zmian.

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

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 Chatterboxhd · Text to Speech

Generuje mowę z `text`, używając presetowego `voice` (Aurora, Blade, Britney, Carl, Cliff, Richard, Rico, Siobhan lub Vicky) albo głosu sklonowanego z `audio_url`, który zastępuje preset. `exaggeration` (0.25 do 2) i `cfg` sterują emocjami, a `temperature` i `seed` zmiennością. `high_quality_audio` zwiększa częstotliwość próbkowania danych wyjściowych z 24 kHz do 48 kHz.

Parametry

Wyślij nazwę kanoniczną albo natywną, nie obie. Nazwy kanoniczne

NazwaTyp DomyślneDozwolone Opis
textopcjonalne
Typstring
DomyślneMy 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.
Treść tekstowa do konwersji na mowę.
voiceopcjonalne
Typenum
AuroraBladeBritneyCarlCliffRichardRicoSiobhanVicky
Wybierz głos TTS lub pomiń voice i audio, aby system wybrał głos losowo.
audio_urlopcjonalne audio
Typurl · audio
URL próbki do klonowania głosu w trybie zero-shot TTS, mający pierwszeństwo przed ustawieniem voice. Losowy wybór głosu ma zastosowanie tylko wtedy, gdy brakuje zarówno audio_url, jak i voice.
exaggerationopcjonalne
Typnumber
Domyślne0.5
0,25 – 2
Stopień emocjonalnej przesady, zwykle w zakresie od 0.25 do 2.0.
cfgopcjonalne
Typnumber
Domyślne0.5
0 – 1
Siła uwarunkowania ustawiana przez classifier-free guidance (CFG). W przypadku ekspresyjnej lub dramatycznej interpretacji połącz niskie ustawienie cfg, np. około 0.3, z przesadą na poziomie około 0.7 lub wyższym; zmniejszenie cfg do około 0.3 może także poprawić rytm, gdy głos referencyjny mówi szybko. Typowe ustawienia mieszczą się w zakresie 0.2–1.0.
high_quality_audioopcjonalne
Typboolean
Domyślnefalse
Wybierz wynik 24kHz z wartością False albo wyższej jakości audio przeskalowane do 48kHz z wartością True. Włączenie skalowania zwiększa czas generowania.
seedopcjonalne
Typinteger
Domyślne0
≥ 0
Ziarno do powtarzalnego generowania audio: wartość 0 wybiera je losowo, a stałe ziarno powinno odtworzyć dokładnie ten sam plik audio, jeśli wszystkie pozostałe właściwości pozostaną bez zmian.
temperatureopcjonalne
Typnumber
Domyślne0.8
0,05 – 5
Losowość generowania, zwykle w zakresie od 0.05 do 5.
wymagane Nazwa kanoniczna, również akceptowana

Parametry plików przyjmują publiczny URL https://, identyfikator URI data: do 10 MB albo file_url przesłanego pliku. Pliki

Wynik

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"
  }
}
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
anyPlik audio utworzony podczas generowania.

Więcej modeli: Tekst na mowę

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/resemble-ai/chatterboxhd/text-to-speech.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt