Sleppa yfir í efni

Gemini TTS

Tengja

Auðkenni líkans 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"

Þessi beiðni: ≈0,03 $ 30 API-inneignir Keyra á þessari síðu

Fá API-lykil
Google Texti í tal #text-to-speech#audio#gemini

Texta-í-tal með 30 röddum, samræðum margra talenda, stílleiðbeiningum og vali á Flash- eða Pro-líkani

Google · Hljóð

Fyrsta niðurstaðan þín birtist hér

Búðu til beiðni hér að neðan og keyrðu hana með API-lyklinum þínum. Úttök eru afrituð í geymsluna okkar og geymd að eilífu eða 7 dagar án kostnaðar.

Búa til beiðni

Stýringar eru búnar til út frá líkanaskemanu. Kóðinn og verðið uppfærast þegar þú breytir þeim.

•áskilið 50 / 50000

Talmál fyrir Gemini TTS, með innfelldum leiðbeiningum á náttúrulegu máli um stíl, hraða, hreim og tilfinningu, eins og 'Say cheerfully: Have a wonderful day!'. Innfelld merki á borð við [slowly], [whispering], [excited], og [extremely fast] stýra einnig hraða og stíl. Margir hátalarar krefjast lína sem byrja á samheitum úr speakers-reitnum, til dæmis 'Alice: Hello!\nBob: Hi!'.

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

Valfrjálsar leiðbeiningar á náttúrulegu máli sem eru aðskildar frá töluðu efni og settar fyrir framan kvaðninguna til að móta tjáningu, hreim, hraða, tón og tilfinningu. Dæmi eru 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', og 'Whisper mysteriously'.

output_format sjálfgefið mp3

Snið úttakshljóðs: mp3 gefur þjappaðar og fyrirferðarlitlar skrár og er mælt með því; wav inniheldur óþjappað PCM í WAV-gámi við 24 kHz með 16-bita mónóhljóði; og ogg_opus notar Opus innan Ogg fyrir gott jafnvægi milli gæða og stærðar.

sjálfgefið Kore

Val á rödd eins hátalara úr 30 mismunandi forstillingum; þegar speakers er stillt verður þetta val óvirkt. Vinsælar kvenraddir eru Kore, með sterkum og ákveðnum flutningi, Zephyr, með björtum og skýrum flutningi, og Aoede, með hlýjum og melódískum flutningi; vinsælar karlaraddir eru Puck, lífleg og fjörug, og Charon, róleg og fagleg.

sjálfgefið gemini-2.5-flash-tts

Val á Gemini TTS-líkani. Fyrir bestu gæði í skipulögðu verkflæði, svo sem hljóðbókum, hlaðvörpum eða þjónustuveri, skal nota gemini-2.5-pro-tts.

Tungumál tals fyrir fjöltyngda talgervingu: slepptu því til að láta líkanið álykta tungumálið út frá textanum eða gefðu það upp til að stýra talaða úttakinu. Stuðningur nær yfir 60+ tungumál í Preview og 24 í GA.

sjálfgefið 1

Slembistilling tals; áhrifin ná frá einbeittum og fyrirsjáanlegum flutningi við lágar stillingar til skapandi og fjölbreytts flutnings við háar stillingar.

Hátalarastilling sem gemini-2.5-pro-tts og gemini-2.5-flash-tts styðja, en ekki gemini-2.5-flash-lite-preview-tts. Með því að gefa hana upp geta mismunandi raddir lesið mismunandi hluta textans; fyrir hvern hátalara skal gefa upp rödd og speaker_id-samheiti sem samsvarar forskeytum kvaðningar hans.

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

Keyra þessa beiðni

Lykillinn þinn er áfram í þessum vafra: hann er aðeins sendur til Doitong API og vistaður í localStorage aðeins ef þú hakar við Muna. Fá API-lykil

Um Gemini TTS

Breytir allt að 50,000 stöfum af texta í tal. Veldu `voice` og `model` gemini-2.5-flash-tts eða gemini-2.5-pro-tts. `style_instructions` (allt að 4000 stafir) stýrir framsögn og `speakers` tekur við 2 til 10 færslum fyrir handrit með mörgum röddum. Valfrjálst `language_code`, `temperature` 0 til 2 og wav-, mp3- eða ogg_opus-úttak.

Færibreytur

HeitiGerð SjálfgefiðLeyfilegt Lýsing
promptáskilið
Gerðstring
≤ 50.000 stafir
Talmál fyrir Gemini TTS, með innfelldum leiðbeiningum á náttúrulegu máli um stíl, hraða, hreim og tilfinningu, eins og 'Say cheerfully: Have a wonderful day!'. Innfelld merki á borð við [slowly], [whispering], [excited], og [extremely fast] stýra einnig hraða og stíl. Margir hátalarar krefjast lína sem byrja á samheitum úr speakers-reitnum, til dæmis 'Alice: Hello!\nBob: Hi!'.
style_instructionsvalfrjálst
Gerðstring | null
≤ 4.000 stafir
Valfrjálsar leiðbeiningar á náttúrulegu máli sem eru aðskildar frá töluðu efni og settar fyrir framan kvaðninguna til að móta tjáningu, hreim, hraða, tón og tilfinningu. Dæmi eru 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', og 'Whisper mysteriously'.
voicevalfrjálst
Gerðenum
SjálfgefiðKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 í viðbótLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Val á rödd eins hátalara úr 30 mismunandi forstillingum; þegar speakers er stillt verður þetta val óvirkt. Vinsælar kvenraddir eru Kore, með sterkum og ákveðnum flutningi, Zephyr, með björtum og skýrum flutningi, og Aoede, með hlýjum og melódískum flutningi; vinsælar karlaraddir eru Puck, lífleg og fjörug, og Charon, róleg og fagleg.
modelvalfrjálst
Gerðenum
Sjálfgefiðgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Val á Gemini TTS-líkani. Fyrir bestu gæði í skipulögðu verkflæði, svo sem hljóðbókum, hlaðvörpum eða þjónustuveri, skal nota gemini-2.5-pro-tts.
language_codevalfrjálst
Gerðenum
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 í viðbótRussian (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)
Tungumál tals fyrir fjöltyngda talgervingu: slepptu því til að láta líkanið álykta tungumálið út frá textanum eða gefðu það upp til að stýra talaða úttakinu. Stuðningur nær yfir 60+ tungumál í Preview og 24 í GA.
speakersvalfrjálst
Gerðobject[]
≤ 10 atriði≥ 2 atriði
Hátalarastilling sem gemini-2.5-pro-tts og gemini-2.5-flash-tts styðja, en ekki gemini-2.5-flash-lite-preview-tts. Með því að gefa hana upp geta mismunandi raddir lesið mismunandi hluta textans; fyrir hvern hátalara skal gefa upp rödd og speaker_id-samheiti sem samsvarar forskeytum kvaðningar hans.
speakers[].voiceáskilið
Gerðenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 í viðbótLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Forstillt rödd sem er úthlutað þessum hátalara.
speakers[].speaker_idáskilið
Gerðstring
Samheiti hátalara sem inniheldur aðeins bókstafi og tölustafi og ekkert bil. Auðkenndu hátalarann með því að setja þetta samheiti fremst í kvaðningartextann, eins og í 'Alice: Hello! Bob: Hi there!'.
temperaturevalfrjálst
Gerðnumber
Sjálfgefið1
0 – 2
Slembistilling tals; áhrifin ná frá einbeittum og fyrirsjáanlegum flutningi við lágar stillingar til skapandi og fjölbreytts flutnings við háar stillingar.
output_formatvalfrjálst
Gerðenum
Sjálfgefiðmp3
wavmp3ogg_opus
Snið úttakshljóðs: mp3 gefur þjappaðar og fyrirferðarlitlar skrár og er mælt með því; wav inniheldur óþjappað PCM í WAV-gámi við 24 kHz með 16-bita mónóhljóði; og ogg_opus notar Opus innan Ogg fyrir gott jafnvægi milli gæða og stærðar.
áskilið

Úttak

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"
  }
}
Skrárnar þínar, þitt valHvert outputs[].url er afrit í geymslunni okkar: geymt að eilífu (greitt fyrir hvert GB-mánuðargildi) eða 7 dagar án kostnaðar, eftir stillingu aðgangsins þíns eða ?storage=.
Sama lögun í öllum líkönumtype, url, content_type, width, height og duration, jafnt fyrir myndir, myndbönd og hljóð. output er eigið niðurstöðuhlutur líkansins.
Reitir úttaks
audio
object {url, content_type, file_name, file_size}Hljóðskrá sem verður til við efnisgerð.

Fyrir gervigreindarþjóna: þessi síða á Markdown-sniði er á https://doitong.com/is/developers/models/gemini-tts.md. Öll líkön og leiðbeiningar: https://doitong.com/developers/llms.txt