Ir al contenido

Gemini TTS

Integrar

Id del modelo 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"

Esta solicitud: ≈0,03 $ 30 créditos de API Ejecutar en esta página

Obtener clave de API
Google Texto a voz #text-to-speech#audio#gemini

Texto a voz con 30 voces, diálogos con varios hablantes, instrucciones de estilo y elección entre un modelo Flash o Pro

Google · Audio

Tu primer resultado aparecerá aquí

Crea una solicitud abajo y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, conservadas para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan al modificarlos.

•obligatorio 50 / 50000

Texto hablado para Gemini TTS, que admite indicaciones en lenguaje natural insertadas para definir estilo, ritmo, acento y emoción, como 'Say cheerfully: Have a wonderful day!'. Los marcadores insertados, incluidos [slowly], [whispering], [excited] y [extremely fast], también controlan el ritmo y el estilo. Los varios hablantes requieren líneas que comiencen con alias del campo speakers, por ejemplo 'Alice: Hello!\nBob: Hi!'.

Avanzado style_instructions · output_format · voice · model · language_code · temperature · speakers
0 / 4000

Indicaciones opcionales en lenguaje natural, separadas del contenido hablado e insertadas antes del prompt para definir expresividad, acento, ritmo, tono y emoción. Algunos ejemplos son 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' y 'Whisper mysteriously'.

output_format predeterminado mp3

Formato del audio de salida: mp3 proporciona archivos comprimidos y compactos, y se recomienda; wav contiene PCM sin comprimir en un contenedor WAV a 24 kHz con audio mono de 16 bits; ogg_opus usa Opus dentro de Ogg para ofrecer un equilibrio favorable entre calidad y tamaño.

predeterminado Kore

Selección de voz para un solo hablante entre 30 valores preestablecidos; establecer speakers desactiva esta selección. Las opciones femeninas populares son Kore, con una interpretación firme y contundente; Zephyr, clara y brillante; y Aoede, cálida y melódica. Las opciones masculinas populares son Puck, animada y enérgica, y Charon, tranquila y profesional.

predeterminado gemini-2.5-flash-tts

Selección del modelo Gemini TTS. Para obtener la máxima calidad en flujos de trabajo estructurados, como audiolibros, pódcasts o atención al cliente, usa gemini-2.5-pro-tts.

Idioma del habla para síntesis multilingüe: omítelo para que el modelo infiera el idioma a partir de tu texto o proporciónalo para dirigir la salida hablada. La cobertura incluye más de 60 idiomas en Preview y 24 en GA.

predeterminado 1

Ajuste de aleatoriedad del habla, cuyo efecto va desde una interpretación enfocada y predecible con valores bajos hasta una interpretación creativa y variada con valores altos.

Configuración de hablantes compatible con gemini-2.5-pro-tts y gemini-2.5-flash-tts, pero no con gemini-2.5-flash-lite-preview-tts. Proporcionarla permite que distintas voces lean partes diferentes del texto; para cada hablante, proporciona una voz y un alias speaker_id correspondiente a los prefijos del prompt de ese hablante.

POST /run/gemini-tts?wait=20 cotización → 0,03 $
# 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"

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y se guarda (localStorage) únicamente si marcas Recordar. Obtener una clave de API

Acerca de Gemini TTS

Convierte hasta 50,000 caracteres de texto en voz. Selecciona una `voice` y el `model` gemini-2.5-flash-tts o gemini-2.5-pro-tts. `style_instructions` (hasta 4000 caracteres) dirige la interpretación, y `speakers` acepta de 2 a 10 entradas para guiones con varias voces. `language_code` y `temperature` de 0 a 2 son opcionales, y la salida puede ser wav, mp3 u ogg_opus.

Parámetros

NombreTipo PredeterminadoPermitido Descripción
promptobligatorio
Tipostring
≤ 50.000 caracteres
Texto hablado para Gemini TTS, que admite indicaciones en lenguaje natural insertadas para definir estilo, ritmo, acento y emoción, como 'Say cheerfully: Have a wonderful day!'. Los marcadores insertados, incluidos [slowly], [whispering], [excited] y [extremely fast], también controlan el ritmo y el estilo. Los varios hablantes requieren líneas que comiencen con alias del campo speakers, por ejemplo 'Alice: Hello!\nBob: Hi!'.
style_instructionsopcional
Tipostring | null
≤ 4000 caracteres
Indicaciones opcionales en lenguaje natural, separadas del contenido hablado e insertadas antes del prompt para definir expresividad, acento, ritmo, tono y emoción. Algunos ejemplos son 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' y 'Whisper mysteriously'.
voiceopcional
Tipoenum
PredeterminadoKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 másLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Selección de voz para un solo hablante entre 30 valores preestablecidos; establecer speakers desactiva esta selección. Las opciones femeninas populares son Kore, con una interpretación firme y contundente; Zephyr, clara y brillante; y Aoede, cálida y melódica. Las opciones masculinas populares son Puck, animada y enérgica, y Charon, tranquila y profesional.
modelopcional
Tipoenum
Predeterminadogemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Selección del modelo Gemini TTS. Para obtener la máxima calidad en flujos de trabajo estructurados, como audiolibros, pódcasts o atención al cliente, usa gemini-2.5-pro-tts.
language_codeopcional
Tipoenum
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)
+71 másRussian (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)
Idioma del habla para síntesis multilingüe: omítelo para que el modelo infiera el idioma a partir de tu texto o proporciónalo para dirigir la salida hablada. La cobertura incluye más de 60 idiomas en Preview y 24 en GA.
speakersopcional
Tipoobject[]
≤ 10 elementos≥ 2 elementos
Configuración de hablantes compatible con gemini-2.5-pro-tts y gemini-2.5-flash-tts, pero no con gemini-2.5-flash-lite-preview-tts. Proporcionarla permite que distintas voces lean partes diferentes del texto; para cada hablante, proporciona una voz y un alias speaker_id correspondiente a los prefijos del prompt de ese hablante.
speakers[].voiceobligatorio
Tipoenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 másLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Voz preestablecida asignada a este hablante.
speakers[].speaker_idobligatorio
Tipostring
Alias del hablante que contiene solo caracteres alfanuméricos y ningún espacio en blanco. Identifica al hablante anteponiendo este alias a su texto del prompt, como en 'Alice: Hello! Bob: Hi there!'.
temperatureopcional
Tiponumber
Predeterminado1
0 – 2
Ajuste de aleatoriedad del habla, cuyo efecto va desde una interpretación enfocada y predecible con valores bajos hasta una interpretación creativa y variada con valores altos.
output_formatopcional
Tipoenum
Predeterminadomp3
wavmp3ogg_opus
Formato del audio de salida: mp3 proporciona archivos comprimidos y compactos, y se recomienda; wav contiene PCM sin comprimir en un contenedor WAV a 24 kHz con audio mono de 16 bits; ogg_opus usa Opus dentro de Ogg para ofrecer un equilibrio favorable entre calidad y tamaño.
obligatorio

Salida

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"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: conservada para siempre (se cobra por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para vídeo y audio. output es el objeto de resultado propio del modelo.
Campos de salida
audio
object {url, content_type, file_name, file_size}Archivo de audio producido por la generación.

Para agentes de IA: esta página en Markdown está en https://doitong.com/es/developers/models/gemini-tts.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt