Lumaktaw sa nilalaman

Gemini TTS

I-integrate

ID ng 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"

Kahilingang ito: ≈$0.03 30 kredito ng API Patakbuhin ito sa page na ito

Kumuha ng API key
Google Text patungong Speech #text-to-speech#audio#gemini

Text-to-speech na may 30 boses, dialogue ng maraming speaker, mga tagubilin sa estilo at pagpipiliang Flash o Pro na modelo

Google · audio

Dito mapupunta ang iyong unang resulta

Bumuo ng kahilingan sa ibaba at patakbuhin ito gamit ang iyong API key. Kinokopya ang mga output sa aming storage, na pinananatili nang walang hanggan o 7 araw nang libre.

Bumuo ng kahilingan

Ang mga control ay binubuo mula sa schema ng modelo. Nagbabago ang code at presyo habang ina-adjust mo ang mga ito.

•kinakailangan 50 / 50000

Speech text para sa Gemini TTS, na tumatanggap ng naka-embed na direksyon sa natural na wika para sa style, pace, accent, at emotion, gaya ng 'Say cheerfully: Have a wonderful day!'. Kinokontrol din ng mga inline marker kabilang ang [slowly], [whispering], [excited], at [extremely fast] ang pace at style. Nangangailangan ang maraming speaker ng mga linyang nagsisimula sa alias mula sa speakers field, halimbawa 'Alice: Hello!\nBob: Hi!'.

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

Opsyonal na direksyon sa natural na wika na hiwalay sa binibigkas na content at ipinapasok bago ang prompt upang hubugin ang expressiveness, accent, pace, tone, at emotion. Kabilang sa mga halimbawa ang 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', at 'Whisper mysteriously'.

output_format default na mp3

Format ng output na audio: nagbibigay ang mp3 ng compressed at compact na file at inirerekomenda; naglalaman ang wav ng uncompressed PCM sa WAV container sa 24 kHz na may 16-bit mono audio; gumagamit ang ogg_opus ng Opus sa loob ng Ogg para sa magandang balanse ng kalidad at laki.

default na Kore

Pagpili ng boses ng iisang speaker mula sa 30 magkakaibang preset; nagiging inactive ang pagpiling ito kapag itinakda ang speakers. Kabilang sa mga sikat na opsyon para sa babae ang Kore, na malakas at matatag ang delivery, Zephyr, na maliwanag at malinaw ang delivery, at Aoede, na mainit at melodiko ang delivery; kabilang sa mga sikat na opsyon para sa lalaki ang Puck, masigla at buhay na buhay, at Charon, kalmado at propesyonal.

default na gemini-2.5-flash-tts

Pagpili ng modelo ng Gemini TTS. Para sa pinakamataas na kalidad sa structured workflow gaya ng audiobook, podcast, o customer support, gamitin ang gemini-2.5-pro-tts.

Wika ng speech para sa multilingual synthesis: huwag itong isama upang hayaan ang modelo na tukuyin ang wika mula sa text, o ibigay ito upang gabayan ang spoken output. Kasama sa saklaw ang 60+ wika sa Preview at 24 sa GA.

default na 1

Setting ng randomness ng speech, mula sa focused at predictable na delivery sa mababang setting hanggang sa creative at iba-ibang delivery sa mataas na setting.

Speaker configuration na sinusuportahan ng gemini-2.5-pro-tts at gemini-2.5-flash-tts, ngunit hindi ng gemini-2.5-flash-lite-preview-tts. Kapag ibinigay, nagpapahintulot ito sa iba't ibang boses na bumasa ng magkakahiwalay na bahagi ng text; para sa bawat speaker, magbigay ng boses at speaker_id alias na tumutugma sa mga prefix ng prompt ng speaker na iyon.

POST /run/gemini-tts?wait=20 presyo → $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"

Patakbuhin ang kahilingang ito

Nananatili ang iyong key sa browser na ito: ipinapadala lamang ito sa Doitong API at sine-save (localStorage) lamang kung pipiliin mo ang Tandaan. Kumuha ng API key

Tungkol sa Gemini TTS

Kino-convert ang hanggang 50,000 character ng teksto sa speech. Pumili ng `voice`, at `model` na gemini-2.5-flash-tts o gemini-2.5-pro-tts. Ginagabayan ng `style_instructions` (hanggang 4000 character) ang delivery, at tumatanggap ang `speakers` ng 2 hanggang 10 entry para sa script na maraming boses. Opsyonal ang `language_code`, `temperature` na 0 hanggang 2, at wav, mp3 o ogg_opus na output.

Mga parameter

PangalanUri defaultPinapayagan Paglalarawan
promptkinakailangan
Uristring
≤ 50,000 character
Speech text para sa Gemini TTS, na tumatanggap ng naka-embed na direksyon sa natural na wika para sa style, pace, accent, at emotion, gaya ng 'Say cheerfully: Have a wonderful day!'. Kinokontrol din ng mga inline marker kabilang ang [slowly], [whispering], [excited], at [extremely fast] ang pace at style. Nangangailangan ang maraming speaker ng mga linyang nagsisimula sa alias mula sa speakers field, halimbawa 'Alice: Hello!\nBob: Hi!'.
style_instructionsopsyonal
Uristring | null
≤ 4,000 character
Opsyonal na direksyon sa natural na wika na hiwalay sa binibigkas na content at ipinapasok bago ang prompt upang hubugin ang expressiveness, accent, pace, tone, at emotion. Kabilang sa mga halimbawa ang 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', at 'Whisper mysteriously'.
voiceopsyonal
Urienum
defaultKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 paLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Pagpili ng boses ng iisang speaker mula sa 30 magkakaibang preset; nagiging inactive ang pagpiling ito kapag itinakda ang speakers. Kabilang sa mga sikat na opsyon para sa babae ang Kore, na malakas at matatag ang delivery, Zephyr, na maliwanag at malinaw ang delivery, at Aoede, na mainit at melodiko ang delivery; kabilang sa mga sikat na opsyon para sa lalaki ang Puck, masigla at buhay na buhay, at Charon, kalmado at propesyonal.
modelopsyonal
Urienum
defaultgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Pagpili ng modelo ng Gemini TTS. Para sa pinakamataas na kalidad sa structured workflow gaya ng audiobook, podcast, o customer support, gamitin ang gemini-2.5-pro-tts.
language_codeopsyonal
Urienum
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 paRussian (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)
Wika ng speech para sa multilingual synthesis: huwag itong isama upang hayaan ang modelo na tukuyin ang wika mula sa text, o ibigay ito upang gabayan ang spoken output. Kasama sa saklaw ang 60+ wika sa Preview at 24 sa GA.
speakersopsyonal
Uriobject[]
≤ 10 item≥ 2 item
Speaker configuration na sinusuportahan ng gemini-2.5-pro-tts at gemini-2.5-flash-tts, ngunit hindi ng gemini-2.5-flash-lite-preview-tts. Kapag ibinigay, nagpapahintulot ito sa iba't ibang boses na bumasa ng magkakahiwalay na bahagi ng text; para sa bawat speaker, magbigay ng boses at speaker_id alias na tumutugma sa mga prefix ng prompt ng speaker na iyon.
speakers[].voicekinakailangan
Urienum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 paLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Preset na boses na itinalaga sa speaker na ito.
speakers[].speaker_idkinakailangan
Uristring
Alias ng speaker na naglalaman lamang ng mga alphanumeric character at walang whitespace. Tukuyin ang speaker sa pamamagitan ng paglalagay ng alias na ito bilang prefix ng prompt text, gaya ng 'Alice: Hello! Bob: Hi there!'.
temperatureopsyonal
Urinumber
default1
0 – 2
Setting ng randomness ng speech, mula sa focused at predictable na delivery sa mababang setting hanggang sa creative at iba-ibang delivery sa mataas na setting.
output_formatopsyonal
Urienum
defaultmp3
wavmp3ogg_opus
Format ng output na audio: nagbibigay ang mp3 ng compressed at compact na file at inirerekomenda; naglalaman ang wav ng uncompressed PCM sa WAV container sa 24 kHz na may 16-bit mono audio; gumagamit ang ogg_opus ng Opus sa loob ng Ogg para sa magandang balanse ng kalidad at laki.
kinakailangan

Output

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"
  }
}
Ikaw ang pumipili para sa iyong mga fileAng bawat outputs[].url ay kopya sa aming storage: pinananatili nang walang hanggan (sinisingil bawat GB-month) o 7 araw nang libre, ayon sa setting ng iyong account o ?storage=.
Parehong shape sa bawat modelotype, url, content_type, width, height at duration, para sa mga larawan, video at audio. Ang output ay sariling result object ng modelo.
Mga field ng output
audio
object {url, content_type, file_name, file_size}Audio file na ginawa sa pagbuo.

Para sa mga AI agent: nasa Markdown ang pahinang ito sa https://doitong.com/fil/developers/models/gemini-tts.md. Lahat ng modelo at gabay: https://doitong.com/developers/llms.txt