Léim chuig an ábhar

Gemini TTS

Comhtháthú

Aitheantas na samhla 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"

An t-iarratas seo: ≈$0.03 30 gcreidmheas API · ≈ ₽3.16 Rith ar an leathanach seo

Faigh eochair API
Google Téacs go Urlabhra #text-to-speech#audio#gemini

Téacs-go-hurlabhra le 30 guth, idirphlé ilchainteora, treoracha stíle agus rogha samhla Flash nó Pro

Google · Fuaim

Beidh do chéad toradh anseo

Tóg iarratas thíos agus rith é le d’eochair API. Cóipeáiltear na haschuir chuig ár stóráil, coinnithe go deo nó ar feadh 7 lá saor in aisce.

Tóg iarratas

Gintear na rialtáin ó scéim na samhla. Nuashonraítear an cód agus an praghas de réir mar a athraíonn tú iad.

•riachtanach 50 / 50000

Téacs cainte do Gemini TTS, a ghlacann le treoracha teanga nádúrtha leabaithe maidir le stíl, luas, blas cainte agus mothúchán, amhail 'Say cheerfully: Have a wonderful day!'. Rialaíonn marcóirí inlíne lena n-áirítear [slowly], [whispering], [excited], agus [extremely fast] luas agus stíl freisin. Teastaíonn línte a thosaíonn le hailiasanna ón réimse speakers ó chainteoirí iolracha, mar shampla 'Alice: Hello!\nBob: Hi!'.

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

Treoracha roghnacha teanga nádúrtha a choimeádtar scartha ón ábhar labhartha agus a chuirtear isteach roimh an leid chun léiritheacht, blas cainte, luas, tuin agus mothúchán a mhúnlú. I measc na samplaí tá 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', agus 'Whisper mysteriously'.

output_format réamhshocrú mp3

Formáid don fhuaim aschuir: soláthraíonn mp3 comhaid chomhbhrúite dhlútha agus moltar é; tá PCM neamh-chomhbhrúite i gcoimeádán WAV ag 24 kHz le fuaim mhona 16-giotán i wav; úsáideann ogg_opus Opus taobh istigh de Ogg le cothromaíocht mhaith idir cáilíocht agus méid.

réamhshocrú Kore

Roghnú gutha aon chainteora as 30 réamhshocrú éagsúil; má shocraítear speakers, éiríonn an rogha seo neamhghníomhach. I measc na roghanna coitianta baineann tá Kore, le seachadadh láidir daingean, Zephyr, le seachadadh geal soiléir, agus Aoede, le seachadadh te séiseach; i measc na roghanna coitianta fireanna tá Puck, bríomhar beo, agus Charon, socair gairmiúil.

réamhshocrú gemini-2.5-flash-tts

Roghnú samhla Gemini TTS. Chun an cháilíocht is airde i sreafaí oibre struchtúrtha amhail closleabhair, podchraoltaí nó tacaíocht do chustaiméirí, bain úsáid as gemini-2.5-pro-tts.

Teanga cainte le haghaidh sintéise ilteangach: fág ar lár í chun ligean don tsamhail an teanga a thuiscint ón téacs, nó soláthair í chun an t-aschur labhartha a threorú. Clúdaítear 60+ teanga i Preview agus 24 i GA.

réamhshocrú 1

Socrú randamacht cainte, ó sheachadadh dírithe intuartha ag socruithe ísle go seachadadh cruthaitheach éagsúil ag socruithe arda.

Cumraíocht chainteora a dtacaíonn gemini-2.5-pro-tts agus gemini-2.5-flash-tts léi, ach nach dtacaíonn gemini-2.5-flash-lite-preview-tts léi. Trí í a sholáthar, léann guthanna éagsúla codanna éagsúla den téacs; do gach cainteoir, soláthair guth agus ailias speaker_id a fhreagraíonn do réimíreanna leide an chainteora sin.

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

Rith an t-iarratas seo

Fanann d'eochair sa bhrabhsálaí seo: seoltar chuig Doitong API amháin í agus sábháiltear (localStorage) í ach amháin má chuireann tú tic le Meabhraigh. Faigh eochair API

Maidir le Gemini TTS

Tiontaíonn sé suas le 50,000 carachtar téacs ina urlabhra. Roghnaigh `voice`, agus samhail `model` gemini-2.5-flash-tts nó gemini-2.5-pro-tts. Treoraíonn `style_instructions` (suas le 4000 carachtar) an seachadadh, agus glacann `speakers` 2 go 10 n-iontráil le haghaidh scripteanna ilghutha. Tá `language_code`, `temperature` 0 go 2 agus aschur wav, mp3 nó ogg_opus roghnach.

Paraiméadair

AinmCineál RéamhshocrúCeadaithe Cur síos
promptriachtanach
Cineálstring
≤ 50,000 gcarachtar
Téacs cainte do Gemini TTS, a ghlacann le treoracha teanga nádúrtha leabaithe maidir le stíl, luas, blas cainte agus mothúchán, amhail 'Say cheerfully: Have a wonderful day!'. Rialaíonn marcóirí inlíne lena n-áirítear [slowly], [whispering], [excited], agus [extremely fast] luas agus stíl freisin. Teastaíonn línte a thosaíonn le hailiasanna ón réimse speakers ó chainteoirí iolracha, mar shampla 'Alice: Hello!\nBob: Hi!'.
style_instructionsroghnach
Cineálstring | null
≤ 4,000 gcarachtar
Treoracha roghnacha teanga nádúrtha a choimeádtar scartha ón ábhar labhartha agus a chuirtear isteach roimh an leid chun léiritheacht, blas cainte, luas, tuin agus mothúchán a mhúnlú. I measc na samplaí tá 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', agus 'Whisper mysteriously'.
voiceroghnach
Cineálenum
RéamhshocrúKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 eileLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Roghnú gutha aon chainteora as 30 réamhshocrú éagsúil; má shocraítear speakers, éiríonn an rogha seo neamhghníomhach. I measc na roghanna coitianta baineann tá Kore, le seachadadh láidir daingean, Zephyr, le seachadadh geal soiléir, agus Aoede, le seachadadh te séiseach; i measc na roghanna coitianta fireanna tá Puck, bríomhar beo, agus Charon, socair gairmiúil.
modelroghnach
Cineálenum
Réamhshocrúgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Roghnú samhla Gemini TTS. Chun an cháilíocht is airde i sreafaí oibre struchtúrtha amhail closleabhair, podchraoltaí nó tacaíocht do chustaiméirí, bain úsáid as gemini-2.5-pro-tts.
language_coderoghnach
Cineálenum
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 eileRussian (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)
Teanga cainte le haghaidh sintéise ilteangach: fág ar lár í chun ligean don tsamhail an teanga a thuiscint ón téacs, nó soláthair í chun an t-aschur labhartha a threorú. Clúdaítear 60+ teanga i Preview agus 24 i GA.
speakersroghnach
Cineálobject[]
≤ 10 mír≥ 2 mhír
Cumraíocht chainteora a dtacaíonn gemini-2.5-pro-tts agus gemini-2.5-flash-tts léi, ach nach dtacaíonn gemini-2.5-flash-lite-preview-tts léi. Trí í a sholáthar, léann guthanna éagsúla codanna éagsúla den téacs; do gach cainteoir, soláthair guth agus ailias speaker_id a fhreagraíonn do réimíreanna leide an chainteora sin.
speakers[].voiceriachtanach
Cineálenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 eileLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Guth réamhshocraithe a shanntar don chainteoir seo.
speakers[].speaker_idriachtanach
Cineálstring
Ailias cainteora nach bhfuil ann ach carachtair alfa-uimhriúla agus gan spás bán. Sainaithin an cainteoir trí théacs a leide a réamhluaidh leis an ailias seo, mar atá in 'Alice: Hello! Bob: Hi there!'.
temperatureroghnach
Cineálnumber
Réamhshocrú1
0 – 2
Socrú randamacht cainte, ó sheachadadh dírithe intuartha ag socruithe ísle go seachadadh cruthaitheach éagsúil ag socruithe arda.
output_formatroghnach
Cineálenum
Réamhshocrúmp3
wavmp3ogg_opus
Formáid don fhuaim aschuir: soláthraíonn mp3 comhaid chomhbhrúite dhlútha agus moltar é; tá PCM neamh-chomhbhrúite i gcoimeádán WAV ag 24 kHz le fuaim mhona 16-giotán i wav; úsáideann ogg_opus Opus taobh istigh de Ogg le cothromaíocht mhaith idir cáilíocht agus méid.
riachtanach

Aschur

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"
  }
}
Do chuid comhad, do roghaIs cóip ar ár stóráil é gach outputs[].url: coinnithe go deo (íoctha in aghaidh GB-mhí) nó ar feadh 7 lá saor in aisce, de réir shocrú do chuntais nó ?storage=.
An cruth céanna ar gach samhailtype, url, content_type, width, height agus duration, d'íomhánna, d'fhíseáin agus d'fhuaim araon. Is é output réad toraidh na samhla féin.
Réimsí aschuir
audio
object {url, content_type, file_name, file_size}Comhad fuaime a tháirgtear leis an nginiúint.

Do ghníomhairí AI: tá an leathanach seo mar Markdown ag https://doitong.com/ga/developers/models/gemini-tts.md. Gach samhail agus treoir: https://doitong.com/developers/llms.txt