Leum chun t-susbaint

Gemini TTS

Amalaich

ID a’ mhodail 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"

An t-iarrtas seo: ≈$0.03 30 creideasan API Ruith e air an duilleig seo

Faigh iuchair API
Google Teacsa gu Òraid #text-to-speech#audio#gemini

Teacsa-gu-cainnt le 30 guthan, còmhradh ioma-labhairt, stiùiridhean stoidhle agus roghainn modail Flash no Pro

Google · Fuaim

Thèid a’ chiad toradh agad an-seo

Tog iarrtas gu h-ìosal agus ruith e leis an iuchair API agad. Tha na h-às-churan air an lethbhreacadh dhan stòradh againn, air an cumail gu bràth no 7 latha an-asgaidh.

Tog iarrtas

Tha na smachdan air an cruthachadh bho sgeama a’ mhodail. Bidh an còd agus a’ phrìs ag ùrachadh fhad ’s a dh’atharraicheas tu iad.

•riatanach 50 / 50000

Teacsa cainnte airson Gemini TTS, a’ gabhail ri stiùiridhean cànain nàdarra freumhaichte airson stoidhle, astar, blas agus faireachdainn, leithid 'Say cheerfully: Have a wonderful day!'. Bidh comharran in-loidhne leithid [slowly], [whispering], [excited], agus [extremely fast] cuideachd a’ smachdachadh astair is stoidhle. Feumaidh iomadh labhraiche loidhnichean a thòisicheas le aliasan bhon raon speakers, mar eisimpleir 'Alice: Hello!\nBob: Hi!'.

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

Stiùiridhean cànain nàdarra roghainneil, air an cumail air leth bhon t-susbaint labhairte agus air an cur ron prompt gus brìoghmhorachd, blas, astar, tòna agus faireachdainn a chumadh. Am measg nan eisimpleirean tha 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', agus 'Whisper mysteriously'.

output_format bun-roghainn mp3

Cruth na claisneachd às-chuir: tha mp3 a’ toirt seachad faidhlichean teannaichte agus dlùth agus thathar ga mholadh; tha wav a’ gabhail a-steach PCM neo-theannaichte ann an soitheach WAV aig 24 kHz le claisneachd mono 16-bit; tha ogg_opus a’ cleachdadh Opus am broinn Ogg airson cothromachadh math eadar càileachd is meud.

bun-roghainn Kore

Taghadh guth aon-labhraiche bho 30 ro-shuidheachadh eadar-dhealaichte; bidh suidheachadh speakers a’ cur an taghaidh seo à gnìomh. Am measg nan roghainnean boireann mòr-chòrdte tha Kore, le lìbhrigeadh làidir is daingeann, Zephyr, le lìbhrigeadh shoilleir, agus Aoede, le lìbhrigeadh blàth is binn; am measg nan roghainnean fireann tha Puck, sunndach is beòthail, agus Charon, socair is proifeiseanta.

bun-roghainn gemini-2.5-flash-tts

Taghadh modail Gemini TTS. Airson a’ chàileachd as àirde ann an sruthan-obrach structaraichte leithid leabhraichean-èisteachd, podcastan no taic do luchd-ceannach, cleachd gemini-2.5-pro-tts.

Cànan cainnte airson co-chur-cainnte ioma-chànanach: fàg às e gus leigeil leis a’ mhodail an cànan a thomhas bhon teacsa agad, no thoir seachad e gus an às-chur labhairte a stiùireadh. Tha còmhdach a’ gabhail a-steach 60+ cànan ann an Preview agus 24 ann an GA.

bun-roghainn 1

Suidheachadh air thuaiream na cainnte, bho lìbhrigeadh cuimsichte agus ro-innsichte aig na suidheachaidhean ìosal gu lìbhrigeadh chruthachail is caochlaideach aig na suidheachaidhean àrda.

Rèiteachadh labhraiche le taic bho gemini-2.5-pro-tts agus gemini-2.5-flash-tts, ach chan ann bho gemini-2.5-flash-lite-preview-tts. Le bhith ga thoirt seachad leigidh sin le guthan eadar-dhealaichte earrannan eadar-dhealaichte den teacsa a leughadh; airson gach labhraiche, thoir seachad guth agus alias speaker_id a fhreagras ri ro-leasachain prompt an labhraiche sin.

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

Ruith an t-iarrtas seo

Fuirichidh an iuchair agad sa bhrobhsair seo: thèid a cur chun Doitong API a-mhàin agus a sàbhaladh (localStorage) a-mhàin ma chuireas tu comharra ri Cuimhnich. Faigh iuchair API

Mu Gemini TTS

Tionndaidhidh e suas ri 50,000 caractar teacsa gu cainnt. Tagh `voice` agus `model` gemini-2.5-flash-tts no gemini-2.5-pro-tts. Bidh `style_instructions` (suas ri 4000 caractar) a’ stiùireadh an lìbhrigidh, agus gabhaidh `speakers` ri 2 gu 10 inntrigidhean airson sgriobtaichean ioma-ghutha. Tha `language_code` roghainneil, `temperature` 0 gu 2, agus toradh wav, mp3 no ogg_opus rim faighinn.

Paramadairean

AinmSeòrsa Bun-roghainnCeadaichte Tuairisgeul
promptriatanach
Seòrsastring
≤ 50,000 caractar
Teacsa cainnte airson Gemini TTS, a’ gabhail ri stiùiridhean cànain nàdarra freumhaichte airson stoidhle, astar, blas agus faireachdainn, leithid 'Say cheerfully: Have a wonderful day!'. Bidh comharran in-loidhne leithid [slowly], [whispering], [excited], agus [extremely fast] cuideachd a’ smachdachadh astair is stoidhle. Feumaidh iomadh labhraiche loidhnichean a thòisicheas le aliasan bhon raon speakers, mar eisimpleir 'Alice: Hello!\nBob: Hi!'.
style_instructionsroghainneil
Seòrsastring | null
≤ 4,000 caractar
Stiùiridhean cànain nàdarra roghainneil, air an cumail air leth bhon t-susbaint labhairte agus air an cur ron prompt gus brìoghmhorachd, blas, astar, tòna agus faireachdainn a chumadh. Am measg nan eisimpleirean tha 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', agus 'Whisper mysteriously'.
voiceroghainneil
Seòrsaenum
Bun-roghainnKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 eileLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Taghadh guth aon-labhraiche bho 30 ro-shuidheachadh eadar-dhealaichte; bidh suidheachadh speakers a’ cur an taghaidh seo à gnìomh. Am measg nan roghainnean boireann mòr-chòrdte tha Kore, le lìbhrigeadh làidir is daingeann, Zephyr, le lìbhrigeadh shoilleir, agus Aoede, le lìbhrigeadh blàth is binn; am measg nan roghainnean fireann tha Puck, sunndach is beòthail, agus Charon, socair is proifeiseanta.
modelroghainneil
Seòrsaenum
Bun-roghainngemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Taghadh modail Gemini TTS. Airson a’ chàileachd as àirde ann an sruthan-obrach structaraichte leithid leabhraichean-èisteachd, podcastan no taic do luchd-ceannach, cleachd gemini-2.5-pro-tts.
language_coderoghainneil
Seòrsaenum
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 eileRussian (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)
Cànan cainnte airson co-chur-cainnte ioma-chànanach: fàg às e gus leigeil leis a’ mhodail an cànan a thomhas bhon teacsa agad, no thoir seachad e gus an às-chur labhairte a stiùireadh. Tha còmhdach a’ gabhail a-steach 60+ cànan ann an Preview agus 24 ann an GA.
speakersroghainneil
Seòrsaobject[]
≤ 10 nì≥ 2 nì
Rèiteachadh labhraiche le taic bho gemini-2.5-pro-tts agus gemini-2.5-flash-tts, ach chan ann bho gemini-2.5-flash-lite-preview-tts. Le bhith ga thoirt seachad leigidh sin le guthan eadar-dhealaichte earrannan eadar-dhealaichte den teacsa a leughadh; airson gach labhraiche, thoir seachad guth agus alias speaker_id a fhreagras ri ro-leasachain prompt an labhraiche sin.
speakers[].voiceriatanach
Seòrsaenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 eileLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Guth ro-shuidhichte a chaidh a shònrachadh don labhraiche seo.
speakers[].speaker_idriatanach
Seòrsastring
Alias labhraiche anns nach eil ach caractaran alphanumeric agus gun àite geal. Comharraich an labhraiche le bhith a’ cur an alias ro theacsa a’ phrompt aca, mar ann an 'Alice: Hello! Bob: Hi there!'.
temperatureroghainneil
Seòrsanumber
Bun-roghainn1
0 – 2
Suidheachadh air thuaiream na cainnte, bho lìbhrigeadh cuimsichte agus ro-innsichte aig na suidheachaidhean ìosal gu lìbhrigeadh chruthachail is caochlaideach aig na suidheachaidhean àrda.
output_formatroghainneil
Seòrsaenum
Bun-roghainnmp3
wavmp3ogg_opus
Cruth na claisneachd às-chuir: tha mp3 a’ toirt seachad faidhlichean teannaichte agus dlùth agus thathar ga mholadh; tha wav a’ gabhail a-steach PCM neo-theannaichte ann an soitheach WAV aig 24 kHz le claisneachd mono 16-bit; tha ogg_opus a’ cleachdadh Opus am broinn Ogg airson cothromachadh math eadar càileachd is meud.
riatanach

Toradh

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"
  }
}
Na faidhlichean agad, do roghainnTha gach outputs[].url na lethbhreac air an stòradh againn: air a chumail gu bràth (air a phàigheadh gach GB-mìos) no 7 latha an-asgaidh, a rèir suidheachadh a’ chunntais agad no ?storage=.
An aon chruth air gach modailtype, url, content_type, width, height agus duration, airson dealbhan, bhidio agus fuaim le chèile. ’S e output nì toraidh a’ mhodail fhèin.
Raointean toraidh
audio
object {url, content_type, file_name, file_size}Faidhle claisneachd a chaidh a chruthachadh le gineadh.

Do riochdairean AI: tha an duilleag seo mar Markdown aig https://doitong.com/gd/developers/models/gemini-tts.md. Na modailean agus na treòraichean uile: https://doitong.com/developers/llms.txt