কনটেন্টে যান

Gemini TTS

ইন্টিগ্রেট করুন

মডেল id gemini-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-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: ≈০.০৩$ ৩০ API ক্রেডিট এই পেজে চালান

API কী পান
Google টেক্সট থেকে স্পিচ #text-to-speech#audio#gemini

30টি ভয়েস, মাল্টি-স্পিকার ডায়ালগ, স্টাইল নির্দেশনা এবং Flash বা Pro মডেল বেছে নেওয়ার সুবিধাসহ 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 TTS-এর স্পিচ টেক্সট; এতে স্টাইল, গতি, উচ্চারণ ও আবেগের জন্য এমবেড করা স্বাভাবিক-ভাষার নির্দেশনা গ্রহণ করা হয়, যেমন 'Say cheerfully: Have a wonderful day!'. [slowly], [whispering], [excited], এবং [extremely fast]-এর মতো ইনলাইন মার্কারও গতি ও স্টাইল নিয়ন্ত্রণ করে। একাধিক বক্তার ক্ষেত্রে speakers ফিল্ডের alias দিয়ে শুরু হওয়া লাইন প্রয়োজন, যেমন 'Alice: Hello!\nBob: Hi!'।

অ্যাডভান্সড style_instructions · output_format · voice · model · 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।

ডিফল্ট gemini-2.5-flash-tts

Gemini TTS মডেল নির্বাচন। অডিওবুক, পডকাস্ট বা কাস্টমার সাপোর্টের মতো কাঠামোবদ্ধ ওয়ার্কফ্লোতে সর্বোচ্চ গুণমানের জন্য gemini-2.5-pro-tts ব্যবহার করুন।

বহুভাষিক সিন্থেসিসের স্পিচ ভাষা: মডেলকে আপনার টেক্সট থেকে ভাষা অনুমান করতে দিতে এটি বাদ দিন, অথবা কথ্য আউটপুট নির্দেশ করতে ভাষাটি দিন। Preview-তে 60+ এবং GA-তে 24টি ভাষা সমর্থিত।

ডিফল্ট 1

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

gemini-2.5-pro-tts এবং gemini-2.5-flash-tts সমর্থিত, কিন্তু gemini-2.5-flash-lite-preview-tts সমর্থিত নয়—এমন বক্তা কনফিগারেশন। এটি প্রদান করলে ভিন্ন ভয়েসে টেক্সটের ভিন্ন অংশ পড়ানো যায়; প্রতিটি বক্তার জন্য সংশ্লিষ্ট বক্তার প্রম্পট প্রিফিক্সের সঙ্গে মেলা একটি ভয়েস এবং speaker_id alias দিন।

POST /run/gemini-tts?wait=20 মূল্য → ০.০৩$
# 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-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 TTS সম্পর্কে

সর্বোচ্চ 50,000 অক্ষরের টেক্সটকে স্পিচে রূপান্তর করে। একটি `voice` এবং `model` gemini-2.5-flash-tts বা gemini-2.5-pro-tts বেছে নিন। `style_instructions` (সর্বোচ্চ 4000 অক্ষর) বলার ধরন নিয়ন্ত্রণ করে, এবং মাল্টি-ভয়েস স্ক্রিপ্টের জন্য `speakers` 2 থেকে 10টি এন্ট্রি গ্রহণ করে। ঐচ্ছিক `language_code`, `temperature` 0 থেকে 2, এবং wav, mp3 বা ogg_opus আউটপুট।

প্যারামিটার

নামধরন ডিফল্টঅনুমোদিত বিবরণ
promptআবশ্যক
ধরনstring
≤ ৫০,০০০টি অক্ষর
Gemini TTS-এর স্পিচ টেক্সট; এতে স্টাইল, গতি, উচ্চারণ ও আবেগের জন্য এমবেড করা স্বাভাবিক-ভাষার নির্দেশনা গ্রহণ করা হয়, যেমন 'Say cheerfully: Have a wonderful day!'. [slowly], [whispering], [excited], এবং [extremely fast]-এর মতো ইনলাইন মার্কারও গতি ও স্টাইল নিয়ন্ত্রণ করে। একাধিক বক্তার ক্ষেত্রে speakers ফিল্ডের alias দিয়ে শুরু হওয়া লাইন প্রয়োজন, যেমন 'Alice: Hello!\nBob: Hi!'।
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।
modelঐচ্ছিক
ধরনenum
ডিফল্টgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Gemini TTS মডেল নির্বাচন। অডিওবুক, পডকাস্ট বা কাস্টমার সাপোর্টের মতো কাঠামোবদ্ধ ওয়ার্কফ্লোতে সর্বোচ্চ গুণমানের জন্য gemini-2.5-pro-tts ব্যবহার করুন।
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 স্পিচ ভাষা: মডেলকে আপনার টেক্সট থেকে ভাষা অনুমান করতে দিতে এটি বাদ দিন, অথবা কথ্য আউটপুট নির্দেশ করতে ভাষাটি দিন। Preview-তে 60+ এবং GA-তে 24টি ভাষা সমর্থিত।
speakersঐচ্ছিক
ধরনobject[]
≤ ১০টি আইটেম≥ ২টি আইটেম
gemini-2.5-pro-tts এবং gemini-2.5-flash-tts সমর্থিত, কিন্তু gemini-2.5-flash-lite-preview-tts সমর্থিত নয়—এমন বক্তা কনফিগারেশন। এটি প্রদান করলে ভিন্ন ভয়েসে টেক্সটের ভিন্ন অংশ পড়ানো যায়; প্রতিটি বক্তার জন্য সংশ্লিষ্ট বক্তার প্রম্পট প্রিফিক্সের সঙ্গে মেলা একটি ভয়েস এবং speaker_id alias দিন।
speakers[].voiceআবশ্যক
ধরনenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14টি আরওLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
এই বক্তার জন্য নির্ধারিত প্রিসেট ভয়েস।
speakers[].speaker_idআবশ্যক
ধরনstring
শুধু alphanumeric character-সমৃদ্ধ এবং whitespace-বিহীন বক্তা alias। 'Alice: Hello! Bob: Hi there!'-এর মতো এই alias দিয়ে প্রম্পট টেক্সটের শুরু করে বক্তাকে শনাক্ত করুন।
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-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": 30,
    "usd": "0.03",
    "charged": 30,
    "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-tts.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt