Avançar 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"

Este pedido: 0,002 $ 2 créditos da API · ≈ 0,21 ₽ Executar nesta página

Obter chave de API
ByteDance Texto para voz Lipsync #stylized#transform

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

ByteDance · Áudio

O seu primeiro resultado aparece aqui

Crie um pedido abaixo e execute-o com a sua chave de API. As saídas são copiadas para o nosso armazenamento, guardadas para sempre ou durante 7 dias gratuitamente.

Criar um pedido

Os controlos são gerados a partir do esquema do modelo. O código e o preço são atualizados à medida que os altera.

•obrigatório 50 / 5000

Texto a converter em fala sintetizada.

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

Instrução opcional em linguagem natural para a entrega, como 'Speak in a cheerful tone' ou 'Could you speak a bit slower?'. Pode orientar o tom, a emoção, o volume e o ritmo.

output_format predefinição mp3

Codificação do áudio de saída: 'mp3' produz MP3, enquanto 'opus' produz Opus num contentor Ogg.

sample_rate predefinição 24000

Frequência de amostragem em Hz do áudio de saída.

predefinição stokie_en

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

Substituição do idioma de leitura: quando omitida, a deteção é automática e as vozes bilingues podem misturar chinês e inglês de forma contínua; quando fornecida, desativa a deteção 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 do Brasil com pt-br, coreano com ko, italiano com it, alemão com de ou francês com fr.

predefinição 1

Multiplicador da velocidade da fala: 1.0 corresponde à velocidade normal, 0.5 à metade da velocidade e 2.0 ao dobro da velocidade.

predefinição 1

Multiplicador do volume: 1.0 corresponde ao volume normal, 0.5 à metade do volume e 2.0 ao dobro do volume.

predefinição 0

Ajuste do tom da voz, medido em semitons: 0 mantém o tom, -12 baixa-o uma oitava e 12 eleva-o 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 este pedido

A sua chave permanece neste navegador: é enviada apenas para a Doitong API e guardada em localStorage apenas se selecionar 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 deteção automática. `speed` e `volume` variam entre 0.5 e 2, `pitch` muda entre -12 e 12 semitons e `voice_instruction` orienta a interpretação. O resultado é mp3 ou opus, com taxas de amostragem de 8000 a 48000 Hz.

Parâmetros

NomeTipo PredefiniçãoPermitido Descrição
textobrigatório
Tipostring
≤ 5000 caracteres
Texto a converter em fala sintetizada.
voiceopcional
Tipoenum
Predefiniçãostokie_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 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 suportados. O suporte de idiomas pode ser independente, como em 'en_zh', ou permitir uma mistura contínua de inglês e chinês, indicada por 'mixed_en_zh'.
output_formatopcional
Tipoenum
Predefiniçãomp3
mp3opus
Codificação do áudio de saída: 'mp3' produz MP3, enquanto 'opus' produz Opus num contentor Ogg.
sample_rateopcional
Tipoenum
Predefinição24000
8000160002205024000320004410048000
Frequência de amostragem em Hz do áudio de saída.
speedopcional
Tiponumber
Predefinição1
0,5 – 2
Multiplicador da velocidade da fala: 1.0 corresponde à velocidade normal, 0.5 à metade da velocidade e 2.0 ao dobro da velocidade.
volumeopcional
Tiponumber
Predefinição1
0,5 – 2
Multiplicador do volume: 1.0 corresponde ao volume normal, 0.5 à metade do volume e 2.0 ao dobro do volume.
pitchopcional
Tipointeger
Predefinição0
-12 – 12
Ajuste do tom da voz, medido em semitons: 0 mantém o tom, -12 baixa-o uma oitava e 12 eleva-o uma oitava.
languageopcional
Tipoenum
zhenjaes-mxidpt-brkoitdefr
Substituição do idioma de leitura: quando omitida, a deteção é automática e as vozes bilingues podem misturar chinês e inglês de forma contínua; quando fornecida, desativa a deteção 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 do Brasil com pt-br, coreano com ko, italiano com it, alemão com de ou francês com fr.
voice_instructionopcional
Tipostring | null
Instrução opcional em linguagem natural para a entrega, como 'Speak in a cheerful tone' ou 'Could you speak a bit slower?'. Pode orientar o tom, a emoção, o volume e o ritmo.
obrigatório

Resultado

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"
  }
}
Os seus ficheiros, a sua escolhaCada outputs[].url é uma cópia no nosso armazenamento: guardada para sempre (paga por GB-mês) ou durante 7 dias gratuitamente, conforme a definição da sua conta ou ?storage=.
A mesma estrutura em todos os modelostype, url, content_type, width, height e duration, tanto para imagens como para vídeo e áudio. output é o próprio objeto de resultado do modelo.
Campos do resultado
audio
object {url, content_type, file_name, file_size}Ficheiro de áudio produzido pela geração.

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