ข้ามไปยังเนื้อหา

Gemini 3.1 Flash Tts

ผสานการทำงาน

ID โมเดล gemini-3.1-flash-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-3.1-flash-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"

คำขอนี้: $0.003 3 เครดิต API เรียกใช้ในหน้านี้

รับคีย์ API
Google ข้อความเป็นเสียงพูด ลิปซิงก์รวดเร็ว #lipsync#avatar

การแปลงข้อความเป็นเสียงด้วย Gemini 3.1 Flash พร้อมการควบคุมสไตล์แบบอินไลน์ เสียงพูด 30 แบบ และผู้พูดสูงสุด 10 คน

Google · เสียง

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น 50 / 50000

ข้อความสังเคราะห์เสียงพูดสำหรับ Gemini 3.1 Flash TTS บรรทัดที่มีผู้พูดหลายคนต้องขึ้นต้นด้วยนามแฝงจากฟิลด์ speakers เช่น 'Alice: Hello!\nBob: Hi!'. ควบคุมการส่งเสียงได้อย่างละเอียดด้วยแท็กเสียงที่สื่ออารมณ์ เช่น [sigh], [laughing], [whispering] และ [short pause] หรือใช้คำสั่งภาษาธรรมชาติแบบอินไลน์สำหรับสำเนียง อารมณ์ จังหวะ และรูปแบบ เช่น 'Say cheerfully: Have a wonderful day!'.

ขั้นสูง style_instructions · output_format · voice · language_code · temperature · speakers
0 / 4000

คำสั่งภาษาธรรมชาติเสริมที่แยกจากเนื้อหาที่พูดและแทรกไว้ก่อนพรอมต์ เพื่อกำหนดการแสดงออก สำเนียง จังหวะ น้ำเสียง และอารมณ์ ตัวอย่างเช่น 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' และ 'Whisper mysteriously'

output_format ค่าเริ่มต้น mp3

รูปแบบเสียงเอาต์พุต: mp3 ให้ไฟล์บีบอัดขนาดกะทัดรัดและแนะนำให้ใช้; wav มีเสียง PCM ที่ไม่บีบอัดในคอนเทนเนอร์ WAV ที่ 24 kHz พร้อมเสียงโมโน 16 บิต; ogg_opus ใช้ Opus ภายใน Ogg เพื่อสมดุลที่ดีระหว่างคุณภาพและขนาด

ค่าเริ่มต้น Kore

การเลือกเสียงสำหรับผู้พูดคนเดียวจากพรีเซ็ตที่แตกต่างกัน 30 รายการ การตั้งค่า speakers จะทำให้การเลือกนี้ไม่มีผล ตัวเลือกเสียงผู้หญิงยอดนิยม ได้แก่ Kore ซึ่งมีน้ำเสียงหนักแน่นและจริงจัง, Zephyr ซึ่งมีน้ำเสียงสดใสและชัดเจน และ Aoede ซึ่งมีน้ำเสียงอบอุ่นและไพเราะ ตัวเลือกเสียงผู้ชายยอดนิยม ได้แก่ Puck ซึ่งร่าเริงและมีชีวิตชีวา และ Charon ซึ่งสงบและเป็นมืออาชีพ

การกำหนดภาษาการสังเคราะห์เสียงหลายภาษาใหม่ ระบบจะตรวจจับภาษาจากข้อความโดยอัตโนมัติ เว้นแต่คุณจะระบุภาษาเพื่อกำกับเสียงพูดของโมเดล

ค่าเริ่มต้น 1

การตั้งค่าความสุ่มของเสียงพูด ซึ่งมีผลตั้งแต่การพูดที่เน้นความสอดคล้องและคาดเดาได้เมื่อใช้ค่าต่ำ ไปจนถึงการพูดที่สร้างสรรค์และหลากหลายเมื่อใช้ค่าสูง

การกำหนดค่าเสียงที่เปิดให้ผู้พูดหลายคนอ่านข้อความคนละส่วน กำหนดเสียงให้ผู้พูดแต่ละคน พร้อมนามแฝง speaker_id ที่ตรงกับคำนำหน้าพรอมต์ที่เกี่ยวข้อง

POST /run/gemini-3.1-flash-tts?wait=20 ใบเสนอราคา → $0.003
# 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-3.1-flash-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"

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ Gemini 3.1 Flash Tts

แปลง `prompt` ที่มีความยาวไม่เกิน 50000 อักขระเป็นเสียงพูด ควบคุมรูปแบบการอ่านได้แบบอินไลน์หรือผ่าน `style_instructions` เลือกเสียงพูด 1 จาก 30 แบบ ตั้งค่า `language_code` หรือใช้ `speakers` (2 ถึง 10) สำหรับเสียงจากผู้พูดหลายคน เอาต์พุตเป็น mp3, wav หรือ ogg_opus โดย `temperature` มีค่าตั้งแต่ 0 ถึง 2

พารามิเตอร์

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
promptจำเป็น
ประเภทstring
≤ 50,000 อักขระ
ข้อความสังเคราะห์เสียงพูดสำหรับ Gemini 3.1 Flash TTS บรรทัดที่มีผู้พูดหลายคนต้องขึ้นต้นด้วยนามแฝงจากฟิลด์ speakers เช่น 'Alice: Hello!\nBob: Hi!'. ควบคุมการส่งเสียงได้อย่างละเอียดด้วยแท็กเสียงที่สื่ออารมณ์ เช่น [sigh], [laughing], [whispering] และ [short pause] หรือใช้คำสั่งภาษาธรรมชาติแบบอินไลน์สำหรับสำเนียง อารมณ์ จังหวะ และรูปแบบ เช่น 'Say cheerfully: Have a wonderful day!'.
style_instructionsไม่บังคับ
ประเภทstring | null
≤ 4,000 อักขระ
คำสั่งภาษาธรรมชาติเสริมที่แยกจากเนื้อหาที่พูดและแทรกไว้ก่อนพรอมต์ เพื่อกำหนดการแสดงออก สำเนียง จังหวะ น้ำเสียง และอารมณ์ ตัวอย่างเช่น 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' และ 'Whisper mysteriously'
voiceไม่บังคับ
ประเภทenum
ค่าเริ่มต้นKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
เพิ่มเติมอีก 14 ค่าLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
การเลือกเสียงสำหรับผู้พูดคนเดียวจากพรีเซ็ตที่แตกต่างกัน 30 รายการ การตั้งค่า speakers จะทำให้การเลือกนี้ไม่มีผล ตัวเลือกเสียงผู้หญิงยอดนิยม ได้แก่ Kore ซึ่งมีน้ำเสียงหนักแน่นและจริงจัง, Zephyr ซึ่งมีน้ำเสียงสดใสและชัดเจน และ Aoede ซึ่งมีน้ำเสียงอบอุ่นและไพเราะ ตัวเลือกเสียงผู้ชายยอดนิยม ได้แก่ Puck ซึ่งร่าเริงและมีชีวิตชีวา และ Charon ซึ่งสงบและเป็นมืออาชีพ
language_codeไม่บังคับ
ประเภทenum
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)
เพิ่มเติมอีก 71 ค่าRussian (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)
การกำหนดภาษาการสังเคราะห์เสียงหลายภาษาใหม่ ระบบจะตรวจจับภาษาจากข้อความโดยอัตโนมัติ เว้นแต่คุณจะระบุภาษาเพื่อกำกับเสียงพูดของโมเดล
speakersไม่บังคับ
ประเภทobject[]
การกำหนดค่าเสียงที่เปิดให้ผู้พูดหลายคนอ่านข้อความคนละส่วน กำหนดเสียงให้ผู้พูดแต่ละคน พร้อมนามแฝง speaker_id ที่ตรงกับคำนำหน้าพรอมต์ที่เกี่ยวข้อง
temperatureไม่บังคับ
ประเภทnumber
ค่าเริ่มต้น1
0 – 2
การตั้งค่าความสุ่มของเสียงพูด ซึ่งมีผลตั้งแต่การพูดที่เน้นความสอดคล้องและคาดเดาได้เมื่อใช้ค่าต่ำ ไปจนถึงการพูดที่สร้างสรรค์และหลากหลายเมื่อใช้ค่าสูง
output_formatไม่บังคับ
ประเภทenum
ค่าเริ่มต้นmp3
wavmp3ogg_opus
รูปแบบเสียงเอาต์พุต: mp3 ให้ไฟล์บีบอัดขนาดกะทัดรัดและแนะนำให้ใช้; wav มีเสียง PCM ที่ไม่บีบอัดในคอนเทนเนอร์ WAV ที่ 24 kHz พร้อมเสียงโมโน 16 บิต; ogg_opus ใช้ Opus ภายใน Ogg เพื่อสมดุลที่ดีระหว่างคุณภาพและขนาด
จำเป็น

เอาต์พุต

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "gemini-3.1-flash-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": 3,
    "usd": "0.003",
    "charged": 3,
    "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"
  }
}
ไฟล์ของคุณ คุณเลือกเองทุก outputs[].url คือสำเนาบนพื้นที่จัดเก็บของเรา: เก็บไว้ตลอดไป (คิดค่าบริการต่อ GB-เดือน) หรือฟรี 7 วัน โดยกำหนดได้ในการตั้งค่าบัญชีหรือ ?storage=
รูปแบบเดียวกันในทุกโมเดลtype, url, content_type, width, height และ duration สำหรับภาพ วิดีโอ และเสียงเหมือนกันทั้งหมด ส่วน output คือออบเจ็กต์ผลลัพธ์ของโมเดลเอง
ฟิลด์ของเอาต์พุต
audio
object {url, content_type, file_name, file_size}ไฟล์เสียงที่สร้างขึ้น

สำหรับเอเจนต์ AI: หน้า Markdown นี้อยู่ที่ https://doitong.com/th/developers/models/gemini-3.1-flash-tts.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt