Μετάβαση στο περιεχόμενο

Gemini TTS

Ενσωμάτωση

id μοντέλου 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"

Αυτό το αίτημα: ≈0,03 $ 30 πιστώσεις API · ≈ 3,16 ₽ Εκτέλεση σε αυτήν τη σελίδα

Λήψη κλειδιού API
Google Κείμενο σε ομιλία #text-to-speech#audio#gemini

Text-to-speech με 30 φωνές, διάλογο πολλών ομιλητών, οδηγίες στυλ και επιλογή μοντέλου Flash ή Pro

Google · Ήχος

Το πρώτο σας αποτέλεσμα θα εμφανιστεί εδώ

Δημιουργήστε ένα αίτημα παρακάτω και εκτελέστε το με το κλειδί API σας. Οι έξοδοι αντιγράφονται στην αποθήκευσή μας και διατηρούνται για πάντα ή 7 ημέρες δωρεάν.

Δημιουργία αιτήματος

Τα στοιχεία ελέγχου δημιουργούνται από το σχήμα του μοντέλου. Ο κώδικας και η τιμή ενημερώνονται καθώς τα αλλάζετε.

•απαιτείται 50 / 50000

Κείμενο ομιλίας για Gemini TTS, με ενσωματωμένες οδηγίες φυσικής γλώσσας για στυλ, ρυθμό, προφορά και συναίσθημα, όπως 'Say cheerfully: Have a wonderful day!'. Ενσωματωμένοι δείκτες όπως [slowly], [whispering], [excited] και [extremely fast] ελέγχουν επίσης τον ρυθμό και το στυλ. Για πολλούς ομιλητές απαιτούνται γραμμές που ξεκινούν με ψευδώνυμα από το πεδίο speakers, για παράδειγμα 'Alice: Hello!\nBob: Hi!'.

Για προχωρημένους style_instructions · output_format · voice · model · language_code · temperature · speakers
0 / 4000

Προαιρετικές οδηγίες φυσικής γλώσσας, ξεχωριστές από το εκφωνούμενο περιεχόμενο και τοποθετημένες πριν από το prompt, για διαμόρφωση εκφραστικότητας, προφοράς, ρυθμού, τόνου και συναισθήματος. Παραδείγματα: 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' και 'Whisper mysteriously'.

output_format προεπιλογή mp3

Μορφή ήχου εξόδου: το mp3 παρέχει συμπιεσμένα, μικρά αρχεία και συνιστάται· το wav περιέχει ασυμπίεστο PCM σε δοχείο WAV στα 24 kHz με μονοφωνικό ήχο 16-bit· το ogg_opus χρησιμοποιεί Opus μέσα σε Ogg για καλή ισορροπία ποιότητας και μεγέθους.

προεπιλογή Kore

Επιλογή φωνής ενός ομιλητή από 30 διαφορετικές προεπιλογές· η ρύθμιση speakers απενεργοποιεί αυτή την επιλογή. Δημοφιλείς γυναικείες επιλογές είναι οι Kore, με δυναμική και σταθερή εκφορά, Zephyr, με φωτεινή και καθαρή εκφορά, και Aoede, με ζεστή και μελωδική εκφορά· δημοφιλείς ανδρικές επιλογές είναι οι Puck, ζωηρή και ενεργητική, και Charon, ήρεμη και επαγγελματική.

προεπιλογή gemini-2.5-flash-tts

Επιλογή μοντέλου Gemini TTS. Για την υψηλότερη ποιότητα σε δομημένες ροές εργασίας, όπως audiobook, podcast ή υποστήριξη πελατών, χρησιμοποιήστε gemini-2.5-pro-tts.

Γλώσσα ομιλίας για πολύγλωσση σύνθεση: παραλείψτε την ώστε το μοντέλο να συναγάγει τη γλώσσα από το κείμενό σας ή παρέχετέ την για να καθοδηγήσετε την εκφωνούμενη έξοδο. Η κάλυψη περιλαμβάνει 60+ γλώσσες σε Preview και 24 σε GA.

προεπιλογή 1

Ρύθμιση τυχαιότητας ομιλίας, από εστιασμένη, προβλέψιμη εκφορά σε χαμηλές τιμές έως δημιουργική, ποικίλη εκφορά σε υψηλές.

Διαμόρφωση ομιλητή που υποστηρίζεται από τα gemini-2.5-pro-tts και gemini-2.5-flash-tts, αλλά όχι από το gemini-2.5-flash-lite-preview-tts. Η παροχή της επιτρέπει σε διαφορετικές φωνές να διαβάζουν διαφορετικά τμήματα του κειμένου· για κάθε ομιλητή παρέχετε φωνή και ψευδώνυμο speaker_id που αντιστοιχεί στα προθέματα του prompt του.

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

Εκτέλεση αυτού του αιτήματος

Το κλειδί σας παραμένει σε αυτό το πρόγραμμα περιήγησης: αποστέλλεται μόνο στο Doitong API και αποθηκεύεται (localStorage) μόνο αν ενεργοποιήσετε την επιλογή «Να απομνημονεύεται». Λήψη κλειδιού API

Σχετικά με το Gemini TTS

Μετατρέπει έως 50,000 χαρακτήρες κειμένου σε ομιλία. Επιλέξτε `voice` και `model` gemini-2.5-flash-tts ή gemini-2.5-pro-tts. Το `style_instructions` (έως 4000 χαρακτήρες) καθοδηγεί την εκφορά και το `speakers` δέχεται 2 έως 10 εγγραφές για σενάρια πολλών φωνών. Προαιρετικά `language_code`, `temperature` 0 έως 2 και έξοδος wav, mp3 ή ogg_opus.

Παράμετροι

ΌνομαΤύπος ΠροεπιλογήΕπιτρεπόμενο Περιγραφή
promptαπαιτείται
Τύποςstring
≤ 50.000 χαρακτήρες
Κείμενο ομιλίας για Gemini TTS, με ενσωματωμένες οδηγίες φυσικής γλώσσας για στυλ, ρυθμό, προφορά και συναίσθημα, όπως 'Say cheerfully: Have a wonderful day!'. Ενσωματωμένοι δείκτες όπως [slowly], [whispering], [excited] και [extremely fast] ελέγχουν επίσης τον ρυθμό και το στυλ. Για πολλούς ομιλητές απαιτούνται γραμμές που ξεκινούν με ψευδώνυμα από το πεδίο speakers, για παράδειγμα 'Alice: Hello!\nBob: Hi!'.
style_instructionsπροαιρετικό
Τύποςstring | null
≤ 4.000 χαρακτήρες
Προαιρετικές οδηγίες φυσικής γλώσσας, ξεχωριστές από το εκφωνούμενο περιεχόμενο και τοποθετημένες πριν από το prompt, για διαμόρφωση εκφραστικότητας, προφοράς, ρυθμού, τόνου και συναισθήματος. Παραδείγματα: 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' και 'Whisper mysteriously'.
voiceπροαιρετικό
Τύποςenum
ΠροεπιλογήKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 ακόμηLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Επιλογή φωνής ενός ομιλητή από 30 διαφορετικές προεπιλογές· η ρύθμιση speakers απενεργοποιεί αυτή την επιλογή. Δημοφιλείς γυναικείες επιλογές είναι οι Kore, με δυναμική και σταθερή εκφορά, Zephyr, με φωτεινή και καθαρή εκφορά, και Aoede, με ζεστή και μελωδική εκφορά· δημοφιλείς ανδρικές επιλογές είναι οι Puck, ζωηρή και ενεργητική, και Charon, ήρεμη και επαγγελματική.
modelπροαιρετικό
Τύποςenum
Προεπιλογήgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Επιλογή μοντέλου Gemini TTS. Για την υψηλότερη ποιότητα σε δομημένες ροές εργασίας, όπως audiobook, podcast ή υποστήριξη πελατών, χρησιμοποιήστε gemini-2.5-pro-tts.
language_codeπροαιρετικό
Τύποςenum
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 ακόμηRussian (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)
Γλώσσα ομιλίας για πολύγλωσση σύνθεση: παραλείψτε την ώστε το μοντέλο να συναγάγει τη γλώσσα από το κείμενό σας ή παρέχετέ την για να καθοδηγήσετε την εκφωνούμενη έξοδο. Η κάλυψη περιλαμβάνει 60+ γλώσσες σε Preview και 24 σε GA.
speakersπροαιρετικό
Τύποςobject[]
≤ 10 στοιχεία≥ 2 στοιχεία
Διαμόρφωση ομιλητή που υποστηρίζεται από τα gemini-2.5-pro-tts και gemini-2.5-flash-tts, αλλά όχι από το gemini-2.5-flash-lite-preview-tts. Η παροχή της επιτρέπει σε διαφορετικές φωνές να διαβάζουν διαφορετικά τμήματα του κειμένου· για κάθε ομιλητή παρέχετε φωνή και ψευδώνυμο speaker_id που αντιστοιχεί στα προθέματα του prompt του.
speakers[].voiceαπαιτείται
Τύποςenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 ακόμηLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Προκαθορισμένη φωνή που αντιστοιχίζεται σε αυτόν τον ομιλητή.
speakers[].speaker_idαπαιτείται
Τύποςstring
Ψευδώνυμο ομιλητή που περιέχει μόνο αλφαριθμητικούς χαρακτήρες και κανένα κενό διάστημα. Προσδιορίστε τον ομιλητή προτάσσοντας αυτό το ψευδώνυμο στο κείμενο του prompt, όπως στο 'Alice: Hello! Bob: Hi there!'.
temperatureπροαιρετικό
Τύποςnumber
Προεπιλογή1
0 – 2
Ρύθμιση τυχαιότητας ομιλίας, από εστιασμένη, προβλέψιμη εκφορά σε χαμηλές τιμές έως δημιουργική, ποικίλη εκφορά σε υψηλές.
output_formatπροαιρετικό
Τύποςenum
Προεπιλογήmp3
wavmp3ogg_opus
Μορφή ήχου εξόδου: το mp3 παρέχει συμπιεσμένα, μικρά αρχεία και συνιστάται· το wav περιέχει ασυμπίεστο PCM σε δοχείο WAV στα 24 kHz με μονοφωνικό ήχο 16-bit· το ogg_opus χρησιμοποιεί Opus μέσα σε Ogg για καλή ισορροπία ποιότητας και μεγέθους.
απαιτείται

Έξοδος

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"
  }
}
Τα αρχεία σας, η επιλογή σαςΚάθε outputs[].url είναι ένα αντίγραφο στην αποθήκευσή μας: διατηρείται για πάντα (χρέωση ανά GB-μήνα) ή 7 ημέρες δωρεάν, σύμφωνα με τη ρύθμιση του λογαριασμού σας ή ?storage=.
Ίδια μορφή σε κάθε μοντέλοtype, url, content_type, width, height και duration, τόσο για εικόνες όσο και για βίντεο και ήχο. Το output είναι το αντικείμενο αποτελέσματος του ίδιου του μοντέλου.
Πεδία εξόδου
audio
object {url, content_type, file_name, file_size}Αρχείο ήχου που παράγεται από την παραγωγή.

Για πράκτορες AI: αυτή η σελίδα σε Markdown βρίσκεται στη διεύθυνση https://doitong.com/el/developers/models/gemini-tts.md. Όλα τα μοντέλα και οι οδηγοί: https://doitong.com/developers/llms.txt