رفتن به محتوا

Gemini 3.1 Flash Tts

یکپارچه‌سازی

شناسه مدل 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"

این درخواست: ⁨‎$۰٫۰۰۳⁩ ۳ اعتبار API اجرای آن در این صفحه

دریافت کلید API
Google متن به گفتار همگام‌سازی لبسریع #lipsync#avatar

تبدیل متن به گفتار Gemini 3.1 Flash با کنترل درون‌خطی سبک، 30 صدا و حداکثر 10 گوینده

Google · صوت

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی 50 / 50000

متن سنتز گفتار برای Gemini 3.1 Flash TTS؛ خطوط چندگوینده باید با نام‌های مستعار فیلد speakers شروع شوند، مانند 'Alice: Hello!\nBob: Hi!'. می‌توان نحوه ارائه را با برچسب‌های صوتی بیانی مانند [sigh]، [laughing]، [whispering] و [short pause] یا دستورهای زبان طبیعی درون‌خطی برای لهجه، احساس، ریتم و سبک به‌دقت کنترل کرد؛ مانند 'Say cheerfully: Have a wonderful day!'.

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

دستورهای اختیاری زبان طبیعی که جدا از محتوای گفتاری نگه داشته می‌شوند و برای شکل‌دهی به بیان، لهجه، سرعت، لحن و احساس پیش از پرامپت درج می‌شوند. نمونه‌ها شامل 'Speak warmly and slowly'، 'Read this as a dramatic newscast'، 'Use a British accent with a cheerful tone' و 'Whisper mysteriously' هستند.

output_format پیش‌فرض mp3

قالب صوت خروجی: mp3 فایل‌های فشرده و کم‌حجم ارائه می‌کند و توصیه می‌شود؛ wav شامل PCM غیرفشرده در محفظه WAV با 24 kHz و صوت تک‌کاناله 16 بیتی است؛ ogg_opus از Opus درون Ogg استفاده می‌کند تا توازن مناسبی میان کیفیت و حجم ایجاد شود.

پیش‌فرض Kore

انتخاب صدای تک‌گوینده از میان 30 پیش‌تنظیم متمایز؛ با تنظیم speakers، این انتخاب غیرفعال می‌شود. گزینه‌های زنانه محبوب شامل Kore با بیان قوی و محکم، Zephyr با بیان روشن و واضح و Aoede با بیان گرم و آهنگین هستند؛ گزینه‌های مردانه محبوب شامل Puck با بیان پرانرژی و سرزنده و Charon با بیان آرام و حرفه‌ای هستند.

بازنویسی زبان سنتز چندزبانه: اگر زبانی مشخص نکنید، زبان به‌صورت خودکار از متن تشخیص داده می‌شود تا گفتار مدل را هدایت کند.

پیش‌فرض 1

تنظیم تصادفی‌بودن گفتار؛ از بیان متمرکز و قابل‌پیش‌بینی در مقادیر پایین تا بیان خلاقانه و متنوع در مقادیر بالا.

پیکربندی صدا برای خواندن بخش‌های جداگانه متن توسط چند گوینده. برای هر گوینده یک صدا و نام مستعار speaker_id مطابق با پیشوندهای پرامپت مربوطه تعیین کنید.

POST /run/gemini-3.1-flash-tts?wait=20 قیمت → ⁨‎$۰٫۰۰۳⁩
# 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"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Gemini 3.1 Flash Tts

یک `prompt` حداکثر 50000 نویسه‌ای را به گفتار تبدیل می‌کند. نحوه بیان را می‌توان درون‌خطی یا از طریق `style_instructions` هدایت کرد. یکی از 30 صدا را انتخاب کنید، `language_code` را تنظیم کنید یا برای صدای چندگوینده از `speakers` (2 تا 10) استفاده کنید. خروجی mp3، wav یا ogg_opus است و `temperature` از 0 تا 2 تنظیم می‌شود.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
promptالزامی
نوعstring
≤ ۵۰٬۰۰۰ نویسه
متن سنتز گفتار برای Gemini 3.1 Flash TTS؛ خطوط چندگوینده باید با نام‌های مستعار فیلد speakers شروع شوند، مانند 'Alice: Hello!\nBob: Hi!'. می‌توان نحوه ارائه را با برچسب‌های صوتی بیانی مانند [sigh]، [laughing]، [whispering] و [short pause] یا دستورهای زبان طبیعی درون‌خطی برای لهجه، احساس، ریتم و سبک به‌دقت کنترل کرد؛ مانند 'Say cheerfully: Have a wonderful day!'.
style_instructionsاختیاری
نوعstring | null
≤ ۴٬۰۰۰ نویسه
دستورهای اختیاری زبان طبیعی که جدا از محتوای گفتاری نگه داشته می‌شوند و برای شکل‌دهی به بیان، لهجه، سرعت، لحن و احساس پیش از پرامپت درج می‌شوند. نمونه‌ها شامل 'Speak warmly and slowly'، 'Read this as a dramatic newscast'، 'Use a British accent with a cheerful tone' و 'Whisper mysteriously' هستند.
voiceاختیاری
نوعenum
پیش‌فرضKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 مورد دیگرLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
انتخاب صدای تک‌گوینده از میان 30 پیش‌تنظیم متمایز؛ با تنظیم speakers، این انتخاب غیرفعال می‌شود. گزینه‌های زنانه محبوب شامل Kore با بیان قوی و محکم، Zephyr با بیان روشن و واضح و Aoede با بیان گرم و آهنگین هستند؛ گزینه‌های مردانه محبوب شامل Puck با بیان پرانرژی و سرزنده و Charon با بیان آرام و حرفه‌ای هستند.
language_codeاختیاری
نوعenum
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 مورد دیگرRussian (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)
بازنویسی زبان سنتز چندزبانه: اگر زبانی مشخص نکنید، زبان به‌صورت خودکار از متن تشخیص داده می‌شود تا گفتار مدل را هدایت کند.
speakersاختیاری
نوعobject[]
پیکربندی صدا برای خواندن بخش‌های جداگانه متن توسط چند گوینده. برای هر گوینده یک صدا و نام مستعار speaker_id مطابق با پیشوندهای پرامپت مربوطه تعیین کنید.
temperatureاختیاری
نوعnumber
پیش‌فرض1
۰ – ۲
تنظیم تصادفی‌بودن گفتار؛ از بیان متمرکز و قابل‌پیش‌بینی در مقادیر پایین تا بیان خلاقانه و متنوع در مقادیر بالا.
output_formatاختیاری
نوعenum
پیش‌فرضmp3
wavmp3ogg_opus
قالب صوت خروجی: mp3 فایل‌های فشرده و کم‌حجم ارائه می‌کند و توصیه می‌شود؛ wav شامل PCM غیرفشرده در محفظه WAV با 24 kHz و صوت تک‌کاناله 16 بیتی است؛ ogg_opus از Opus درون Ogg استفاده می‌کند تا توازن مناسبی میان کیفیت و حجم ایجاد شود.
الزامی

خروجی

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"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size}فایل صوتی تولیدشده.

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/gemini-3.1-flash-tts.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt