ข้ามไปยังเนื้อหา

Bytedance Seed Speech Text to Speech

ผสานการทำงาน

ID โมเดล 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"

คำขอนี้: $0.002 2 เครดิต API · ≈ ₽0.22 เรียกใช้ในหน้านี้

รับคีย์ API
ByteDance ข้อความเป็นเสียงพูด ลิปซิงก์ #stylized#transform#lipsync

แปลงข้อความเป็นเสียงพูดด้วยเสียงสำเร็จรูปจำนวนมาก พร้อมการควบคุมความเร็ว ระดับเสียงสูงต่ำ และระดับเสียง รวมถึงคำสั่งรูปแบบการพูด

ByteDance · เสียง

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น 50 / 5000

ข้อความที่จะแปลงเป็นเสียงสังเคราะห์

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

คำสั่งการพูดด้วยภาษาธรรมชาติที่ไม่บังคับ เช่น 'Speak in a cheerful tone' หรือ 'Could you speak a bit slower?'. ใช้กำหนดโทน อารมณ์ ระดับเสียง และจังหวะได้

output_format ค่าเริ่มต้น mp3

การเข้ารหัสเสียงเอาต์พุต: 'mp3' จะสร้าง MP3 ส่วน 'opus' จะสร้าง Opus ที่บรรจุอยู่ในคอนเทนเนอร์ Ogg

sample_rate ค่าเริ่มต้น 24000

ความถี่การสุ่มตัวอย่างในหน่วย Hz สำหรับเสียงเอาต์พุต

ค่าเริ่มต้น stokie_en

พรีเซ็ตเสียงสังเคราะห์ ระบุด้วยชื่อที่รวมรหัสภาษาที่รองรับไว้ด้วย การรองรับภาษาอาจแยกจากกัน เช่น 'en_zh' หรืออนุญาตให้ผสมภาษาอังกฤษ–จีนได้อย่างราบรื่น โดยระบุด้วย 'mixed_en_zh'

การแทนที่ภาษาสำหรับการอ่าน: หากไม่ระบุ ระบบจะตรวจจับโดยอัตโนมัติ และเสียงสองภาษาสามารถผสมภาษาจีนกับภาษาอังกฤษได้อย่างราบรื่น หากระบุ ระบบจะปิดการตรวจจับและจำกัดการอ่านไว้เพียงภาษาเดียว เลือกภาษาจีนด้วย zh, ภาษาอังกฤษด้วย en, ภาษาญี่ปุ่นด้วย ja, ภาษาสเปนเม็กซิโกด้วย es-mx, ภาษาอินโดนีเซียด้วย id, ภาษาโปรตุเกสบราซิลด้วย pt-br, ภาษาเกาหลีด้วย ko, ภาษาอิตาลีด้วย it, ภาษาเยอรมันด้วย de หรือภาษาฝรั่งเศสด้วย fr

ค่าเริ่มต้น 1

ตัวคูณอัตราการพูด: 1.0 คือความเร็วปกติ, 0.5 คือครึ่งหนึ่งของความเร็ว และ 2.0 คือสองเท่าของความเร็ว

ค่าเริ่มต้น 1

ตัวคูณระดับเสียง: 1.0 คือระดับเสียงปกติ, 0.5 คือครึ่งหนึ่งของระดับเสียง และ 2.0 คือสองเท่าของระดับเสียง

ค่าเริ่มต้น 0

การปรับระดับเสียงพูด วัดเป็นเซมิโทน: 0 จะไม่เปลี่ยนระดับเสียง, -12 จะลดลงหนึ่งอ็อกเทฟ และ 12 จะเพิ่มขึ้นหนึ่งอ็อกเทฟ

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

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ Bytedance Seed Speech Text to Speech

แปลงอักขระใน `text` ได้สูงสุด 5000 ตัวเป็นเสียง เลือก `voice` และเลือกบังคับ `language` หรือเปิดใช้การตรวจจับอัตโนมัติก็ได้ `speed` และ `volume` อยู่ในช่วง 0.5 ถึง 2 ส่วน `pitch` ปรับได้ตั้งแต่ -12 ถึง 12 เซมิโทน และ `voice_instruction` ใช้ควบคุมรูปแบบการอ่าน เอาต์พุตเป็น mp3 หรือ opus ที่อัตราสุ่มตัวอย่างตั้งแต่ 8000 ถึง 48000 Hz

พารามิเตอร์

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
textจำเป็น
ประเภทstring
≤ 5,000 อักขระ
ข้อความที่จะแปลงเป็นเสียงสังเคราะห์
voiceไม่บังคับ
ประเภทenum
ค่าเริ่มต้นstokie_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
เพิ่มเติมอีก 25 ค่าalina_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
พรีเซ็ตเสียงสังเคราะห์ ระบุด้วยชื่อที่รวมรหัสภาษาที่รองรับไว้ด้วย การรองรับภาษาอาจแยกจากกัน เช่น 'en_zh' หรืออนุญาตให้ผสมภาษาอังกฤษ–จีนได้อย่างราบรื่น โดยระบุด้วย 'mixed_en_zh'
output_formatไม่บังคับ
ประเภทenum
ค่าเริ่มต้นmp3
mp3opus
การเข้ารหัสเสียงเอาต์พุต: 'mp3' จะสร้าง MP3 ส่วน 'opus' จะสร้าง Opus ที่บรรจุอยู่ในคอนเทนเนอร์ Ogg
sample_rateไม่บังคับ
ประเภทenum
ค่าเริ่มต้น24000
8000160002205024000320004410048000
ความถี่การสุ่มตัวอย่างในหน่วย Hz สำหรับเสียงเอาต์พุต
speedไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0.5 – 2
ตัวคูณอัตราการพูด: 1.0 คือความเร็วปกติ, 0.5 คือครึ่งหนึ่งของความเร็ว และ 2.0 คือสองเท่าของความเร็ว
volumeไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0.5 – 2
ตัวคูณระดับเสียง: 1.0 คือระดับเสียงปกติ, 0.5 คือครึ่งหนึ่งของระดับเสียง และ 2.0 คือสองเท่าของระดับเสียง
pitchไม่บังคับ
ประเภทinteger
ค่าเริ่มต้น0
-12 – 12
การปรับระดับเสียงพูด วัดเป็นเซมิโทน: 0 จะไม่เปลี่ยนระดับเสียง, -12 จะลดลงหนึ่งอ็อกเทฟ และ 12 จะเพิ่มขึ้นหนึ่งอ็อกเทฟ
languageไม่บังคับ
ประเภทenum
zhenjaes-mxidpt-brkoitdefr
การแทนที่ภาษาสำหรับการอ่าน: หากไม่ระบุ ระบบจะตรวจจับโดยอัตโนมัติ และเสียงสองภาษาสามารถผสมภาษาจีนกับภาษาอังกฤษได้อย่างราบรื่น หากระบุ ระบบจะปิดการตรวจจับและจำกัดการอ่านไว้เพียงภาษาเดียว เลือกภาษาจีนด้วย zh, ภาษาอังกฤษด้วย en, ภาษาญี่ปุ่นด้วย ja, ภาษาสเปนเม็กซิโกด้วย es-mx, ภาษาอินโดนีเซียด้วย id, ภาษาโปรตุเกสบราซิลด้วย pt-br, ภาษาเกาหลีด้วย ko, ภาษาอิตาลีด้วย it, ภาษาเยอรมันด้วย de หรือภาษาฝรั่งเศสด้วย fr
voice_instructionไม่บังคับ
ประเภทstring | null
คำสั่งการพูดด้วยภาษาธรรมชาติที่ไม่บังคับ เช่น 'Speak in a cheerful tone' หรือ 'Could you speak a bit slower?'. ใช้กำหนดโทน อารมณ์ ระดับเสียง และจังหวะได้
จำเป็น

เอาต์พุต

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"
  }
}
ไฟล์ของคุณ คุณเลือกเองทุก outputs[].url คือสำเนาบนพื้นที่จัดเก็บของเรา: เก็บไว้ตลอดไป (คิดค่าบริการต่อ GB-เดือน) หรือฟรี 7 วัน โดยกำหนดได้ในการตั้งค่าบัญชีหรือ ?storage=
รูปแบบเดียวกันในทุกโมเดลtype, url, content_type, width, height และ duration สำหรับภาพ วิดีโอ และเสียงเหมือนกันทั้งหมด ส่วน output คือออบเจ็กต์ผลลัพธ์ของโมเดลเอง
ฟิลด์ของเอาต์พุต
audio
object {url, content_type, file_name, file_size}ไฟล์เสียงที่สร้างขึ้น

สำหรับเอเจนต์ AI: หน้า Markdown นี้อยู่ที่ https://doitong.com/th/developers/models/bytedance/seed-speech/tts/v2.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt