ข้ามไปยังเนื้อหา

Gemini TTS

ผสานการทำงาน

ID โมเดล 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"

คำขอนี้: ≈$0.03 30 เครดิต API เรียกใช้ในหน้านี้

รับคีย์ API
Google ข้อความเป็นเสียงพูด #text-to-speech#audio#gemini

Text-to-speech พร้อมเสียง 30 แบบ บทสนทนาหลายผู้พูด คำสั่งสไตล์ และตัวเลือกโมเดล Flash หรือ Pro

Google · เสียง

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น 50 / 50000

ข้อความเสียงพูดสำหรับ Gemini TTS ซึ่งรองรับคำสั่งภาษาธรรมชาติที่ฝังอยู่สำหรับรูปแบบ จังหวะ สำเนียง และอารมณ์ เช่น 'Say cheerfully: Have a wonderful day!'. เครื่องหมายอินไลน์ เช่น [slowly], [whispering], [excited] และ [extremely fast] ยังควบคุมจังหวะและรูปแบบได้ ผู้พูดหลายคนต้องใช้บรรทัดที่ขึ้นต้นด้วยนามแฝงจากฟิลด์ speakers เช่น 'Alice: Hello!\nBob: Hi!'.

ขั้นสูง style_instructions · output_format · voice · model · 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

ค่าเริ่มต้น gemini-2.5-flash-tts

การเลือกโมเดล Gemini TTS สำหรับคุณภาพสูงสุดในเวิร์กโฟลว์ที่มีโครงสร้าง เช่น หนังสือเสียง พอดแคสต์ หรือการสนับสนุนลูกค้า ให้ใช้ gemini-2.5-pro-tts

ภาษาสำหรับเสียงพูดแบบหลายภาษา: ไม่ต้องระบุเพื่อให้โมเดลอนุมานภาษาจากข้อความ หรือระบุเพื่อกำกับเอาต์พุตเสียงพูด รองรับมากกว่า 60 ภาษาใน Preview และ 24 ภาษาใน GA

ค่าเริ่มต้น 1

การตั้งค่าความสุ่มของเสียงพูด ซึ่งมีผลตั้งแต่การพูดที่เน้นความสอดคล้องและคาดเดาได้เมื่อใช้ค่าต่ำ ไปจนถึงการพูดที่สร้างสรรค์และหลากหลายเมื่อใช้ค่าสูง

การกำหนดค่าผู้พูดที่รองรับโดย gemini-2.5-pro-tts และ gemini-2.5-flash-tts แต่ไม่รองรับโดย gemini-2.5-flash-lite-preview-tts การระบุค่านี้ทำให้เสียงที่แตกต่างกันอ่านข้อความคนละส่วน สำหรับผู้พูดแต่ละคน ให้ระบุเสียงพร้อมนามแฝง speaker_id ที่ตรงกับคำนำหน้าพรอมต์ของผู้พูดนั้น

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

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ Gemini TTS

แปลงข้อความยาวสูงสุด 50,000 อักขระเป็นเสียงพูด เลือก `voice` และ `model` เป็น gemini-2.5-flash-tts หรือ gemini-2.5-pro-tts `style_instructions` (สูงสุด 4000 อักขระ) ควบคุมรูปแบบการอ่าน และ `speakers` รับรายการ 2 ถึง 10 รายการสำหรับสคริปต์หลายเสียง รองรับ `language_code` เสริม, `temperature` ตั้งแต่ 0 ถึง 2 และเอาต์พุต wav, mp3 หรือ ogg_opus

พารามิเตอร์

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
promptจำเป็น
ประเภทstring
≤ 50,000 อักขระ
ข้อความเสียงพูดสำหรับ Gemini TTS ซึ่งรองรับคำสั่งภาษาธรรมชาติที่ฝังอยู่สำหรับรูปแบบ จังหวะ สำเนียง และอารมณ์ เช่น 'Say cheerfully: Have a wonderful day!'. เครื่องหมายอินไลน์ เช่น [slowly], [whispering], [excited] และ [extremely fast] ยังควบคุมจังหวะและรูปแบบได้ ผู้พูดหลายคนต้องใช้บรรทัดที่ขึ้นต้นด้วยนามแฝงจากฟิลด์ speakers เช่น 'Alice: Hello!\nBob: Hi!'.
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
modelไม่บังคับ
ประเภทenum
ค่าเริ่มต้นgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
การเลือกโมเดล Gemini TTS สำหรับคุณภาพสูงสุดในเวิร์กโฟลว์ที่มีโครงสร้าง เช่น หนังสือเสียง พอดแคสต์ หรือการสนับสนุนลูกค้า ให้ใช้ gemini-2.5-pro-tts
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)
ภาษาสำหรับเสียงพูดแบบหลายภาษา: ไม่ต้องระบุเพื่อให้โมเดลอนุมานภาษาจากข้อความ หรือระบุเพื่อกำกับเอาต์พุตเสียงพูด รองรับมากกว่า 60 ภาษาใน Preview และ 24 ภาษาใน GA
speakersไม่บังคับ
ประเภทobject[]
≤ 10 รายการ≥ 2 รายการ
การกำหนดค่าผู้พูดที่รองรับโดย gemini-2.5-pro-tts และ gemini-2.5-flash-tts แต่ไม่รองรับโดย gemini-2.5-flash-lite-preview-tts การระบุค่านี้ทำให้เสียงที่แตกต่างกันอ่านข้อความคนละส่วน สำหรับผู้พูดแต่ละคน ให้ระบุเสียงพร้อมนามแฝง speaker_id ที่ตรงกับคำนำหน้าพรอมต์ของผู้พูดนั้น
speakers[].voiceจำเป็น
ประเภทenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
เพิ่มเติมอีก 14 ค่าLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
เสียงพรีเซ็ตที่กำหนดให้ผู้พูดคนนี้
speakers[].speaker_idจำเป็น
ประเภทstring
นามแฝงผู้พูดที่มีเฉพาะอักขระตัวเลขและตัวอักษรและไม่มีช่องว่าง ระบุผู้พูดโดยเติมนามแฝงนี้ไว้หน้าข้อความพรอมต์ เช่น 'Alice: Hello! Bob: Hi there!'.
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-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"
  }
}
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-tts.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt