কনটেন্টে যান

Gemini 3.1 Flash Tts

ইন্টিগ্রেট করুন

মডেল id gemini-3.1-flash-tts
# 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/gemini-3.1-flash-tts?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

এই অনুরোধ: ০.০০৩$ ৩ API ক্রেডিট এই পেজে চালান

API কী পান
Google টেক্সট থেকে স্পিচ লিপসিঙ্কদ্রুত #lipsync#avatar

ইনলাইন স্টাইল কন্ট্রোল, 30টি ভয়েস এবং সর্বোচ্চ 10 জন স্পিকারসহ Gemini 3.1 Flash টেক্সট-টু-স্পিচ

Google · অডিও

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক 50 / 50000

Gemini 3.1 Flash TTS-এর জন্য স্পিচ-সিন্থেসিস টেক্সট; একাধিক বক্তার লাইন speakers ফিল্ডের alias দিয়ে শুরু হতে হবে, যেমন 'Alice: Hello!\nBob: Hi!'. [sigh], [laughing], [whispering], এবং [short pause]-এর মতো expressive অডিও tag, অথবা উচ্চারণ, আবেগ, গতি ও স্টাইলের জন্য ইনলাইন স্বাভাবিক-ভাষার নির্দেশনা, যেমন 'Say cheerfully: Have a wonderful day!', ব্যবহার করে ডেলিভারি সূক্ষ্মভাবে নিয়ন্ত্রণ করা যায়।

অ্যাডভান্সড style_instructions · output_format · voice · language_code · temperature · speakers
0 / 4000

ঐচ্ছিক স্বাভাবিক-ভাষার নির্দেশনা, যা কথ্য বিষয়বস্তু থেকে আলাদা রাখা হয় এবং প্রকাশভঙ্গি, উচ্চারণ, গতি, টোন ও আবেগ নির্ধারণের জন্য প্রম্পটের আগে যুক্ত করা হয়। উদাহরণ: 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', এবং 'Whisper mysteriously'।

output_format ডিফল্ট mp3

আউটপুট অডিওর ফরম্যাট: mp3 সংকুচিত ও ছোট ফাইল তৈরি করে এবং এটি সুপারিশকৃত; wav একটি WAV কনটেইনারে 24 kHz, 16-bit mono অডিওসহ অসংকুচিত PCM ধারণ করে; ogg_opus Ogg-এর মধ্যে Opus ব্যবহার করে, যা গুণমান ও আকারের মধ্যে ভালো ভারসাম্য দেয়।

ডিফল্ট Kore

30টি স্বতন্ত্র প্রিসেট থেকে একক-বক্তার ভয়েস নির্বাচন; speakers সেট করলে এই নির্বাচন নিষ্ক্রিয় হয়। জনপ্রিয় নারী বিকল্প হলো Kore, যার ডেলিভারি দৃঢ় ও জোরালো; Zephyr, যার ডেলিভারি উজ্জ্বল ও স্পষ্ট; এবং Aoede, যার ডেলিভারি উষ্ণ ও সুরেলা। জনপ্রিয় পুরুষ বিকল্প হলো Puck, প্রাণবন্ত ও উদ্দীপনাময়; এবং Charon, শান্ত ও পেশাদার।

বহুভাষিক সিন্থেসিসের ভাষা ওভাররাইড: আপনি কোনো ভাষা নির্দিষ্ট না করলে টেক্সট থেকে স্বয়ংক্রিয়ভাবে শনাক্ত করা হয়, আর ভাষা নির্দিষ্ট করলে তা মডেলের কথ্য ভাষা নিয়ন্ত্রণ করে।

ডিফল্ট 1

স্পিচের র‍্যান্ডমনেস সেটিং; কম মানে সংহত ও অনুমানযোগ্য ডেলিভারি, আর বেশি মানে সৃজনশীল ও বৈচিত্র্যময় ডেলিভারি।

একাধিক বক্তাকে টেক্সটের আলাদা অংশ পড়ানোর জন্য ভয়েস কনফিগারেশন। প্রতিটি বক্তাকে একটি ভয়েস এবং সংশ্লিষ্ট প্রম্পট প্রিফিক্সের সঙ্গে মেলা speaker_id alias দিন।

POST /run/gemini-3.1-flash-tts?wait=20 মূল্য → ০.০০৩$
# 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/gemini-3.1-flash-tts?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "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"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Gemini 3.1 Flash Tts সম্পর্কে

সর্বোচ্চ 50000 অক্ষরের একটি `prompt`-কে স্পিচে রূপান্তর করে। ইনলাইনে বা `style_instructions`-এর মাধ্যমে বলার ধরন নিয়ন্ত্রণ করা যায়। 30টি ভয়েসের একটি বেছে নিন, একটি `language_code` সেট করুন, অথবা মাল্টি-স্পিকার অডিওর জন্য `speakers` (2 থেকে 10) ব্যবহার করুন। আউটপুট mp3, wav বা ogg_opus, এবং `temperature` 0 থেকে 2 পর্যন্ত।

প্যারামিটার

নামধরন ডিফল্টঅনুমোদিত বিবরণ
promptআবশ্যক
ধরনstring
≤ ৫০,০০০টি অক্ষর
Gemini 3.1 Flash TTS-এর জন্য স্পিচ-সিন্থেসিস টেক্সট; একাধিক বক্তার লাইন speakers ফিল্ডের alias দিয়ে শুরু হতে হবে, যেমন 'Alice: Hello!\nBob: Hi!'. [sigh], [laughing], [whispering], এবং [short pause]-এর মতো expressive অডিও tag, অথবা উচ্চারণ, আবেগ, গতি ও স্টাইলের জন্য ইনলাইন স্বাভাবিক-ভাষার নির্দেশনা, যেমন 'Say cheerfully: Have a wonderful day!', ব্যবহার করে ডেলিভারি সূক্ষ্মভাবে নিয়ন্ত্রণ করা যায়।
style_instructionsঐচ্ছিক
ধরনstring | null
≤ ৪,০০০টি অক্ষর
ঐচ্ছিক স্বাভাবিক-ভাষার নির্দেশনা, যা কথ্য বিষয়বস্তু থেকে আলাদা রাখা হয় এবং প্রকাশভঙ্গি, উচ্চারণ, গতি, টোন ও আবেগ নির্ধারণের জন্য প্রম্পটের আগে যুক্ত করা হয়। উদাহরণ: 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', এবং 'Whisper mysteriously'।
voiceঐচ্ছিক
ধরনenum
ডিফল্টKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14টি আরওLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
30টি স্বতন্ত্র প্রিসেট থেকে একক-বক্তার ভয়েস নির্বাচন; speakers সেট করলে এই নির্বাচন নিষ্ক্রিয় হয়। জনপ্রিয় নারী বিকল্প হলো Kore, যার ডেলিভারি দৃঢ় ও জোরালো; Zephyr, যার ডেলিভারি উজ্জ্বল ও স্পষ্ট; এবং Aoede, যার ডেলিভারি উষ্ণ ও সুরেলা। জনপ্রিয় পুরুষ বিকল্প হলো Puck, প্রাণবন্ত ও উদ্দীপনাময়; এবং Charon, শান্ত ও পেশাদার।
language_codeঐচ্ছিক
ধরনenum
Arabic (Egypt)Bangla (Bangladesh)Dutch (Netherlands)English (India)English (US)French (France)German (Germany)Hindi (India)Indonesian (Indonesia)Italian (Italy)Japanese (Japan)Korean (South Korea)Marathi (India)Polish (Poland)Portuguese (Brazil)Romanian (Romania)
+71টি আরওRussian (Russia)Spanish (Spain)Tamil (India)Telugu (India)Thai (Thailand)Turkish (Turkey)Ukrainian (Ukraine)Vietnamese (Vietnam)Afrikaans (South Africa)Albanian (Albania)Amharic (Ethiopia)Arabic (World)Armenian (Armenia)Azerbaijani (Azerbaijan)Basque (Spain)Belarusian (Belarus)Bulgarian (Bulgaria)Burmese (Myanmar)Catalan (Spain)Cebuano (Philippines)Chinese Mandarin (China)Chinese Mandarin (Taiwan)Croatian (Croatia)Czech (Czech Republic)Danish (Denmark)English (Australia)English (UK)Estonian (Estonia)Filipino (Philippines)Finnish (Finland)French (Canada)Galician (Spain)Georgian (Georgia)Greek (Greece)Gujarati (India)Haitian Creole (Haiti)Hebrew (Israel)Hungarian (Hungary)Icelandic (Iceland)Javanese (Java)Kannada (India)Konkani (India)Lao (Laos)Latin (Vatican City)Latvian (Latvia)Lithuanian (Lithuania)Luxembourgish (Luxembourg)Macedonian (North Macedonia)Maithili (India)Malagasy (Madagascar)Malay (Malaysia)Malayalam (India)Mongolian (Mongolia)Nepali (Nepal)Norwegian Bokmal (Norway)Norwegian Nynorsk (Norway)Odia (India)Pashto (Afghanistan)Persian (Iran)Portuguese (Portugal)Punjabi (India)Serbian (Serbia)Sindhi (India)Sinhala (Sri Lanka)Slovak (Slovakia)Slovenian (Slovenia)Spanish (Latin America)Spanish (Mexico)Swahili (Kenya)Swedish (Sweden)Urdu (Pakistan)
বহুভাষিক সিন্থেসিসের ভাষা ওভাররাইড: আপনি কোনো ভাষা নির্দিষ্ট না করলে টেক্সট থেকে স্বয়ংক্রিয়ভাবে শনাক্ত করা হয়, আর ভাষা নির্দিষ্ট করলে তা মডেলের কথ্য ভাষা নিয়ন্ত্রণ করে।
speakersঐচ্ছিক
ধরনobject[]
একাধিক বক্তাকে টেক্সটের আলাদা অংশ পড়ানোর জন্য ভয়েস কনফিগারেশন। প্রতিটি বক্তাকে একটি ভয়েস এবং সংশ্লিষ্ট প্রম্পট প্রিফিক্সের সঙ্গে মেলা speaker_id alias দিন।
temperatureঐচ্ছিক
ধরনnumber
ডিফল্ট1
০ – ২
স্পিচের র‍্যান্ডমনেস সেটিং; কম মানে সংহত ও অনুমানযোগ্য ডেলিভারি, আর বেশি মানে সৃজনশীল ও বৈচিত্র্যময় ডেলিভারি।
output_formatঐচ্ছিক
ধরনenum
ডিফল্টmp3
wavmp3ogg_opus
আউটপুট অডিওর ফরম্যাট: mp3 সংকুচিত ও ছোট ফাইল তৈরি করে এবং এটি সুপারিশকৃত; wav একটি WAV কনটেইনারে 24 kHz, 16-bit mono অডিওসহ অসংকুচিত PCM ধারণ করে; ogg_opus Ogg-এর মধ্যে Opus ব্যবহার করে, যা গুণমান ও আকারের মধ্যে ভালো ভারসাম্য দেয়।
আবশ্যক

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "gemini-3.1-flash-tts",
  "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": {
    "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
    }
  },
  "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"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
audio
object {url, content_type, file_name, file_size}জেনারেশনের মাধ্যমে তৈরি অডিও ফাইল।

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/gemini-3.1-flash-tts.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt