Ir para o conteúdo

Bytedance Seed Speech Text to Speech

Integrar

ID do modelo 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"

Esta solicitação: $ 0,002 2 créditos de API · ≈ ₽ 0,21 Executar nesta página

Obter chave de API
ByteDance Texto para fala Sincronização labial #stylized#transform#lipsync

Conversão de texto em fala com muitas vozes predefinidas, controle de velocidade, tom e volume e instruções de estilo de fala

ByteDance · Áudio

Seu primeiro resultado aparecerá aqui

Monte uma requisição abaixo e execute-a com sua chave de API. As saídas são copiadas para nosso armazenamento, mantidas para sempre ou por 7 dias gratuitamente.

Criar uma solicitação

Os controles são gerados a partir do esquema do modelo. O código e o preço são atualizados conforme você os altera.

•obrigatório 50 / 5000

Texto a ser convertido em fala sintetizada.

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

Instrução opcional de entonação em linguagem natural, como 'Speak in a cheerful tone' ou 'Could you speak a bit slower?'. Ela pode orientar tom, emoção, volume e ritmo.

output_format padrão mp3

Codificação do áudio de saída: 'mp3' produz MP3, enquanto 'opus' produz Opus empacotado em um contêiner Ogg.

sample_rate padrão 24000

Frequência de amostragem em Hz do áudio de saída.

padrão stokie_en

Predefinição da voz de síntese, identificada por um nome que também inclui códigos de idiomas compatíveis. O suporte a idiomas pode ser independente, como em 'en_zh', ou permitir mistura contínua de inglês e chinês, indicada por 'mixed_en_zh'.

Substituição do idioma de leitura: quando omitida, a detecção é automática e vozes bilíngues podem misturar chinês e inglês continuamente; quando fornecida, ela desativa a detecção e restringe a leitura a um idioma. Escolha chinês com zh, inglês com en, japonês com ja, espanhol mexicano com es-mx, indonésio com id, português brasileiro com pt-br, coreano com ko, italiano com it, alemão com de ou francês com fr.

padrão 1

Multiplicador da velocidade da fala: 1.0 produz velocidade normal, 0.5 produz metade da velocidade e 2.0 produz o dobro da velocidade.

padrão 1

Multiplicador do volume: 1.0 produz volume normal, 0.5 produz metade do volume e 2.0 produz o dobro do volume.

padrão 0

Ajuste de tom da voz, medido em semitons: 0 mantém o tom, -12 o reduz em uma oitava e 12 o aumenta em uma oitava.

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

Executar esta solicitação

Sua chave permanece neste navegador: ela é enviada somente à Doitong API e salva (localStorage) apenas se você marcar Lembrar. Obter uma chave de API

Sobre Bytedance Seed Speech Text to Speech

Converte até 5000 caracteres de `text` em áudio. Escolha uma `voice` e, opcionalmente, force um `language` ou mantenha a detecção automática. `speed` e `volume` variam de 0.5 a 2, `pitch` muda de -12 a 12 semitons, e `voice_instruction` orienta a forma de falar. A saída é mp3 ou opus, com taxas de amostragem de 8000 a 48000 Hz.

Parâmetros

NomeTipo PadrãoPermitido Descrição
textobrigatório
Tipostring
≤ 5.000 caracteres
Texto a ser convertido em fala sintetizada.
voiceopcional
Tipoenum
Padrãostokie_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 a maisalina_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
Predefinição da voz de síntese, identificada por um nome que também inclui códigos de idiomas compatíveis. O suporte a idiomas pode ser independente, como em 'en_zh', ou permitir mistura contínua de inglês e chinês, indicada por 'mixed_en_zh'.
output_formatopcional
Tipoenum
Padrãomp3
mp3opus
Codificação do áudio de saída: 'mp3' produz MP3, enquanto 'opus' produz Opus empacotado em um contêiner Ogg.
sample_rateopcional
Tipoenum
Padrão24000
8000160002205024000320004410048000
Frequência de amostragem em Hz do áudio de saída.
speedopcional
Tiponumber
Padrão1
0,5 – 2
Multiplicador da velocidade da fala: 1.0 produz velocidade normal, 0.5 produz metade da velocidade e 2.0 produz o dobro da velocidade.
volumeopcional
Tiponumber
Padrão1
0,5 – 2
Multiplicador do volume: 1.0 produz volume normal, 0.5 produz metade do volume e 2.0 produz o dobro do volume.
pitchopcional
Tipointeger
Padrão0
-12 – 12
Ajuste de tom da voz, medido em semitons: 0 mantém o tom, -12 o reduz em uma oitava e 12 o aumenta em uma oitava.
languageopcional
Tipoenum
zhenjaes-mxidpt-brkoitdefr
Substituição do idioma de leitura: quando omitida, a detecção é automática e vozes bilíngues podem misturar chinês e inglês continuamente; quando fornecida, ela desativa a detecção e restringe a leitura a um idioma. Escolha chinês com zh, inglês com en, japonês com ja, espanhol mexicano com es-mx, indonésio com id, português brasileiro com pt-br, coreano com ko, italiano com it, alemão com de ou francês com fr.
voice_instructionopcional
Tipostring | null
Instrução opcional de entonação em linguagem natural, como 'Speak in a cheerful tone' ou 'Could you speak a bit slower?'. Ela pode orientar tom, emoção, volume e ritmo.
obrigatório

Saída

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"
  }
}
Seus arquivos, sua escolhaCada outputs[].url é uma cópia em nosso armazenamento: mantida para sempre (cobrada por GB-mês) ou por 7 dias gratuitamente, conforme a configuração da sua conta ou ?storage=.
Mesmo formato em todos os modelostype, url, content_type, width, height e duration, para imagens, vídeos e áudios. output é o próprio objeto de resultado do modelo.
Campos da saída
audio
object {url, content_type, file_name, file_size}Arquivo de áudio produzido pela geração.

Para agentes de IA: esta página em Markdown está em https://doitong.com/pt-BR/developers/models/bytedance/seed-speech/tts/v2.md. Todos os modelos e guias: https://doitong.com/developers/llms.txt