Aqbeż għall-kontenut

Gemini TTS

Integra

Id tal-mudell 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"

Din it-talba: ≈$0.03 30 krediti tal-API Ħaddmu f’din il-paġna

Ikseb ċavetta API
Google Test għal diskors #text-to-speech#audio#gemini

Text-to-speech bi 30 vuċi, djalogu b’diversi kelliema, istruzzjonijiet tal-istil u għażla ta’ mudell Flash jew Pro

Google · Awdjo

L-ewwel riżultat tiegħek jidher hawn

Ibni talba hawn taħt u ħaddimha biċ-ċavetta API tiegħek. L-outputs jiġu kkupjati fil-ħażna tagħna, miżmuma għal dejjem jew 7 ijiem b’xejn.

Ibni talba

Il-kontrolli jiġu ġġenerati mill-iskema tal-mudell. Il-kodiċi u l-prezz jaġġornaw hekk kif tibdilhom.

•meħtieġ 50 / 50000

Test tad-diskors għal Gemini TTS, li jaċċetta direzzjonijiet inkorporati b'lingwa naturali għall-istil, il-pass, l-aċċent u l-emozzjoni, bħal 'Say cheerfully: Have a wonderful day!'. Markers inline inklużi [slowly], [whispering], [excited], u [extremely fast] jikkontrollaw ukoll il-pass u l-istil. Diversi kelliema jeħtieġu linji li jibdew b'aliases mill-qasam speakers, pereżempju 'Alice: Hello!\nBob: Hi!'.

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

Direzzjonijiet fakultattivi b'lingwa naturali, miżmuma separati mill-kontenut mitkellem u mdaħħla qabel il-prompt biex jiffurmaw l-espressività, l-aċċent, il-pass, it-ton u l-emozzjoni. Eżempji jinkludu 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', u 'Whisper mysteriously'.

output_format prestabbilit mp3

Format għall-awdjo tal-output: mp3 jipprovdi fajls kompressi u kompatti u huwa rakkomandat; wav fih PCM mhux ikkompressat f'kontenitur WAV b'24 kHz u awdjo mono ta' 16-bit; ogg_opus juża Opus ġewwa Ogg għal bilanċ tajjeb bejn il-kwalità u d-daqs.

prestabbilit Kore

Għażla ta' vuċi għal kelliem wieħed minn 30 preset distint; l-issettjar ta' speakers jagħmel din l-għażla inattiva. Għażliet femminili popolari huma Kore, b'kunsinna qawwija u soda, Zephyr, b'kunsinna ċara u brillanti, u Aoede, b'kunsinna sħuna u melodika; għażliet maskili popolari huma Puck, ferrieħa u vivaċi, u Charon, kalma u professjonali.

prestabbilit gemini-2.5-flash-tts

Għażla tal-mudell Gemini TTS. Għall-ogħla kwalità fi flussi tax-xogħol strutturati bħal audiobooks, podcasts jew appoġġ għall-klijenti, uża gemini-2.5-pro-tts.

Lingwa tad-diskors għas-sintesi multilingwi: ħalliha barra biex il-mudell jiddeduċi l-lingwa mit-test tiegħek, jew ipprovdiha biex tiggwida l-output mitkellem. Il-kopertura tinkludi 60+ lingwa fil-Preview u 24 fil-GA.

prestabbilit 1

設定 tal-każwalità tad-diskors, li tvarja minn kunsinna ffukata u prevedibbli f'issettjar baxx għal kunsinna kreattiva u varjata f'issettjar għoli.

Konfigurazzjoni tal-kelliem appoġġata minn gemini-2.5-pro-tts u gemini-2.5-flash-tts, iżda mhux minn gemini-2.5-flash-lite-preview-tts. L-għoti tagħha jippermetti vuċijiet differenti jaqraw partijiet differenti tat-test; għal kull kelliem, ipprovdi vuċi u alias speaker_id li jikkorrispondi mal-prefissi tal-prompt tiegħu.

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

Ħaddem din it-talba

Iċ-ċavetta tiegħek tibqa’ f’dan il-browser: tintbagħat biss lid-Doitong API u tiġi ssejvjata (localStorage) biss jekk timmarka Ftakar. Ikseb ċavetta API

Dwar Gemini TTS

Jikkonverti sa 50,000 karattru ta’ test f’diskors. Agħżel `voice`, u `model` gemini-2.5-flash-tts jew gemini-2.5-pro-tts. `style_instructions` (sa 4000 karattru) jiggwida t-twassil, u `speakers` jaċċetta 2 sa 10 entries għal skripts b’diversi vuċijiet. `language_code` fakultattiv, `temperature` 0 sa 2, u output wav, mp3 jew ogg_opus.

Parametri

IsemTip PrestabbilitPermess Deskrizzjoni
promptmeħtieġ
Tipstring
≤ 50,000 karattri
Test tad-diskors għal Gemini TTS, li jaċċetta direzzjonijiet inkorporati b'lingwa naturali għall-istil, il-pass, l-aċċent u l-emozzjoni, bħal 'Say cheerfully: Have a wonderful day!'. Markers inline inklużi [slowly], [whispering], [excited], u [extremely fast] jikkontrollaw ukoll il-pass u l-istil. Diversi kelliema jeħtieġu linji li jibdew b'aliases mill-qasam speakers, pereżempju 'Alice: Hello!\nBob: Hi!'.
style_instructionsmhux obbligatorju
Tipstring | null
≤ 4,000 karattri
Direzzjonijiet fakultattivi b'lingwa naturali, miżmuma separati mill-kontenut mitkellem u mdaħħla qabel il-prompt biex jiffurmaw l-espressività, l-aċċent, il-pass, it-ton u l-emozzjoni. Eżempji jinkludu 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', u 'Whisper mysteriously'.
voicemhux obbligatorju
Tipenum
PrestabbilitKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 oħraLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Għażla ta' vuċi għal kelliem wieħed minn 30 preset distint; l-issettjar ta' speakers jagħmel din l-għażla inattiva. Għażliet femminili popolari huma Kore, b'kunsinna qawwija u soda, Zephyr, b'kunsinna ċara u brillanti, u Aoede, b'kunsinna sħuna u melodika; għażliet maskili popolari huma Puck, ferrieħa u vivaċi, u Charon, kalma u professjonali.
modelmhux obbligatorju
Tipenum
Prestabbilitgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Għażla tal-mudell Gemini TTS. Għall-ogħla kwalità fi flussi tax-xogħol strutturati bħal audiobooks, podcasts jew appoġġ għall-klijenti, uża gemini-2.5-pro-tts.
language_codemhux obbligatorju
Tipenum
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 oħraRussian (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)
Lingwa tad-diskors għas-sintesi multilingwi: ħalliha barra biex il-mudell jiddeduċi l-lingwa mit-test tiegħek, jew ipprovdiha biex tiggwida l-output mitkellem. Il-kopertura tinkludi 60+ lingwa fil-Preview u 24 fil-GA.
speakersmhux obbligatorju
Tipobject[]
≤ 10 oġġetti≥ 2 oġġetti
Konfigurazzjoni tal-kelliem appoġġata minn gemini-2.5-pro-tts u gemini-2.5-flash-tts, iżda mhux minn gemini-2.5-flash-lite-preview-tts. L-għoti tagħha jippermetti vuċijiet differenti jaqraw partijiet differenti tat-test; għal kull kelliem, ipprovdi vuċi u alias speaker_id li jikkorrispondi mal-prefissi tal-prompt tiegħu.
speakers[].voicemeħtieġ
Tipenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 oħraLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Vuċi preset assenjata lil dan il-kelliem.
speakers[].speaker_idmeħtieġ
Tipstring
Alias tal-kelliem li fih biss karattri alfanumeriċi u l-ebda spazju. Identifika lill-kelliem billi tqiegħed dan l-alias bħala prefiss tat-test tal-prompt, bħal 'Alice: Hello! Bob: Hi there!'.
temperaturemhux obbligatorju
Tipnumber
Prestabbilit1
0 – 2
設定 tal-każwalità tad-diskors, li tvarja minn kunsinna ffukata u prevedibbli f'issettjar baxx għal kunsinna kreattiva u varjata f'issettjar għoli.
output_formatmhux obbligatorju
Tipenum
Prestabbilitmp3
wavmp3ogg_opus
Format għall-awdjo tal-output: mp3 jipprovdi fajls kompressi u kompatti u huwa rakkomandat; wav fih PCM mhux ikkompressat f'kontenitur WAV b'24 kHz u awdjo mono ta' 16-bit; ogg_opus juża Opus ġewwa Ogg għal bilanċ tajjeb bejn il-kwalità u d-daqs.
meħtieġ

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"
  }
}
Il-fajls tiegħek, l-għażla tiegħekKull outputs[].url huwa kopja fil-ħażna tagħna: miżmuma għal dejjem (imħallsa għal kull GB-xahar) jew 7 ijiem b’xejn, skont l-issettjar tal-kont tiegħek jew ?storage=.
L-istess struttura fuq kull mudelltype, url, content_type, width, height u duration, kemm għall-immaġnijiet kif ukoll għall-vidjo u l-awdjo. output huwa l-oġġett tar-riżultat tal-mudell innifsu.
Oqsma tal-output
audio
object {url, content_type, file_name, file_size}Fajl awdjo prodott mill-ġenerazzjoni.

Għall-aġenti tal-AI: din il-paġna bħala Markdown tinsab fuq https://doitong.com/mt/developers/models/gemini-tts.md. Il-mudelli u l-gwidi kollha: https://doitong.com/developers/llms.txt