رفتن به محتوا

Gemini TTS

یکپارچه‌سازی

شناسه مدل 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"

این درخواست: ≈⁨‎$۰٫۰۳⁩ ۳۰ اعتبار API اجرای آن در این صفحه

دریافت کلید API
Google متن به گفتار #text-to-speech#audio#gemini

تبدیل متن به گفتار با 30 صدا، گفت‌وگوی چندگوینده، دستورهای سبک و انتخاب مدل Flash یا Pro

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 گفتار برای Gemini TTS، با پشتیبانی از دستورهای زبان طبیعی درون‌خطی برای سبک، سرعت، لهجه و احساس، مانند 'Say cheerfully: Have a wonderful day!'. نشانگرهای درون‌خطی شامل [slowly]، [whispering]، [excited] و [extremely fast] نیز سرعت و سبک را کنترل می‌کنند. چند گوینده به خطوطی نیاز دارند که با نام‌های مستعار فیلد speakers آغاز شوند؛ برای نمونه 'Alice: Hello!\nBob: Hi!'.

پیشرفته style_instructions · output_format · voice · model · 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.

پیش‌فرض gemini-2.5-flash-tts

انتخاب مدل Gemini TTS. برای بالاترین کیفیت در جریان‌های کاری ساختاریافته مانند کتاب صوتی، پادکست یا پشتیبانی مشتری، از gemini-2.5-pro-tts استفاده کنید.

زبان گفتار برای سنتز چندزبانه: آن را حذف کنید تا مدل زبان را از متن شما تشخیص دهد، یا برای هدایت خروجی گفتاری آن را ارائه کنید. پوشش شامل بیش از 60 زبان در Preview و 24 زبان در GA است.

پیش‌فرض 1

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

پیکربندی گوینده، پشتیبانی‌شده توسط gemini-2.5-pro-tts و gemini-2.5-flash-tts، اما نه gemini-2.5-flash-lite-preview-tts. ارائه این مقدار باعث می‌شود صداهای مختلف بخش‌های مختلف متن را بخوانند؛ برای هر گوینده یک صدا و نام مستعار speaker_id مطابق با پیشوندهای پرامپت او ارائه کنید.

POST /run/gemini-tts?wait=20 قیمت → ⁨‎$۰٫۰۳⁩
# 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"

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 TTS

حداکثر 50,000 نویسه متن را به گفتار تبدیل می‌کند. یک `voice` و `model` یعنی gemini-2.5-flash-tts یا gemini-2.5-pro-tts انتخاب کنید. `style_instructions` (حداکثر 4000 نویسه) نحوه ارائه را هدایت می‌کند و `speakers` برای اسکریپت‌های چندصدایی 2 تا 10 ورودی می‌پذیرد. `language_code`، `temperature` از 0 تا 2 و خروجی wav، mp3 یا ogg_opus اختیاری هستند.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
promptالزامی
نوعstring
≤ ۵۰٬۰۰۰ نویسه
متن گفتار برای Gemini TTS، با پشتیبانی از دستورهای زبان طبیعی درون‌خطی برای سبک، سرعت، لهجه و احساس، مانند 'Say cheerfully: Have a wonderful day!'. نشانگرهای درون‌خطی شامل [slowly]، [whispering]، [excited] و [extremely fast] نیز سرعت و سبک را کنترل می‌کنند. چند گوینده به خطوطی نیاز دارند که با نام‌های مستعار فیلد speakers آغاز شوند؛ برای نمونه 'Alice: Hello!\nBob: Hi!'.
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.
modelاختیاری
نوعenum
پیش‌فرضgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
انتخاب مدل Gemini TTS. برای بالاترین کیفیت در جریان‌های کاری ساختاریافته مانند کتاب صوتی، پادکست یا پشتیبانی مشتری، از gemini-2.5-pro-tts استفاده کنید.
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)
زبان گفتار برای سنتز چندزبانه: آن را حذف کنید تا مدل زبان را از متن شما تشخیص دهد، یا برای هدایت خروجی گفتاری آن را ارائه کنید. پوشش شامل بیش از 60 زبان در Preview و 24 زبان در GA است.
speakersاختیاری
نوعobject[]
≤ ۱۰ مورد≥ ۲ مورد
پیکربندی گوینده، پشتیبانی‌شده توسط gemini-2.5-pro-tts و gemini-2.5-flash-tts، اما نه gemini-2.5-flash-lite-preview-tts. ارائه این مقدار باعث می‌شود صداهای مختلف بخش‌های مختلف متن را بخوانند؛ برای هر گوینده یک صدا و نام مستعار speaker_id مطابق با پیشوندهای پرامپت او ارائه کنید.
speakers[].voiceالزامی
نوعenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 مورد دیگرLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
صدای پیش‌تنظیم اختصاص‌یافته به این گوینده.
speakers[].speaker_idالزامی
نوعstring
نام مستعار گوینده، شامل فقط نویسه‌های الفبایی و عددی و بدون فاصله. گوینده را با افزودن این نام مستعار به ابتدای متن پرامپت مشخص کنید؛ مانند 'Alice: Hello! Bob: Hi there!'.
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-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"
  }
}
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-tts.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt