שפּרינגען צו אינהאַלט

Gemini TTS

אינטעגרירן

מאָדעל־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"

דער דאָזיקער ריקוועסט: ≈⁨$ 0.03⁩ 30 API־קרעדיטן לויפֿן עס אויף דער דאָזיקער בלאַט

באַקומען אַן API שליסל
Google טעקסט צו רעדע #text-to-speech#audio#gemini

Text-to-speech מיט 30 קולות, מולטי־רעדנער־דיאַלאָג, סטייל־אינסטרוקציעס און אַ Flash אָדער Pro־מאָדעל־אויסקלײַב

Google · אַודיאָ

דאָ קומט אײַער ערשטער רעזולטאַט

בויט אונטן אַ בקשה און לויפט זי מיט אײַער API שליסל. רעזולטאַטן ווערן קאַפּירט צו אונדזער סטאָרידזש, געהאַלטן אויף אייביק אָדער 7 טעג אומזיסט.

בויען אַ בעטן

קאָנטראָלן ווערן דזשענערירט פֿון דעם מאָדעל־סכעמע. דער קאָד און דער פּרײַז דערהײַנטיקן זיך ווען איר ענדערט זיי.

•פארלאנגט 50 / 50000

רעדע־טעקסט פֿאַר Gemini TTS, מיט אַרײַנגעבעטענע אינסטרוקציעס אין נאַטירלעכער שפּראַך פֿאַר סטיל, גיכקייט, אַקצענט און עמאָציע, ווי 'Say cheerfully: Have a wonderful day!'. אינלײַן־מאַרקערס ווי [slowly], [whispering], [excited], און [extremely fast] קאָנטראָלירן אויך גיכקייט און סטיל. עטלעכע רעדנער דאַרפן שורות וואָס אָנהייבן מיט אַליאַסן פֿון speakers, למשל 'Alice: Hello!\nBob: Hi!'.

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

אָפּציאָנעלע אינסטרוקציעס אין נאַטירלעכער שפּראַך, געהאַלטן באַזונדער פון גערעדטן אינהאַלט און אַרײַנגעשטעלט פֿאַרן פּראָמפּט צו פֿאָרמירן אויסדרוק, אַקצענט, גיכקייט, טאָן און עמאָציע. בײַשפּילן אַרײַננעמען 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', און 'Whisper mysteriously'.

output_format סטאַנדאַרט mp3

פֿאָרמאַט פֿאַרן רעזולטאַט־אַודיאָ: mp3 גיט קאָמפּרעסירטע, קאָמפּאַקטע פֿײַלן און ווערט רעקאָמענדירט; wav אַנטהאַלט אומקאָמפּרעסירטן PCM אין אַ WAV־קאַנטיינער בײַ 24 kHz מיט 16-bit מאָנאָ־אַודיאָ; ogg_opus ניצט Opus אינעווייניק אין Ogg פֿאַר אַ גוטן וואָג צווישן קוואַליטעט און גרייס.

סטאַנדאַרט Kore

אויסקלײַב פון איין־רעדנער־שטימע פֿון 30 באַזונדערע פּרעסעטן; באַשטימען speakers מאַכט דעם אויסקלײַב אומאַקטיוו. פּאָפּולערע פֿרויען־אָפּציעס זענען Kore, מיט אַ שטאַרקער און פעסטער איבערגעבן, Zephyr, מיט אַ העלער און קלאָרער איבערגעבן, און Aoede, מיט אַ וואַרעמער און מעלאָדישער איבערגעבן; פּאָפּולערע מענער־אָפּציעס זענען Puck, לעבעדיק און ענערגיש, און Charon, רויִק און פּראָפֿעסיאָנעל.

סטאַנדאַרט gemini-2.5-flash-tts

Gemini TTS מאָדעל־אויסקלײַב. פֿאַר די העכסטע קוואַליטעט אין סטרוקטורירטע וואָרקפֿלאָוז ווי אַודיאָביכער, פּאָדקאַסטן אָדער קונה־שטיצע, ניצט gemini-2.5-pro-tts.

רעדע־שפּראַך פֿאַר מולטילינגוואַלער סינטעז: לאָזט זי אויס כדי דער מאָדעל זאָל אָפּשאַצן די שפּראַך פֿון אייער טעקסט, אָדער צושטעלן זי צו פֿירן דעם גערעדטן רעזולטאַט. עס ווערן געשטיצט 60+ שפּראַכן אין Preview און 24 אין GA.

סטאַנדאַרט 1

רעדע־ראַנדאָמקייט־באַשטעטיקונג, פֿון פאָקוסירטער, פֿאָרויסזעעוודיקער איבערגעבן בײַ נידעריקע ווערטן ביז שעפֿערישער, פֿאַרשיידנאַרטיקער איבערגעבן בײַ העכערע.

רעדנער־קאָנפֿיגוראַציע געשטיצט דורך gemini-2.5-pro-tts און gemini-2.5-flash-tts, אָבער נישט דורך gemini-2.5-flash-lite-preview-tts. איר צושטעלן עס דערלויבט פאַרשידענע שטימען צו לייענען פאַרשידענע טיילן פונעם טעקסט; פֿאַר יעדן רעדנער צושטעלן אַ שטימע פּלוס speaker_id אַליאַס וואָס קאָרעספּאָנדירט צו יענעם רעדנער׳ס פּראָמפּט־פּרעפֿיקסן.

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

לויפֿן דעם ריקוועסט

אײַער key בלײַבט אין דעם בלעטערער: זי ווערט געשיקט נאָר צום Doitong API און אָפּגעהיט (localStorage) נאָר אויב איר טיקט אָן געדענקען. באַקומען אַן API שליסל

וועגן Gemini TTS

פֿאַרוואַנדלט ביז 50,000 אותיות טעקסט אין רעדע. אויסקלײַבן אַ `voice`, און `model` gemini-2.5-flash-tts אָדער gemini-2.5-pro-tts. `style_instructions` (ביז 4000 אותיות) פֿירט די אויפֿפֿירונג, און `speakers` נעמט 2 ביז 10 איינסן פֿאַר מולטי־קול־סקריפּטן. אָפּציאָנאַל `language_code`, `temperature` 0 ביז 2, און wav, mp3 אָדער ogg_opus־אויסגאַנג.

פּאַראַמעטערס

נאָמעןטיפּ סטאַנדאַרטערלויבט באַשרײַבונג
promptפארלאנגט
טיפּstring
≤ 50,000 כאַראַקטערן
רעדע־טעקסט פֿאַר Gemini TTS, מיט אַרײַנגעבעטענע אינסטרוקציעס אין נאַטירלעכער שפּראַך פֿאַר סטיל, גיכקייט, אַקצענט און עמאָציע, ווי 'Say cheerfully: Have a wonderful day!'. אינלײַן־מאַרקערס ווי [slowly], [whispering], [excited], און [extremely fast] קאָנטראָלירן אויך גיכקייט און סטיל. עטלעכע רעדנער דאַרפן שורות וואָס אָנהייבן מיט אַליאַסן פֿון speakers, למשל 'Alice: Hello!\nBob: Hi!'.
style_instructionsאָפּציאָנעל
טיפּstring | null
≤ 4,000 כאַראַקטערן
אָפּציאָנעלע אינסטרוקציעס אין נאַטירלעכער שפּראַך, געהאַלטן באַזונדער פון גערעדטן אינהאַלט און אַרײַנגעשטעלט פֿאַרן פּראָמפּט צו פֿאָרמירן אויסדרוק, אַקצענט, גיכקייט, טאָן און עמאָציע. בײַשפּילן אַרײַננעמען 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', און 'Whisper mysteriously'.
voiceאָפּציאָנעל
טיפּenum
סטאַנדאַרטKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 נאָךLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
אויסקלײַב פון איין־רעדנער־שטימע פֿון 30 באַזונדערע פּרעסעטן; באַשטימען speakers מאַכט דעם אויסקלײַב אומאַקטיוו. פּאָפּולערע פֿרויען־אָפּציעס זענען Kore, מיט אַ שטאַרקער און פעסטער איבערגעבן, Zephyr, מיט אַ העלער און קלאָרער איבערגעבן, און Aoede, מיט אַ וואַרעמער און מעלאָדישער איבערגעבן; פּאָפּולערע מענער־אָפּציעס זענען Puck, לעבעדיק און ענערגיש, און Charon, רויִק און פּראָפֿעסיאָנעל.
modelאָפּציאָנעל
טיפּenum
סטאַנדאַרטgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Gemini TTS מאָדעל־אויסקלײַב. פֿאַר די העכסטע קוואַליטעט אין סטרוקטורירטע וואָרקפֿלאָוז ווי אַודיאָביכער, פּאָדקאַסטן אָדער קונה־שטיצע, ניצט gemini-2.5-pro-tts.
language_codeאָפּציאָנעל
טיפּenum
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 נאָךRussian (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)
רעדע־שפּראַך פֿאַר מולטילינגוואַלער סינטעז: לאָזט זי אויס כדי דער מאָדעל זאָל אָפּשאַצן די שפּראַך פֿון אייער טעקסט, אָדער צושטעלן זי צו פֿירן דעם גערעדטן רעזולטאַט. עס ווערן געשטיצט 60+ שפּראַכן אין Preview און 24 אין GA.
speakersאָפּציאָנעל
טיפּobject[]
≤ 10 ייטעמס≥ 2 ייטעמס
רעדנער־קאָנפֿיגוראַציע געשטיצט דורך gemini-2.5-pro-tts און gemini-2.5-flash-tts, אָבער נישט דורך gemini-2.5-flash-lite-preview-tts. איר צושטעלן עס דערלויבט פאַרשידענע שטימען צו לייענען פאַרשידענע טיילן פונעם טעקסט; פֿאַר יעדן רעדנער צושטעלן אַ שטימע פּלוס speaker_id אַליאַס וואָס קאָרעספּאָנדירט צו יענעם רעדנער׳ס פּראָמפּט־פּרעפֿיקסן.
speakers[].voiceפארלאנגט
טיפּenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 נאָךLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
פּרעסטעטירטע שטימע צוגעטיילט צו דעם רעדנער.
speakers[].speaker_idפארלאנגט
טיפּstring
רעדנער־אַליאַס מיט בלויז אלפאַנומערישע אותיות און אָן ליידיק־רוימען. אידענטיפיצירן דעם רעדנער דורך צולייגן דעם אַליאַס פֿאַרן פּראָמפּט־טעקסט, ווי אין 'Alice: Hello! Bob: Hi there!'.
temperatureאָפּציאָנעל
טיפּnumber
סטאַנדאַרט1
0 – 2
רעדע־ראַנדאָמקייט־באַשטעטיקונג, פֿון פאָקוסירטער, פֿאָרויסזעעוודיקער איבערגעבן בײַ נידעריקע ווערטן ביז שעפֿערישער, פֿאַרשיידנאַרטיקער איבערגעבן בײַ העכערע.
output_formatאָפּציאָנעל
טיפּenum
סטאַנדאַרטmp3
wavmp3ogg_opus
פֿאָרמאַט פֿאַרן רעזולטאַט־אַודיאָ: mp3 גיט קאָמפּרעסירטע, קאָמפּאַקטע פֿײַלן און ווערט רעקאָמענדירט; wav אַנטהאַלט אומקאָמפּרעסירטן PCM אין אַ WAV־קאַנטיינער בײַ 24 kHz מיט 16-bit מאָנאָ־אַודיאָ; ogg_opus ניצט Opus אינעווייניק אין Ogg פֿאַר אַ גוטן וואָג צווישן קוואַליטעט און גרייס.
פארלאנגט

אויסגאַבע

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"
  }
}
אייער טעקעס, אייער ברירהיעדער outputs[].url איז אַ קאַפּיע אין אונדזער סטאָרידזש: געהאַלטן אויף אייביק (באַצאָלט פּער GB־חודש) אָדער 7 טעג אומזיסט, לויט אײַער חשבון־באַשטעטיקונג אָדער ?storage=.
דער זעלבער פֿאָרעם בײַ יעדן מאָדעלtype, url, content_type, width, height און duration, סײַ פֿאַר בילדער, ווידעאָ און אַודיאָ. output איז דער אייגענער רעזולטאַט־אָביעקט פֿון מאָדעל.
פֿעלדער פֿון דער אויסגאַבע
audio
object {url, content_type, file_name, file_size}אַודיאָ־פֿײַל געשאַפֿן דורך גענערירונג.

פֿאַר AI־אַגענטן: דער בלאַט ווי Markdown געפֿינט זיך בײַ https://doitong.com/yi/developers/models/gemini-tts.md. אַלע מאָדעלן און גוידעס: https://doitong.com/developers/llms.txt