Neidio i'r cynnwys

Gemini TTS

Integreiddio

ID y model gemini-tts
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/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.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Y cais hwn: ≈$0.03 30 o gredydau API · ≈ ₽3.16 Ei redeg ar y dudalen hon

Cael allwedd API
Google Testun i Leferydd #text-to-speech#audio#gemini

Text-to-speech gyda 30 llais, deialog aml-siaradwr, cyfarwyddiadau arddull a dewis model Flash neu Pro

Google · Sain

Mae eich canlyniad cyntaf yn mynd yma

Adeiladwch gais isod a'i redeg gyda'ch allwedd API. Mae allbynnau'n cael eu copïo i'n storio, wedi'u cadw am byth neu am 7 diwrnod am ddim.

Adeiladu cais

Cynhyrchir rheolyddion o sgema'r model. Mae'r cod a'r pris yn diweddaru wrth i chi eu newid.

•gofynnol 50 / 50000

Testun lleferydd ar gyfer Gemini TTS, gan dderbyn cyfarwyddiadau iaith naturiol mewnol ar gyfer arddull, cyflymder, acen ac emosiwn, fel 'Say cheerfully: Have a wonderful day!'. Mae marcyddion mewnlin gan gynnwys [slowly], [whispering], [excited], a [extremely fast] hefyd yn rheoli cyflymder ac arddull. Mae angen llinellau sy'n dechrau gydag arallenwau o'r maes speakers ar gyfer sawl siaradwr, er enghraifft 'Alice: Hello!\nBob: Hi!'.

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

Cyfarwyddiadau iaith naturiol opsiynol a gedwir ar wahân i'r cynnwys llafar ac a fewnosodir cyn yr anogiad i siapio mynegiant, acen, cyflymder, tôn ac emosiwn. Mae enghreifftiau'n cynnwys 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', a 'Whisper mysteriously'.

output_format rhagosodedig mp3

Fformat yr allbwn sain: mae mp3 yn darparu ffeiliau cywasgedig a chryno ac fe'i argymhellir; mae wav yn cynnwys PCM anghywasgedig mewn cynhwysydd WAV ar 24 kHz gyda sain mono 16-did; mae ogg_opus yn defnyddio Opus y tu mewn i Ogg ar gyfer cydbwysedd ffafriol rhwng ansawdd a maint.

rhagosodedig Kore

Dewis llais un siaradwr o 30 rhagosodiad gwahanol; mae gosod speakers yn gwneud y dewis hwn yn anweithredol. Yr opsiynau benywaidd poblogaidd yw Kore, gyda chyflwyniad cryf a chadarn, Zephyr, gyda chyflwyniad llachar a chlir, ac Aoede, gyda chyflwyniad cynnes a melodig; yr opsiynau gwrywaidd poblogaidd yw Puck, bywiog a llawn egni, a Charon, tawel a phroffesiynol.

rhagosodedig gemini-2.5-flash-tts

Dewis model Gemini TTS. Ar gyfer yr ansawdd uchaf mewn llifoedd gwaith strwythuredig fel llyfrau sain, podlediadau neu gymorth cwsmeriaid, defnyddiwch gemini-2.5-pro-tts.

Iaith lleferydd ar gyfer synthesis amlieithog: hepgorwch hi i adael i'r model gasglu'r iaith o'ch testun, neu ei darparu i arwain yr allbwn llafar. Mae'r cwmpas yn cynnwys 60+ o ieithoedd yn Preview a 24 yn GA.

rhagosodedig 1

Gosodiad haprwydd lleferydd, o gyflwyniad ffocysedig a rhagweladwy ar osodiadau is i gyflwyniad creadigol ac amrywiol ar osodiadau uwch.

Cyfluniad siaradwr a gefnogir gan gemini-2.5-pro-tts a gemini-2.5-flash-tts, ond nid gan gemini-2.5-flash-lite-preview-tts. Mae ei ddarparu'n galluogi gwahanol leisiau i ddarllen rhannau gwahanol o'r testun; ar gyfer pob siaradwr, darparwch lais ynghyd ag arallenw speaker_id sy'n cyfateb i ragddodiaid anogiad y siaradwr hwnnw.

POST /run/gemini-tts?wait=20 dyfynbris → $0.03
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/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.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Rhedeg y cais hwn

Mae'ch allwedd yn aros yn y porwr hwn: caiff ei hanfon at Doitong API yn unig a'i chadw (localStorage) dim ond os ticiwch Cofio. Cael allwedd API

Ynglŷn â Gemini TTS

Yn trosi hyd at 50,000 nod o destun yn leferydd. Dewiswch `voice`, a `model` gemini-2.5-flash-tts neu gemini-2.5-pro-tts. Mae `style_instructions` (hyd at 4000 nod) yn llywio'r cyflwyniad, ac mae `speakers` yn derbyn 2 i 10 cofnod ar gyfer sgriptiau aml-lais. `language_code` dewisol, `temperature` 0 i 2, ac allbwn wav, mp3 neu ogg_opus.

Paramedrau

EnwMath RhagosodedigCaniateir Disgrifiad
promptgofynnol
Mathstring
≤ 50,000 nod
Testun lleferydd ar gyfer Gemini TTS, gan dderbyn cyfarwyddiadau iaith naturiol mewnol ar gyfer arddull, cyflymder, acen ac emosiwn, fel 'Say cheerfully: Have a wonderful day!'. Mae marcyddion mewnlin gan gynnwys [slowly], [whispering], [excited], a [extremely fast] hefyd yn rheoli cyflymder ac arddull. Mae angen llinellau sy'n dechrau gydag arallenwau o'r maes speakers ar gyfer sawl siaradwr, er enghraifft 'Alice: Hello!\nBob: Hi!'.
style_instructionsdewisol
Mathstring | null
≤ 4,000 nod
Cyfarwyddiadau iaith naturiol opsiynol a gedwir ar wahân i'r cynnwys llafar ac a fewnosodir cyn yr anogiad i siapio mynegiant, acen, cyflymder, tôn ac emosiwn. Mae enghreifftiau'n cynnwys 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', a 'Whisper mysteriously'.
voicedewisol
Mathenum
RhagosodedigKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 yn rhagorLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Dewis llais un siaradwr o 30 rhagosodiad gwahanol; mae gosod speakers yn gwneud y dewis hwn yn anweithredol. Yr opsiynau benywaidd poblogaidd yw Kore, gyda chyflwyniad cryf a chadarn, Zephyr, gyda chyflwyniad llachar a chlir, ac Aoede, gyda chyflwyniad cynnes a melodig; yr opsiynau gwrywaidd poblogaidd yw Puck, bywiog a llawn egni, a Charon, tawel a phroffesiynol.
modeldewisol
Mathenum
Rhagosodediggemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Dewis model Gemini TTS. Ar gyfer yr ansawdd uchaf mewn llifoedd gwaith strwythuredig fel llyfrau sain, podlediadau neu gymorth cwsmeriaid, defnyddiwch gemini-2.5-pro-tts.
language_codedewisol
Mathenum
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 yn rhagorRussian (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)
Iaith lleferydd ar gyfer synthesis amlieithog: hepgorwch hi i adael i'r model gasglu'r iaith o'ch testun, neu ei darparu i arwain yr allbwn llafar. Mae'r cwmpas yn cynnwys 60+ o ieithoedd yn Preview a 24 yn GA.
speakersdewisol
Mathobject[]
≤ 10 eitem≥ 2 eitem
Cyfluniad siaradwr a gefnogir gan gemini-2.5-pro-tts a gemini-2.5-flash-tts, ond nid gan gemini-2.5-flash-lite-preview-tts. Mae ei ddarparu'n galluogi gwahanol leisiau i ddarllen rhannau gwahanol o'r testun; ar gyfer pob siaradwr, darparwch lais ynghyd ag arallenw speaker_id sy'n cyfateb i ragddodiaid anogiad y siaradwr hwnnw.
speakers[].voicegofynnol
Mathenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 yn rhagorLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Llais rhagosodedig a neilltuir i'r siaradwr hwn.
speakers[].speaker_idgofynnol
Mathstring
Arallenw siaradwr sy'n cynnwys nodau alffaniwmerig yn unig a dim gofod gwyn. Nodwch y siaradwr drwy roi'r arallenw fel rhagddodiad i'w destun anogiad, fel yn 'Alice: Hello! Bob: Hi there!'.
temperaturedewisol
Mathnumber
Rhagosodedig1
0 – 2
Gosodiad haprwydd lleferydd, o gyflwyniad ffocysedig a rhagweladwy ar osodiadau is i gyflwyniad creadigol ac amrywiol ar osodiadau uwch.
output_formatdewisol
Mathenum
Rhagosodedigmp3
wavmp3ogg_opus
Fformat yr allbwn sain: mae mp3 yn darparu ffeiliau cywasgedig a chryno ac fe'i argymhellir; mae wav yn cynnwys PCM anghywasgedig mewn cynhwysydd WAV ar 24 kHz gyda sain mono 16-did; mae ogg_opus yn defnyddio Opus y tu mewn i Ogg ar gyfer cydbwysedd ffafriol rhwng ansawdd a maint.
gofynnol

Allbwn

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.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Eich ffeiliau, eich dewisMae pob outputs[].url yn gopi ar ein storio: wedi'i gadw am byth (telir fesul GB-mis) neu am 7 diwrnod am ddim, yn ôl gosodiad eich cyfrif neu ?storage=.
Yr un siâp ar bob modeltype, url, content_type, width, height a duration, ar gyfer delweddau, fideo a sain fel ei gilydd. Gwrthrych canlyniad y model ei hun yw output.
Meysydd yr allbwn
audio
object {url, content_type, file_name, file_size}Ffeil sain a gynhyrchir.

Ar gyfer asiantau AI: mae'r dudalen hon fel Markdown ar gael yn https://doitong.com/cy/developers/models/gemini-tts.md. Pob model a chanllaw: https://doitong.com/developers/llms.txt