အကြောင်းအရာသို့ ကျော်ရန်

Gemini TTS

ပေါင်းစည်းရန်

မော်ဒယ် 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"

ဤတောင်းဆိုချက်: ≈၀.၀၃ $ ၃၀ API ခရက်ဒစ် ဤစာမျက်နှာတွင် လုပ်ဆောင်ရန်

API ကီး ရယူရန်
Google စာသားမှ အသံ #text-to-speech#audio#gemini

အသံ 30 မျိုး၊ စပီကာများစွာပါ ဆွေးနွေးမှု၊ စတိုင်ညွှန်ကြားချက်များနှင့် Flash သို့မဟုတ် Pro မော်ဒယ် ရွေးချယ်မှုပါဝင်သည့် စာသားမှအသံ

Google · အသံ

သင့်ပထမဆုံးရလဒ် ဤနေရာတွင် ပေါ်လာမည်

အောက်တွင် တောင်းဆိုချက်တစ်ခု တည်ဆောက်ပြီး သင့် API ကီးဖြင့် လုပ်ဆောင်ပါ။ ထွက်ရလဒ်များကို ကျွန်ုပ်တို့၏ သိုလှောင်မှုသို့ ကူးယူပြီး အမြဲတမ်း သို့မဟုတ် ၇ ရက် အခမဲ့ သိမ်းထားသည်။

တောင်းဆိုမှုတစ်ခု တည်ဆောက်ရန်

ထိန်းချုပ်မှုများကို မော်ဒယ် schema မှ အလိုအလျောက်ဖန်တီးသည်။ ၎င်းတို့ကို ပြောင်းလဲသည်နှင့် code နှင့် စျေးနှုန်းတို့လည်း ပြောင်းလဲမည်။

•လိုအပ်သည် 50 / 50000

Gemini TTS အတွက် စကားပြောစာသား။ 'Say cheerfully: Have a wonderful day!' ကဲ့သို့ ပုံစံ၊ အရှိန်၊ accent နှင့် ခံစားချက်အတွက် ထည့်သွင်းထားသော သဘာဝဘာသာစကား လမ်းညွှန်ချက်များကို လက်ခံသည်။ [slowly]၊ [whispering]၊ [excited] နှင့် [extremely fast] ကဲ့သို့ inline marker များသည် အရှိန်နှင့် ပုံစံကိုလည်း ထိန်းချုပ်သည်။ စပီကာများစွာအတွက် speakers field မှ alias များဖြင့် စတင်သော စာကြောင်းများလိုအပ်သည်၊ ဥပမာ 'Alice: Hello!\nBob: Hi!'.

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

ပြောမည့်အကြောင်းအရာနှင့် သီးခြားထားပြီး ပရောမ့်မတိုင်မီ ထည့်သွင်းကာ ဖော်ပြမှုပုံစံ၊ accent၊ အရှိန်၊ အသံနေအသံထားနှင့် ခံစားချက်ကို ပုံဖော်ပေးသည့် ရွေးချယ်နိုင်သော သဘာဝဘာသာစကား လမ်းညွှန်ချက်။ ဥပမာများမှာ 'Speak warmly and slowly'၊ 'Read this as a dramatic newscast'၊ 'Use a British accent with a cheerful tone' နှင့် 'Whisper mysteriously' တို့ဖြစ်သည်။

output_format မူလ mp3

ထွက်ရလဒ်အသံ၏ ဖော်မတ်။ mp3 သည် ချုံ့ထားသော အရွယ်အစားသေး ဖိုင်များဖြစ်၍ အကြံပြုသည်။ wav သည် 24 kHz၊ 16-bit mono အသံပါသော WAV container အတွင်း ချုံ့မထားသည့် PCM ဖြစ်သည်။ ogg_opus သည် အရည်အသွေးနှင့် အရွယ်အစားကို သင့်တင့်မျှတစေရန် Ogg အတွင်း Opus ကို အသုံးပြုသည်။

မူလ Kore

ကွဲပြားသော preset 30 ခုထဲမှ စပီကာတစ်ဦးအတွက် အသံရွေးချယ်မှုတစ်ခု။ speakers ကို သတ်မှတ်ပါက ဤရွေးချယ်မှု မအလုပ်လုပ်ပါ။ လူကြိုက်များသော အမျိုးသမီးရွေးချယ်စရာများမှာ အသံအားကောင်းတင်းမာသော Kore၊ ကြည်လင်တောက်ပသော Zephyr နှင့် နွေးထွေးသံစဉ်ပါသော Aoede တို့ဖြစ်သည်။ လူကြိုက်များသော အမျိုးသားရွေးချယ်စရာများမှာ တက်ကြွလန်းဆန်းသော Puck နှင့် တည်ငြိမ်ပရော်ဖက်ရှင်နယ်ဆန်သော Charon တို့ဖြစ်သည်။

မူလ gemini-2.5-flash-tts

Gemini TTS မော်ဒယ်ရွေးချယ်မှု။ audiobooks၊ podcasts သို့မဟုတ် customer support ကဲ့သို့ ဖွဲ့စည်းပုံကျသော workflow များတွင် အမြင့်ဆုံးအရည်အသွေးအတွက် gemini-2.5-pro-tts ကို အသုံးပြုပါ။

ဘာသာစကားများစွာ ဖန်တီးမှုအတွက် စကားပြောဘာသာစကား။ မော်ဒယ်က သင့်စာသားမှ ဘာသာစကားကို ခန့်မှန်းစေရန် ချန်ထားနိုင်သည်၊ သို့မဟုတ် စကားပြောထွက်ရလဒ်ကို ညွှန်ကြားရန် ပေးနိုင်သည်။ Preview တွင် ဘာသာစကား 60+ နှင့် GA တွင် 24 ခုကို ထောက်ပံ့သည်။

မူလ 1

စကားပြောမှု၏ ကျပန်းဖြစ်နိုင်မှုဆက်တင်။ နိမ့်သောဆက်တင်တွင် အာရုံစိုက်ပြီး ခန့်မှန်းနိုင်သော ပေးပို့မှုမှ မြင့်သောဆက်တင်တွင် ဖန်တီးမှုရှိပြီး ကွဲပြားသော ပေးပို့မှုအထိ သက်ရောက်သည်။

gemini-2.5-pro-tts နှင့် gemini-2.5-flash-tts တို့တွင် ထောက်ပံ့ပြီး gemini-2.5-flash-lite-preview-tts တွင် မထောက်ပံ့သော စပီကာဖွဲ့စည်းမှု။ ပေးထားပါက မတူညီသော အသံများက စာသား၏ မတူညီသော အစိတ်အပိုင်းများကို ဖတ်နိုင်သည်။ စပီကာတစ်ဦးစီအတွက် အသံနှင့် ထိုစပီကာ၏ ပရောမ့်အစပိုင်းများနှင့် ကိုက်ညီသော speaker_id alias ကို ပေးပါ။

POST /run/gemini-tts?wait=20 ကုန်ကျစရိတ် → ၀.၀၃ $
# 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"

ဤတောင်းဆိုချက်ကို လုပ်ဆောင်ရန်

သင့် key သည် ဤဘရောက်ဇာထဲတွင်သာ ရှိမည်ဖြစ်ပြီး Doitong API သို့သာ ပို့မည်။ Remember ကို အမှန်ခြစ်ထားမှသာ (localStorage) တွင် သိမ်းမည်။ API ကီး ရယူရန်

Gemini TTS အကြောင်း

စာသားအက္ခရာ 50,000 အထိကို စကားပြောအသံအဖြစ် ပြောင်းပေးသည်။ `voice` ကို ရွေးပြီး `model` ကို gemini-2.5-flash-tts သို့မဟုတ် gemini-2.5-pro-tts သတ်မှတ်ပါ။ `style_instructions` (အက္ခရာ 4000 အထိ) က ပြောဆိုပုံကို ထိန်းချုပ်ပြီး စပီကာများစွာပါ စာသားအတွက် `speakers` တွင် 2 မှ 10 ခုအထိ ထည့်နိုင်သည်။ ရွေးချယ်နိုင်သော `language_code`၊ `temperature` 0 မှ 2 နှင့် wav၊ mp3 သို့မဟုတ် ogg_opus ထွက်ရလဒ်တို့ကို ပံ့ပိုးသည်။

ပါရာမီတာများ

အမည်အမျိုးအစား မူလတန်ဖိုးခွင့်ပြုထားသည် ဖော်ပြချက်
promptလိုအပ်သည်
အမျိုးအစားstring
စာလုံး ၅၀,၀၀၀ လုံးထက် မပိုပါ
Gemini TTS အတွက် စကားပြောစာသား။ 'Say cheerfully: Have a wonderful day!' ကဲ့သို့ ပုံစံ၊ အရှိန်၊ accent နှင့် ခံစားချက်အတွက် ထည့်သွင်းထားသော သဘာဝဘာသာစကား လမ်းညွှန်ချက်များကို လက်ခံသည်။ [slowly]၊ [whispering]၊ [excited] နှင့် [extremely fast] ကဲ့သို့ inline marker များသည် အရှိန်နှင့် ပုံစံကိုလည်း ထိန်းချုပ်သည်။ စပီကာများစွာအတွက် speakers field မှ alias များဖြင့် စတင်သော စာကြောင်းများလိုအပ်သည်၊ ဥပမာ 'Alice: Hello!\nBob: Hi!'.
style_instructionsရွေးချယ်နိုင်သည်
အမျိုးအစားstring | null
စာလုံး ၄,၀၀၀ လုံးထက် မပိုပါ
ပြောမည့်အကြောင်းအရာနှင့် သီးခြားထားပြီး ပရောမ့်မတိုင်မီ ထည့်သွင်းကာ ဖော်ပြမှုပုံစံ၊ accent၊ အရှိန်၊ အသံနေအသံထားနှင့် ခံစားချက်ကို ပုံဖော်ပေးသည့် ရွေးချယ်နိုင်သော သဘာဝဘာသာစကား လမ်းညွှန်ချက်။ ဥပမာများမှာ 'Speak warmly and slowly'၊ 'Read this as a dramatic newscast'၊ 'Use a British accent with a cheerful tone' နှင့် 'Whisper mysteriously' တို့ဖြစ်သည်။
voiceရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 ခု ထပ်မံLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
ကွဲပြားသော preset 30 ခုထဲမှ စပီကာတစ်ဦးအတွက် အသံရွေးချယ်မှုတစ်ခု။ speakers ကို သတ်မှတ်ပါက ဤရွေးချယ်မှု မအလုပ်လုပ်ပါ။ လူကြိုက်များသော အမျိုးသမီးရွေးချယ်စရာများမှာ အသံအားကောင်းတင်းမာသော Kore၊ ကြည်လင်တောက်ပသော Zephyr နှင့် နွေးထွေးသံစဉ်ပါသော Aoede တို့ဖြစ်သည်။ လူကြိုက်များသော အမျိုးသားရွေးချယ်စရာများမှာ တက်ကြွလန်းဆန်းသော Puck နှင့် တည်ငြိမ်ပရော်ဖက်ရှင်နယ်ဆန်သော Charon တို့ဖြစ်သည်။
modelရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Gemini TTS မော်ဒယ်ရွေးချယ်မှု။ audiobooks၊ podcasts သို့မဟုတ် customer support ကဲ့သို့ ဖွဲ့စည်းပုံကျသော workflow များတွင် အမြင့်ဆုံးအရည်အသွေးအတွက် gemini-2.5-pro-tts ကို အသုံးပြုပါ။
language_codeရွေးချယ်နိုင်သည်
အမျိုးအစားenum
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 ခု ထပ်မံRussian (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)
ဘာသာစကားများစွာ ဖန်တီးမှုအတွက် စကားပြောဘာသာစကား။ မော်ဒယ်က သင့်စာသားမှ ဘာသာစကားကို ခန့်မှန်းစေရန် ချန်ထားနိုင်သည်၊ သို့မဟုတ် စကားပြောထွက်ရလဒ်ကို ညွှန်ကြားရန် ပေးနိုင်သည်။ Preview တွင် ဘာသာစကား 60+ နှင့် GA တွင် 24 ခုကို ထောက်ပံ့သည်။
speakersရွေးချယ်နိုင်သည်
အမျိုးအစားobject[]
အကြောင်းအရာ ၁၀ ခုထက် မပိုပါအကြောင်းအရာ ၂ ခုထက် မနည်းပါ
gemini-2.5-pro-tts နှင့် gemini-2.5-flash-tts တို့တွင် ထောက်ပံ့ပြီး gemini-2.5-flash-lite-preview-tts တွင် မထောက်ပံ့သော စပီကာဖွဲ့စည်းမှု။ ပေးထားပါက မတူညီသော အသံများက စာသား၏ မတူညီသော အစိတ်အပိုင်းများကို ဖတ်နိုင်သည်။ စပီကာတစ်ဦးစီအတွက် အသံနှင့် ထိုစပီကာ၏ ပရောမ့်အစပိုင်းများနှင့် ကိုက်ညီသော speaker_id alias ကို ပေးပါ။
speakers[].voiceလိုအပ်သည်
အမျိုးအစားenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 ခု ထပ်မံLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
ဤစပီကာအတွက် သတ်မှတ်ထားသော preset အသံ။
speakers[].speaker_idလိုအပ်သည်
အမျိုးအစားstring
အက္ခရာနှင့် ဂဏန်းများသာပါဝင်ပြီး whitespace မပါသော စပီကာ alias။ 'Alice: Hello! Bob: Hi there!' ကဲ့သို့ ပရောမ့်စာသား၏ အစတွင် ဤ alias ကို ထည့်၍ စပီကာကို ခွဲခြားပါ။
temperatureရွေးချယ်နိုင်သည်
အမျိုးအစားnumber
မူလတန်ဖိုး1
၀ – ၂
စကားပြောမှု၏ ကျပန်းဖြစ်နိုင်မှုဆက်တင်။ နိမ့်သောဆက်တင်တွင် အာရုံစိုက်ပြီး ခန့်မှန်းနိုင်သော ပေးပို့မှုမှ မြင့်သောဆက်တင်တွင် ဖန်တီးမှုရှိပြီး ကွဲပြားသော ပေးပို့မှုအထိ သက်ရောက်သည်။
output_formatရွေးချယ်နိုင်သည်
အမျိုးအစားenum
မူလတန်ဖိုးmp3
wavmp3ogg_opus
ထွက်ရလဒ်အသံ၏ ဖော်မတ်။ mp3 သည် ချုံ့ထားသော အရွယ်အစားသေး ဖိုင်များဖြစ်၍ အကြံပြုသည်။ wav သည် 24 kHz၊ 16-bit mono အသံပါသော WAV container အတွင်း ချုံ့မထားသည့် PCM ဖြစ်သည်။ ogg_opus သည် အရည်အသွေးနှင့် အရွယ်အစားကို သင့်တင့်မျှတစေရန် Ogg အတွင်း Opus ကို အသုံးပြုသည်။
လိုအပ်သည်

ထွက်ရလဒ်

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"
  }
}
သင့်ဖိုင်များ၊ သင့်ရွေးချယ်မှုoutputs[].url တိုင်းသည် ကျွန်ုပ်တို့၏ သိုလှောင်မှုရှိ မိတ္တူဖြစ်သည်- အမြဲတမ်း (GB-month အလိုက် ငွေပေးရသည်) သို့မဟုတ် ၇ ရက် အခမဲ့၊ သင့်အကောင့်ဆက်တင် သို့မဟုတ် ?storage= ဖြင့် သိမ်းထားသည်။
မော်ဒယ်တိုင်းတွင် ပုံစံတူပုံ၊ ဗီဒီယိုနှင့် အသံတို့အတွက် type၊ url၊ content_type၊ width၊ height နှင့် duration။ output သည် မော်ဒယ်ကိုယ်တိုင်၏ ရလဒ် object ဖြစ်သည်။
ထွက်ရလဒ်၏ Fields များ
audio
object {url, content_type, file_name, file_size}ဖန်တီးမှုမှ ထွက်ရှိသည့် အသံဖိုင်။

AI အေးဂျင့်များအတွက်- ဤစာမျက်နှာ၏ Markdown ကို ဤနေရာတွင် ရရှိနိုင်သည် https://doitong.com/my/developers/models/gemini-tts.md. မော်ဒယ်များနှင့် လမ်းညွှန်များအားလုံး: https://doitong.com/developers/llms.txt