Przejdź do treści

Tada TTS 1B

Integracja

Identyfikator modelu tada/1b/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.com/v1/run/tada/1b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

To żądanie: 0,003 $ 3 kredyty API Uruchom na tej stronie

Uzyskaj klucz API
Open model Tekst na mowę

Synteza mowy z klonowaniem głosu na podstawie referencyjnego klipu audio, wariant 1B z dziesięcioma językami

Open model · 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

Treść mowy dostarczona jako tekst; głos mówcy referencyjnego jest używany do jej wyrenderowania.

•wymagane audio_url
Upuść plik lub

Źródło klonowania głosu dostarczone jako adres URL pliku audio, identyfikujące mówcę, którego cechy głosu model ma odtworzyć.

Zaawansowane output_format · transcript · language · num_extra_steps · temperature · top_p · repetition_penalty · acoustic_cfg_scale · noise_temperature · num_inference_steps · speed_up_factor · enable_safety_checker
output_format domyślnie wav

Format pliku wygenerowanego audio.

domyślnie

Transkrypcja audio referencyjnego, wymagana dla nagrań w językach innych niż angielski; automatyczna transkrypcja jest wbudowana wyłącznie dla języka angielskiego.

domyślnie en

Kod języka wyrównania tekstu, który musi odpowiadać językowi syntezy podczas generowania mowy w języku innym niż angielski.

domyślnie 0

Dodatkowa liczba kroków autoregresywnych służących do dodania końcowej prozodii lub ciszy przez kontynuowanie mowy po podanym tekście.

domyślnie 0.6

Temperatura próbkowania tokenów tekstowych: zwiększenie dodaje różnorodność wyniku, a wartość 0 lub niższa jest niedozwolona.

domyślnie 0.9

Ustawienie próbkowania Top-p (jądrowego) używane do generowania tekstu.

domyślnie 1.1

Kara za powtarzanie tokenów podczas generowania wyniku.

domyślnie 1.6

Siła bezklasowego prowadzenia klasyfikatora używana do generowania cech akustycznych.

domyślnie 0.9

Temperatura szumu używana podczas dyfuzji dopasowywania przepływu.

domyślnie 20

Liczba kroków solvera ODE używanych do generowania akustyki przez dopasowywanie przepływu.

domyślnie 1

Mnożnik szybkości mowy: wygenerowana mowa jest wolniejsza poniżej 1.0 i szybsza powyżej 1.0.

POST /run/tada/1b/text-to-speech?wait=20 wycena → 0,003 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/tada/1b/text-to-speech?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/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 Tada TTS 1B

Wypowiada tekst `prompt` głosem z klipu referencyjnego podanego jako `audio_url`. W przypadku audio nieanglojęzycznego wymagany jest `transcript` nagrania referencyjnego. `language` obsługuje en, ar, ch, de, es, fr, it, ja, pl i pt. Dostępne ustawienia to `speed_up_factor` (0.5 do 2), `temperature`, `top_p` i `num_inference_steps`; wynik jest w formacie wav lub mp3.

Parametry

Wyślij nazwę kanoniczną albo natywną, nie obie. Nazwy kanoniczne

NazwaTyp DomyślneDozwolone Opis
audio_urlwymagane audio
Typurl · audio
Źródło klonowania głosu dostarczone jako adres URL pliku audio, identyfikujące mówcę, którego cechy głosu model ma odtworzyć.
transcriptopcjonalne
Typstring
Domyślne
Transkrypcja audio referencyjnego, wymagana dla nagrań w językach innych niż angielski; automatyczna transkrypcja jest wbudowana wyłącznie dla języka angielskiego.
promptwymagane
Typstring
Treść mowy dostarczona jako tekst; głos mówcy referencyjnego jest używany do jej wyrenderowania.
languageopcjonalne
Typenum
Domyślneen
enarchdeesfritjaplpt
Kod języka wyrównania tekstu, który musi odpowiadać językowi syntezy podczas generowania mowy w języku innym niż angielski.
num_extra_stepsopcjonalne
Typinteger
Domyślne0
0 – 50
Dodatkowa liczba kroków autoregresywnych służących do dodania końcowej prozodii lub ciszy przez kontynuowanie mowy po podanym tekście.
temperatureopcjonalne
Typnumber
Domyślne0.6
≤ 2> 0
Temperatura próbkowania tokenów tekstowych: zwiększenie dodaje różnorodność wyniku, a wartość 0 lub niższa jest niedozwolona.
top_popcjonalne
Typnumber
Domyślne0.9
0 – 1
Ustawienie próbkowania Top-p (jądrowego) używane do generowania tekstu.
repetition_penaltyopcjonalne
Typnumber
Domyślne1.1
1 – 2
Kara za powtarzanie tokenów podczas generowania wyniku.
acoustic_cfg_scaleopcjonalne
Typnumber
Domyślne1.6
0 – 10
Siła bezklasowego prowadzenia klasyfikatora używana do generowania cech akustycznych.
noise_temperatureopcjonalne
Typnumber
Domyślne0.9
0 – 2
Temperatura szumu używana podczas dyfuzji dopasowywania przepływu.
num_inference_stepsopcjonalne
Typinteger
Domyślne20
1 – 50
Liczba kroków solvera ODE używanych do generowania akustyki przez dopasowywanie przepływu.
speed_up_factoropcjonalne
Typnumber
Domyślne1
0,5 – 2
Mnożnik szybkości mowy: wygenerowana mowa jest wolniejsza poniżej 1.0 i szybsza powyżej 1.0.
output_formatopcjonalne
Typenum
Domyślnewav
wavmp3
Format pliku wygenerowanego audio.
enable_safety_checkeropcjonalne
Typboolean
Domyślnetrue
Filtrowanie można złagodzić, ustawiając false, jeśli wywołujący ma odpowiednie uprawnienia.
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": "tada/1b/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": 3,
    "usd": "0.003",
    "charged": 3,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
    "prompt": "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,
      "duration": 5,
      "channels": 1,
      "sample_rate": 1,
      "bitrate": "string"
    }
  },
  "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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/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, duration, channels, sample_rate, bitrate}Plik audio zawierający syntetyzowaną mowę.

Więcej modeli: Tekst na mowę

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/tada/1b/text-to-speech.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt