ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

Gemini TTS

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ 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"

ਇਹ ਬੇਨਤੀ: ≈$0.03 30 API ਕ੍ਰੈਡਿਟ ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
Google ਟੈਕਸਟ ਤੋਂ ਬੋਲੀ #text-to-speech#audio#gemini

30 ਆਵਾਜ਼ਾਂ, ਬਹੁ-ਸਪੀਕਰ ਸੰਵਾਦ, ਸਟਾਈਲ ਨਿਰਦੇਸ਼ਾਂ ਅਤੇ Flash ਜਾਂ Pro ਮਾਡਲ ਚੁਣਨ ਦੇ ਵਿਕਲਪ ਵਾਲਾ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ

Google · ਆਡੀਓ

ਤੁਹਾਡਾ ਪਹਿਲਾ ਨਤੀਜਾ ਇੱਥੇ ਹੋਵੇਗਾ

ਹੇਠਾਂ ਬੇਨਤੀ ਬਣਾਓ ਅਤੇ ਆਪਣੀ API ਕੁੰਜੀ ਨਾਲ ਚਲਾਓ। ਆਉਟਪੁੱਟ ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਕਾਪੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਹਮੇਸ਼ਾ ਲਈ ਜਾਂ ਮੁਫ਼ਤ ਵਿੱਚ 7 ਦਿਨ ਤੱਕ ਰੱਖੇ ਜਾਂਦੇ ਹਨ।

ਰਿਕਵੈਸਟ ਬਣਾਓ

ਕੰਟਰੋਲ ਮਾਡਲ ਸਕੀਮਾ ਤੋਂ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਬਦਲਾਅ ਕਰਦੇ ਹੀ ਕੋਡ ਅਤੇ ਕੀਮਤ ਅੱਪਡੇਟ ਹੋ ਜਾਂਦੇ ਹਨ।

•ਲੋੜੀਂਦਾ 50 / 50000

Gemini TTS ਲਈ ਬੋਲੀ ਦਾ ਪਾਠ, ਜਿਸ ਵਿੱਚ ਸ਼ੈਲੀ, ਗਤੀ, ਲਹਿਜ਼ੇ ਅਤੇ ਭਾਵਨਾ ਲਈ ਇੰਬੈੱਡ ਕੀਤੀਆਂ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਹਦਾਇਤਾਂ ਸਵੀਕਾਰ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜਿਵੇਂ 'Say cheerfully: Have a wonderful day!'. [slowly], [whispering], [excited], ਅਤੇ [extremely fast] ਵਰਗੇ ਇਨਲਾਈਨ ਮਾਰਕਰ ਵੀ ਗਤੀ ਅਤੇ ਸ਼ੈਲੀ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ। ਕਈ ਵਕਤਾਵਾਂ ਲਈ ਲਾਈਨਾਂ speakers ਫ਼ੀਲਡ ਦੇ ਉਪਨਾਮਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੋਣੀਆਂ ਲਾਜ਼ਮੀ ਹਨ, ਉਦਾਹਰਨ ਵਜੋਂ 'Alice: Hello!\nBob: Hi!'.

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

ਵਿਕਲਪਿਕ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਹਦਾਇਤਾਂ, ਜੋ ਬੋਲੇ ਜਾਣ ਵਾਲੇ ਸਮੱਗਰੀ ਤੋਂ ਵੱਖ ਰੱਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਅਭਿਵਿਅੰਜਕਤਾ, ਲਹਿਜ਼ੇ, ਗਤੀ, ਸੁਰ ਅਤੇ ਭਾਵਨਾ ਨੂੰ ਆਕਾਰ ਦੇਣ ਲਈ ਪ੍ਰੌਂਪਟ ਤੋਂ ਪਹਿਲਾਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਉਦਾਹਰਨਾਂ ਵਿੱਚ 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', ਅਤੇ 'Whisper mysteriously' ਸ਼ਾਮਲ ਹਨ।

output_format ਡਿਫ਼ਾਲਟ mp3

ਆਉਟਪੁੱਟ ਆਡੀਓ ਦਾ ਫ਼ਾਰਮੈਟ: mp3 ਸੰਕੁਚਿਤ, ਛੋਟੀਆਂ ਫ਼ਾਈਲਾਂ ਦਿੰਦਾ ਹੈ ਅਤੇ ਸਿਫ਼ਾਰਸ਼ੀ ਹੈ; wav ਵਿੱਚ 24 kHz 'ਤੇ WAV ਕੰਟੇਨਰ ਵਿੱਚ 16-bit ਮੋਨੋ ਆਡੀਓ ਵਾਲਾ ਅਸੰਕੁਚਿਤ PCM ਹੁੰਦਾ ਹੈ; ogg_opus ਗੁਣਵੱਤਾ ਅਤੇ ਆਕਾਰ ਦਾ ਵਧੀਆ ਸੰਤੁਲਨ ਦੇਣ ਲਈ Ogg ਦੇ ਅੰਦਰ Opus ਵਰਤਦਾ ਹੈ।

ਡਿਫ਼ਾਲਟ Kore

30 ਵੱਖਰੇ ਪ੍ਰੀਸੈਟਾਂ ਵਿੱਚੋਂ ਇੱਕ-ਵਕਤਾ ਆਵਾਜ਼ ਚੁਣੋ; speakers ਸੈੱਟ ਕਰਨ ਨਾਲ ਇਹ ਚੋਣ ਅਕਿਰਿਆਸ਼ੀਲ ਹੋ ਜਾਂਦੀ ਹੈ। ਪ੍ਰਸਿੱਧ ਮਹਿਲਾ ਵਿਕਲਪਾਂ ਵਿੱਚ Kore, ਮਜ਼ਬੂਤ ਅਤੇ ਦ੍ਰਿੜ੍ਹ ਅੰਦਾਜ਼ ਵਾਲੀ, Zephyr, ਚਮਕਦਾਰ ਅਤੇ ਸਪਸ਼ਟ ਅੰਦਾਜ਼ ਵਾਲੀ, ਅਤੇ Aoede, ਗਰਮਜੋਸ਼ੀ ਭਰੀ ਅਤੇ ਸੁਰਮਈ ਅੰਦਾਜ਼ ਵਾਲੀ ਸ਼ਾਮਲ ਹਨ; ਪ੍ਰਸਿੱਧ ਪੁਰਸ਼ ਵਿਕਲਪਾਂ ਵਿੱਚ Puck, ਉਤਸ਼ਾਹੀ ਅਤੇ ਜੀਵੰਤ, ਅਤੇ Charon, ਸ਼ਾਂਤ ਅਤੇ ਪੇਸ਼ੇਵਰ ਸ਼ਾਮਲ ਹਨ।

ਡਿਫ਼ਾਲਟ gemini-2.5-flash-tts

Gemini TTS ਮਾਡਲ ਚੋਣ। ਆਡੀਓਬੁੱਕ, ਪੌਡਕਾਸਟ ਜਾਂ ਗਾਹਕ ਸਹਾਇਤਾ ਵਰਗੇ ਸੰਰਚਿਤ ਵਰਕਫ਼ਲੋ ਵਿੱਚ ਸਭ ਤੋਂ ਉੱਚੀ ਗੁਣਵੱਤਾ ਲਈ gemini-2.5-pro-tts ਵਰਤੋ।

ਬਹੁ-ਭਾਸ਼ੀ ਸਿਰਜਣਾ ਲਈ ਬੋਲੀ ਦੀ ਭਾਸ਼ਾ: ਮਾਡਲ ਨੂੰ ਤੁਹਾਡੇ ਪਾਠ ਤੋਂ ਭਾਸ਼ਾ ਅਨੁਮਾਨਣ ਦੇਣ ਲਈ ਇਸਨੂੰ ਛੱਡ ਦਿਓ, ਜਾਂ ਬੋਲੇ ਗਏ ਆਉਟਪੁੱਟ ਨੂੰ ਦਿਸ਼ਾ ਦੇਣ ਲਈ ਦਿਓ। Preview ਵਿੱਚ 60+ ਅਤੇ GA ਵਿੱਚ 24 ਭਾਸ਼ਾਵਾਂ ਦਾ ਸਮਰਥਨ ਹੈ।

ਡਿਫ਼ਾਲਟ 1

ਬੋਲੀ ਦੀ ਬੇਤਰਤੀਬੀ ਸੈਟਿੰਗ, ਜਿਸਦਾ ਪ੍ਰਭਾਵ ਘੱਟ ਸੈਟਿੰਗਾਂ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਅਤੇ ਅਨੁਮਾਨਯੋਗ ਅੰਦਾਜ਼ ਤੋਂ ਲੈ ਕੇ ਵੱਧ ਸੈਟਿੰਗਾਂ 'ਤੇ ਰਚਨਾਤਮਕ ਅਤੇ ਵਿਭਿੰਨ ਅੰਦਾਜ਼ ਤੱਕ ਹੁੰਦਾ ਹੈ।

gemini-2.5-pro-tts ਅਤੇ gemini-2.5-flash-tts ਵੱਲੋਂ ਸਮਰਥਿਤ ਵਕਤਾ ਸੰਰਚਨਾ, ਪਰ gemini-2.5-flash-lite-preview-tts ਵੱਲੋਂ ਨਹੀਂ। ਇਸਨੂੰ ਦੇਣ ਨਾਲ ਵੱਖ-ਵੱਖ ਆਵਾਜ਼ਾਂ ਪਾਠ ਦੇ ਵੱਖਰੇ ਹਿੱਸੇ ਪੜ੍ਹਦੀਆਂ ਹਨ; ਹਰ ਵਕਤਾ ਲਈ ਉਸਦੇ ਪ੍ਰੌਂਪਟ ਪ੍ਰੀਫ਼ਿਕਸ ਨਾਲ ਸੰਬੰਧਿਤ ਇੱਕ ਆਵਾਜ਼ ਅਤੇ speaker_id ਉਪਨਾਮ ਦਿਓ।

POST /run/gemini-tts?wait=20 ਕੋਟ → $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"

ਇਹ ਬੇਨਤੀ ਚਲਾਓ

ਤੁਹਾਡੀ key ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ: ਇਹ ਸਿਰਫ਼ Doitong API ਨੂੰ ਭੇਜੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ (localStorage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਜੇ ਤੁਸੀਂ Remember ਚੁਣੋ। API ਕੁੰਜੀ ਪ੍ਰਾਪਤ ਕਰੋ

Gemini TTS ਬਾਰੇ

50,000 ਅੱਖਰਾਂ ਤੱਕ ਦੇ ਟੈਕਸਟ ਨੂੰ ਬੋਲੀ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਇੱਕ `voice` ਅਤੇ `model` ਵਜੋਂ gemini-2.5-flash-tts ਜਾਂ gemini-2.5-pro-tts ਚੁਣੋ। `style_instructions` (4000 ਅੱਖਰਾਂ ਤੱਕ) ਡਿਲਿਵਰੀ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਬਹੁ-ਆਵਾਜ਼ੀ ਸਕ੍ਰਿਪਟਾਂ ਲਈ `speakers` ਵਿੱਚ 2 ਤੋਂ 10 ਐਂਟਰੀਆਂ ਦਿੱਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਵਿਕਲਪਿਕ `language_code`, `temperature` 0 ਤੋਂ 2, ਅਤੇ wav, mp3 ਜਾਂ ogg_opus ਆਉਟਪੁੱਟ ਉਪਲਬਧ ਹਨ।

ਪੈਰਾਮੀਟਰ

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
promptਲੋੜੀਂਦਾ
ਕਿਸਮstring
≤ 50,000 ਅੱਖਰ
Gemini TTS ਲਈ ਬੋਲੀ ਦਾ ਪਾਠ, ਜਿਸ ਵਿੱਚ ਸ਼ੈਲੀ, ਗਤੀ, ਲਹਿਜ਼ੇ ਅਤੇ ਭਾਵਨਾ ਲਈ ਇੰਬੈੱਡ ਕੀਤੀਆਂ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਹਦਾਇਤਾਂ ਸਵੀਕਾਰ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜਿਵੇਂ 'Say cheerfully: Have a wonderful day!'. [slowly], [whispering], [excited], ਅਤੇ [extremely fast] ਵਰਗੇ ਇਨਲਾਈਨ ਮਾਰਕਰ ਵੀ ਗਤੀ ਅਤੇ ਸ਼ੈਲੀ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ। ਕਈ ਵਕਤਾਵਾਂ ਲਈ ਲਾਈਨਾਂ speakers ਫ਼ੀਲਡ ਦੇ ਉਪਨਾਮਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੋਣੀਆਂ ਲਾਜ਼ਮੀ ਹਨ, ਉਦਾਹਰਨ ਵਜੋਂ 'Alice: Hello!\nBob: Hi!'.
style_instructionsਵਿਕਲਪਿਕ
ਕਿਸਮstring | null
≤ 4,000 ਅੱਖਰ
ਵਿਕਲਪਿਕ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਹਦਾਇਤਾਂ, ਜੋ ਬੋਲੇ ਜਾਣ ਵਾਲੇ ਸਮੱਗਰੀ ਤੋਂ ਵੱਖ ਰੱਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਅਭਿਵਿਅੰਜਕਤਾ, ਲਹਿਜ਼ੇ, ਗਤੀ, ਸੁਰ ਅਤੇ ਭਾਵਨਾ ਨੂੰ ਆਕਾਰ ਦੇਣ ਲਈ ਪ੍ਰੌਂਪਟ ਤੋਂ ਪਹਿਲਾਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਉਦਾਹਰਨਾਂ ਵਿੱਚ 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', ਅਤੇ 'Whisper mysteriously' ਸ਼ਾਮਲ ਹਨ।
voiceਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 ਹੋਰLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
30 ਵੱਖਰੇ ਪ੍ਰੀਸੈਟਾਂ ਵਿੱਚੋਂ ਇੱਕ-ਵਕਤਾ ਆਵਾਜ਼ ਚੁਣੋ; speakers ਸੈੱਟ ਕਰਨ ਨਾਲ ਇਹ ਚੋਣ ਅਕਿਰਿਆਸ਼ੀਲ ਹੋ ਜਾਂਦੀ ਹੈ। ਪ੍ਰਸਿੱਧ ਮਹਿਲਾ ਵਿਕਲਪਾਂ ਵਿੱਚ Kore, ਮਜ਼ਬੂਤ ਅਤੇ ਦ੍ਰਿੜ੍ਹ ਅੰਦਾਜ਼ ਵਾਲੀ, Zephyr, ਚਮਕਦਾਰ ਅਤੇ ਸਪਸ਼ਟ ਅੰਦਾਜ਼ ਵਾਲੀ, ਅਤੇ Aoede, ਗਰਮਜੋਸ਼ੀ ਭਰੀ ਅਤੇ ਸੁਰਮਈ ਅੰਦਾਜ਼ ਵਾਲੀ ਸ਼ਾਮਲ ਹਨ; ਪ੍ਰਸਿੱਧ ਪੁਰਸ਼ ਵਿਕਲਪਾਂ ਵਿੱਚ Puck, ਉਤਸ਼ਾਹੀ ਅਤੇ ਜੀਵੰਤ, ਅਤੇ Charon, ਸ਼ਾਂਤ ਅਤੇ ਪੇਸ਼ੇਵਰ ਸ਼ਾਮਲ ਹਨ।
modelਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Gemini TTS ਮਾਡਲ ਚੋਣ। ਆਡੀਓਬੁੱਕ, ਪੌਡਕਾਸਟ ਜਾਂ ਗਾਹਕ ਸਹਾਇਤਾ ਵਰਗੇ ਸੰਰਚਿਤ ਵਰਕਫ਼ਲੋ ਵਿੱਚ ਸਭ ਤੋਂ ਉੱਚੀ ਗੁਣਵੱਤਾ ਲਈ gemini-2.5-pro-tts ਵਰਤੋ।
language_codeਵਿਕਲਪਿਕ
ਕਿਸਮenum
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 ਹੋਰRussian (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)
ਬਹੁ-ਭਾਸ਼ੀ ਸਿਰਜਣਾ ਲਈ ਬੋਲੀ ਦੀ ਭਾਸ਼ਾ: ਮਾਡਲ ਨੂੰ ਤੁਹਾਡੇ ਪਾਠ ਤੋਂ ਭਾਸ਼ਾ ਅਨੁਮਾਨਣ ਦੇਣ ਲਈ ਇਸਨੂੰ ਛੱਡ ਦਿਓ, ਜਾਂ ਬੋਲੇ ਗਏ ਆਉਟਪੁੱਟ ਨੂੰ ਦਿਸ਼ਾ ਦੇਣ ਲਈ ਦਿਓ। Preview ਵਿੱਚ 60+ ਅਤੇ GA ਵਿੱਚ 24 ਭਾਸ਼ਾਵਾਂ ਦਾ ਸਮਰਥਨ ਹੈ।
speakersਵਿਕਲਪਿਕ
ਕਿਸਮobject[]
≤ 10 ਆਈਟਮਾਂ≥ 2 ਆਈਟਮਾਂ
gemini-2.5-pro-tts ਅਤੇ gemini-2.5-flash-tts ਵੱਲੋਂ ਸਮਰਥਿਤ ਵਕਤਾ ਸੰਰਚਨਾ, ਪਰ gemini-2.5-flash-lite-preview-tts ਵੱਲੋਂ ਨਹੀਂ। ਇਸਨੂੰ ਦੇਣ ਨਾਲ ਵੱਖ-ਵੱਖ ਆਵਾਜ਼ਾਂ ਪਾਠ ਦੇ ਵੱਖਰੇ ਹਿੱਸੇ ਪੜ੍ਹਦੀਆਂ ਹਨ; ਹਰ ਵਕਤਾ ਲਈ ਉਸਦੇ ਪ੍ਰੌਂਪਟ ਪ੍ਰੀਫ਼ਿਕਸ ਨਾਲ ਸੰਬੰਧਿਤ ਇੱਕ ਆਵਾਜ਼ ਅਤੇ speaker_id ਉਪਨਾਮ ਦਿਓ।
speakers[].voiceਲੋੜੀਂਦਾ
ਕਿਸਮenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 ਹੋਰLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
ਇਸ ਵਕਤਾ ਨੂੰ ਦਿੱਤੀ ਪ੍ਰੀਸੈਟ ਆਵਾਜ਼।
speakers[].speaker_idਲੋੜੀਂਦਾ
ਕਿਸਮstring
ਸਿਰਫ਼ ਅੱਖਰਾਂ ਅਤੇ ਅੰਕਾਂ ਵਾਲਾ, ਬਿਨਾਂ ਖਾਲੀ ਥਾਂ ਦੇ ਵਕਤਾ ਉਪਨਾਮ। ਇਸ ਉਪਨਾਮ ਨਾਲ ਆਪਣਾ ਪ੍ਰੌਂਪਟ ਪਾਠ ਪ੍ਰੀਫ਼ਿਕਸ ਕਰਕੇ ਵਕਤਾ ਦੀ ਪਛਾਣ ਕਰੋ, ਜਿਵੇਂ 'Alice: Hello! Bob: Hi there!'.
temperatureਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0 – 2
ਬੋਲੀ ਦੀ ਬੇਤਰਤੀਬੀ ਸੈਟਿੰਗ, ਜਿਸਦਾ ਪ੍ਰਭਾਵ ਘੱਟ ਸੈਟਿੰਗਾਂ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਅਤੇ ਅਨੁਮਾਨਯੋਗ ਅੰਦਾਜ਼ ਤੋਂ ਲੈ ਕੇ ਵੱਧ ਸੈਟਿੰਗਾਂ 'ਤੇ ਰਚਨਾਤਮਕ ਅਤੇ ਵਿਭਿੰਨ ਅੰਦਾਜ਼ ਤੱਕ ਹੁੰਦਾ ਹੈ।
output_formatਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟmp3
wavmp3ogg_opus
ਆਉਟਪੁੱਟ ਆਡੀਓ ਦਾ ਫ਼ਾਰਮੈਟ: mp3 ਸੰਕੁਚਿਤ, ਛੋਟੀਆਂ ਫ਼ਾਈਲਾਂ ਦਿੰਦਾ ਹੈ ਅਤੇ ਸਿਫ਼ਾਰਸ਼ੀ ਹੈ; wav ਵਿੱਚ 24 kHz 'ਤੇ WAV ਕੰਟੇਨਰ ਵਿੱਚ 16-bit ਮੋਨੋ ਆਡੀਓ ਵਾਲਾ ਅਸੰਕੁਚਿਤ PCM ਹੁੰਦਾ ਹੈ; ogg_opus ਗੁਣਵੱਤਾ ਅਤੇ ਆਕਾਰ ਦਾ ਵਧੀਆ ਸੰਤੁਲਨ ਦੇਣ ਲਈ Ogg ਦੇ ਅੰਦਰ Opus ਵਰਤਦਾ ਹੈ।
ਲੋੜੀਂਦਾ

ਆਉਟਪੁੱਟ

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"
  }
}
ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ, ਤੁਹਾਡੀ ਚੋਣਹਰ outputs[].url ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਕਾਪੀ ਹੈ: ਹਮੇਸ਼ਾ ਲਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ (ਪ੍ਰਤੀ GB-ਮਹੀਨਾ ਭੁਗਤਾਨ) ਜਾਂ 7 ਦਿਨ ਤੱਕ ਮੁਫ਼ਤ, ਤੁਹਾਡੀ ਖਾਤਾ ਸੈਟਿੰਗ ਜਾਂ ?storage= ਅਨੁਸਾਰ।
ਹਰ ਮਾਡਲ ’ਤੇ ਇੱਕੋ ਜਿਹਾ ਰੂਪਤਸਵੀਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਸਭ ਲਈ type, url, content_type, width, height ਅਤੇ duration। output ਮਾਡਲ ਦਾ ਆਪਣਾ ਨਤੀਜਾ ਆਬਜੈਕਟ ਹੈ।
ਆਉਟਪੁੱਟ ਦੇ ਫ਼ੀਲਡ
audio
object {url, content_type, file_name, file_size}ਸਿਰਜਣਾ ਨਾਲ ਤਿਆਰ ਕੀਤੀ ਆਡੀਓ ਫ਼ਾਈਲ।

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/gemini-tts.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt