Op den Inhalt sprangen

Gemini TTS

Integréieren

Modell-ID 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"

Dës Ufro: ≈0,03 $ 30 API-Kreditter Op dëser Säit ausféieren

API-Schlëssel kréien
Google Text zu Sprooch #text-to-speech#audio#gemini

Text-zu-Sprooch mat 30 Stëmmen, Dialog mat méi Spriecher, Stilufeelungen an enger Flash- oder Pro-Modellwiel

Google · Audio

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

•obligatoresch 50 / 50000

Sproochtext fir Gemini TTS, mat agebettne Instruktiounen an natierlecher Sprooch fir Stil, Tempo, Akzent an Emotioun, wéi bei 'Say cheerfully: Have a wonderful day!'. Inline-Markéierunge wéi [slowly], [whispering], [excited] an [extremely fast] steieren och Tempo a Stil. Méi Spriecher erfuerderen Zeilen, déi mat Aliasen aus dem speakers-Feld ufänken, zum Beispill 'Alice: Hello!\nBob: Hi!'.

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

Optional Instruktiounen an natierlecher Sprooch, getrennt vum geschwaten Inhalt, déi virum Prompt agefouert ginn, fir Expressivitéit, Akzent, Tempo, Toun an Emotioun ze formen. Beispiller sinn 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' an 'Whisper mysteriously'.

output_format Standard mp3

Format vum Output-Audio: mp3 liwwert kompriméiert, kompakt Dateien a gëtt recommandéiert; wav enthält onkompriméiert PCM an engem WAV-Container mat 24 kHz an 16-Bit-Mono-Audio; ogg_opus benotzt Opus an Ogg fir e gudde Gläichgewiicht tëscht Qualitéit a Gréisst.

Standard Kore

Stëmmewiel fir een eenzege Spriecher aus 30 verschiddene Presets; wann speakers gesat ass, ass dës Auswiel inaktiv. Beléift weiblech Optioune sinn Kore mat enger staarker a fester Ausliwwerung, Zephyr mat enger heller a kloerer Ausliwwerung an Aoede mat enger waarmer a melodescher Ausliwwerung; beléift männlech Optioune sinn Puck, energesch a lieweg, a Charon, roueg a professionell.

Standard gemini-2.5-flash-tts

Gemini-TTS-Modellauswiel. Fir déi héchst Qualitéit a strukturéierte Workflows wéi Audiobicher, Podcasts oder Clientssupport benotzt gemini-2.5-pro-tts.

Sprooch fir d'méisproocheg Synthes: loosst se ewech, fir datt de Modell d'Sprooch aus Ärem Text ofleet, oder gitt se un, fir den Output ze steieren. Ënnerstëtzt ginn 60+ Sproochen an der Preview an 24 an der GA.

Standard 1

Zoufällegkeet vun der Sprooch, vun enger fokusséierter, viraussiichtlecher Ausliwwerung bei niddregen Astellunge bis zu enger kreativer, variéierter Ausliwwerung bei héijen Astellungen.

Spriecherkonfiguratioun, ënnerstëtzt vu gemini-2.5-pro-tts a gemini-2.5-flash-tts, awer net vu gemini-2.5-flash-lite-preview-tts. Wann Dir se ugitt, kënnen ënnerschiddlech Stëmme verschidden Textpassagen liesen; gitt fir all Spriecher eng Stëmm an e speaker_id-Alias un, deen den entspriechende Prompt-Präfix entsprécht.

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

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer Gemini TTS

Konvertéiert bis zu 50,000 Zeeche Text a Sprooch. Wielt eng `voice` an de `model` gemini-2.5-flash-tts oder gemini-2.5-pro-tts. `style_instructions` (bis zu 4000 Zeechen) steiert d’Aussprooch; `speakers` akzeptéiert 2 bis 10 Entréeë fir Skripter mat méi Stëmmen. Optional `language_code`, `temperature` vun 0 bis 2 a wav-, mp3- oder ogg_opus-Ausgab.

Parameteren

NummTyp StandardErlaabt Beschreiwung
promptobligatoresch
Typstring
≤ 50.000 Zeechen
Sproochtext fir Gemini TTS, mat agebettne Instruktiounen an natierlecher Sprooch fir Stil, Tempo, Akzent an Emotioun, wéi bei 'Say cheerfully: Have a wonderful day!'. Inline-Markéierunge wéi [slowly], [whispering], [excited] an [extremely fast] steieren och Tempo a Stil. Méi Spriecher erfuerderen Zeilen, déi mat Aliasen aus dem speakers-Feld ufänken, zum Beispill 'Alice: Hello!\nBob: Hi!'.
style_instructionsoptional
Typstring | null
≤ 4.000 Zeechen
Optional Instruktiounen an natierlecher Sprooch, getrennt vum geschwaten Inhalt, déi virum Prompt agefouert ginn, fir Expressivitéit, Akzent, Tempo, Toun an Emotioun ze formen. Beispiller sinn 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' an 'Whisper mysteriously'.
voiceoptional
Typenum
StandardKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 méiLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Stëmmewiel fir een eenzege Spriecher aus 30 verschiddene Presets; wann speakers gesat ass, ass dës Auswiel inaktiv. Beléift weiblech Optioune sinn Kore mat enger staarker a fester Ausliwwerung, Zephyr mat enger heller a kloerer Ausliwwerung an Aoede mat enger waarmer a melodescher Ausliwwerung; beléift männlech Optioune sinn Puck, energesch a lieweg, a Charon, roueg a professionell.
modeloptional
Typenum
Standardgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Gemini-TTS-Modellauswiel. Fir déi héchst Qualitéit a strukturéierte Workflows wéi Audiobicher, Podcasts oder Clientssupport benotzt gemini-2.5-pro-tts.
language_codeoptional
Typenum
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 méiRussian (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)
Sprooch fir d'méisproocheg Synthes: loosst se ewech, fir datt de Modell d'Sprooch aus Ärem Text ofleet, oder gitt se un, fir den Output ze steieren. Ënnerstëtzt ginn 60+ Sproochen an der Preview an 24 an der GA.
speakersoptional
Typobject[]
≤ 10 Elementer≥ 2 Elementer
Spriecherkonfiguratioun, ënnerstëtzt vu gemini-2.5-pro-tts a gemini-2.5-flash-tts, awer net vu gemini-2.5-flash-lite-preview-tts. Wann Dir se ugitt, kënnen ënnerschiddlech Stëmme verschidden Textpassagen liesen; gitt fir all Spriecher eng Stëmm an e speaker_id-Alias un, deen den entspriechende Prompt-Präfix entsprécht.
speakers[].voiceobligatoresch
Typenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 méiLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Preset-Stëmm, déi dësem Spriecher zougewisen ass.
speakers[].speaker_idobligatoresch
Typstring
Spriecheralias mat nëmmen alphanumeresche Zeechen an ouni Leerzeechen. Identifizéiert de Spriecher, andeems Dir den Text mam Alias prefixéiert, wéi bei 'Alice: Hello! Bob: Hi there!'.
temperatureoptional
Typnumber
Standard1
0 – 2
Zoufällegkeet vun der Sprooch, vun enger fokusséierter, viraussiichtlecher Ausliwwerung bei niddregen Astellunge bis zu enger kreativer, variéierter Ausliwwerung bei héijen Astellungen.
output_formatoptional
Typenum
Standardmp3
wavmp3ogg_opus
Format vum Output-Audio: mp3 liwwert kompriméiert, kompakt Dateien a gëtt recommandéiert; wav enthält onkompriméiert PCM an engem WAV-Container mat 24 kHz an 16-Bit-Mono-Audio; ogg_opus benotzt Opus an Ogg fir e gudde Gläichgewiicht tëscht Qualitéit a Gréisst.
obligatoresch

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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
audio
object {url, content_type, file_name, file_size}Audio-Datei, déi duerch d'Generatioun erstallt gouf.

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/gemini-tts.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt