Przejdź do treści

Gemini TTS

Integracja

Identyfikator modelu 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"

To żądanie: ≈0,03 $ 30 kredytów API Uruchom na tej stronie

Uzyskaj klucz API
Google Tekst na mowę #text-to-speech#audio#gemini

Text-to-speech z 30 głosami, dialogiem wielu mówców, instrukcjami stylu oraz wyborem modelu Flash lub Pro

Google · Audio

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane 50 / 50000

Tekst mowy dla Gemini TTS, obsługujący osadzone instrukcje w języku naturalnym dotyczące stylu, tempa, akcentu i emocji, takie jak 'Say cheerfully: Have a wonderful day!'. Wbudowane znaczniki, w tym [slowly], [whispering], [excited] i [extremely fast], również sterują tempem i stylem. Wielu mówców wymaga wierszy zaczynających się aliasami z pola speakers, na przykład 'Alice: Hello!\nBob: Hi!'.

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

Opcjonalne instrukcje w języku naturalnym, przechowywane osobno od treści mówionej i umieszczane przed promptem w celu kształtowania ekspresji, akcentu, tempa, tonu i emocji. Przykłady to 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' i 'Whisper mysteriously'.

output_format domyślnie mp3

Format audio wynikowego: mp3 zapewnia skompresowane, niewielkie pliki i jest zalecany; wav zawiera nieskompresowany dźwięk PCM w kontenerze WAV, 24 kHz, mono, 16-bit; ogg_opus używa Opus wewnątrz Ogg, zapewniając korzystny kompromis między jakością a rozmiarem.

domyślnie Kore

Wybór głosu jednego mówcy spośród 30 gotowych ustawień; ustawienie speakers dezaktywuje ten wybór. Popularne głosy żeńskie to Kore, o mocnym i stanowczym brzmieniu, Zephyr, o jasnym i wyraźnym brzmieniu, oraz Aoede, o ciepłym i melodyjnym brzmieniu; popularne głosy męskie to Puck, energiczny i żywy, oraz Charon, spokojny i profesjonalny.

domyślnie gemini-2.5-flash-tts

Wybór modelu Gemini TTS. Aby uzyskać najwyższą jakość w uporządkowanych zastosowaniach, takich jak audiobooki, podcasty lub obsługa klienta, użyj gemini-2.5-pro-tts.

Język mowy dla syntezy wielojęzycznej: pomiń go, aby model wywnioskował język z tekstu, lub podaj go, aby pokierować mową wynikową. Obsługa obejmuje ponad 60 języków w Preview i 24 w GA.

domyślnie 1

Ustawienie losowości mowy: niższe wartości zapewniają skupione, przewidywalne brzmienie, a wyższe — kreatywne i zróżnicowane.

Konfiguracja mówców obsługiwana przez gemini-2.5-pro-tts i gemini-2.5-flash-tts, ale nie przez gemini-2.5-flash-lite-preview-tts. Jej podanie umożliwia różnym głosom odczytywanie różnych części tekstu; dla każdego mówcy podaj głos oraz alias speaker_id odpowiadający prefiksom promptu tego mówcy.

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

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Gemini TTS

Konwertuje do 50 000 znaków tekstu na mowę. Wybierz `voice` oraz `model` gemini-2.5-flash-tts lub gemini-2.5-pro-tts. `style_instructions` (do 4000 znaków) określa sposób wypowiedzi, a `speakers` przyjmuje od 2 do 10 wpisów dla skryptów z wieloma głosami. Opcjonalne są `language_code`, `temperature` od 0 do 2 oraz wynik w formacie wav, mp3 lub ogg_opus.

Parametry

NazwaTyp DomyślneDozwolone Opis
promptwymagane
Typstring
≤ 50 000 znaków
Tekst mowy dla Gemini TTS, obsługujący osadzone instrukcje w języku naturalnym dotyczące stylu, tempa, akcentu i emocji, takie jak 'Say cheerfully: Have a wonderful day!'. Wbudowane znaczniki, w tym [slowly], [whispering], [excited] i [extremely fast], również sterują tempem i stylem. Wielu mówców wymaga wierszy zaczynających się aliasami z pola speakers, na przykład 'Alice: Hello!\nBob: Hi!'.
style_instructionsopcjonalne
Typstring | null
≤ 4000 znaków
Opcjonalne instrukcje w języku naturalnym, przechowywane osobno od treści mówionej i umieszczane przed promptem w celu kształtowania ekspresji, akcentu, tempa, tonu i emocji. Przykłady to 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' i 'Whisper mysteriously'.
voiceopcjonalne
Typenum
DomyślneKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 więcejLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Wybór głosu jednego mówcy spośród 30 gotowych ustawień; ustawienie speakers dezaktywuje ten wybór. Popularne głosy żeńskie to Kore, o mocnym i stanowczym brzmieniu, Zephyr, o jasnym i wyraźnym brzmieniu, oraz Aoede, o ciepłym i melodyjnym brzmieniu; popularne głosy męskie to Puck, energiczny i żywy, oraz Charon, spokojny i profesjonalny.
modelopcjonalne
Typenum
Domyślnegemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Wybór modelu Gemini TTS. Aby uzyskać najwyższą jakość w uporządkowanych zastosowaniach, takich jak audiobooki, podcasty lub obsługa klienta, użyj gemini-2.5-pro-tts.
language_codeopcjonalne
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 więcejRussian (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)
Język mowy dla syntezy wielojęzycznej: pomiń go, aby model wywnioskował język z tekstu, lub podaj go, aby pokierować mową wynikową. Obsługa obejmuje ponad 60 języków w Preview i 24 w GA.
speakersopcjonalne
Typobject[]
≤ 10 elementów≥ 2 elementy
Konfiguracja mówców obsługiwana przez gemini-2.5-pro-tts i gemini-2.5-flash-tts, ale nie przez gemini-2.5-flash-lite-preview-tts. Jej podanie umożliwia różnym głosom odczytywanie różnych części tekstu; dla każdego mówcy podaj głos oraz alias speaker_id odpowiadający prefiksom promptu tego mówcy.
speakers[].voicewymagane
Typenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 więcejLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Gotowy głos przypisany temu mówcy.
speakers[].speaker_idwymagane
Typstring
Alias mówcy zawierający wyłącznie znaki alfanumeryczne i bez spacji. Zidentyfikuj mówcę, poprzedzając jego tekst promptu tym aliasem, jak w 'Alice: Hello! Bob: Hi there!'.
temperatureopcjonalne
Typnumber
Domyślne1
0 – 2
Ustawienie losowości mowy: niższe wartości zapewniają skupione, przewidywalne brzmienie, a wyższe — kreatywne i zróżnicowane.
output_formatopcjonalne
Typenum
Domyślnemp3
wavmp3ogg_opus
Format audio wynikowego: mp3 zapewnia skompresowane, niewielkie pliki i jest zalecany; wav zawiera nieskompresowany dźwięk PCM w kontenerze WAV, 24 kHz, mono, 16-bit; ogg_opus używa Opus wewnątrz Ogg, zapewniając korzystny kompromis między jakością a rozmiarem.
wymagane

Wynik

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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio
object {url, content_type, file_name, file_size}Plik audio utworzony podczas generowania.

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/gemini-tts.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt