Ugrás a tartalomhoz

Gemini TTS

Integráció

Modellazonosító 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"

Ez a kérés: ≈0,03 $ 30 API-jóváírás · ≈ 3,16 ₽ Futtatás ezen az oldalon

API-kulcs beszerzése
Google Szövegből beszéd #text-to-speech#audio#gemini

Szövegből beszéd 30 hanggal, több beszélős párbeszéddel, stílusutasításokkal, valamint Flash vagy Pro modellválasztási lehetőséggel

Google · Hang

Az első eredményed itt jelenik meg

Állíts össze egy kérést alább, majd futtasd az API-kulcsoddal. A kimeneteket a tárhelyünkre másoljuk, és örökre vagy 7 nap ideig ingyenesen őrizzük meg.

Kérés összeállítása

A vezérlők a modell sémájából jönnek létre. A kód és az ár a módosításokkal együtt frissül.

•kötelező 50 / 50000

Beszédszöveg a Gemini TTS számára, beágyazott természetes nyelvű stílus-, tempó-, akcentus- és érzelemutasításokkal, például 'Say cheerfully: Have a wonderful day!'. Az olyan inline jelölők, mint a [slowly], [whispering], [excited] és [extremely fast], szintén szabályozzák a tempót és a stílust. Több beszélő esetén a soroknak a speakers mező aliászaival kell kezdődniük, például 'Alice: Hello!\nBob: Hi!'.

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

Opcionális természetes nyelvű utasítások, amelyek elkülönülnek a kimondott tartalomtól, és a prompt elé kerülnek a kifejezőkészség, az akcentus, a tempó, a hangnem és az érzelem alakításához. Példák: 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' és 'Whisper mysteriously'.

output_format alapértelmezett: mp3

A kimeneti hang formátuma: az mp3 tömörített, kis méretű fájlokat biztosít, ezért ajánlott; a wav tömörítetlen PCM-et tartalmaz WAV-konténerben, 24 kHz-es, 16 bites monó hanggal; az ogg_opus Opust használ Ogg-konténerben, kedvező minőség–méret aránnyal.

alapértelmezett: Kore

Egy beszélő hangjának kiválasztása 30 különböző előbeállításból; a speakers megadása inaktívvá teszi ezt a választást. Népszerű női lehetőség a Kore, határozott előadásmóddal, a Zephyr, világos és tiszta előadásmóddal, valamint az Aoede, meleg és dallamos előadásmóddal; népszerű férfi lehetőség a Puck, lendületes és élénk előadásmóddal, valamint a Charon, nyugodt és professzionális előadásmóddal.

alapértelmezett: gemini-2.5-flash-tts

Gemini TTS-modell kiválasztása. Strukturált munkafolyamatokban, például hangoskönyvekhez, podcastokhoz vagy ügyfélszolgálathoz a legjobb minőség érdekében használja a gemini-2.5-pro-tts modellt.

Beszédnyelv többnyelvű szintézishez: hagyja ki, hogy a modell a szövegből következtesse ki a nyelvet, vagy adja meg a kimondott kimenet irányításához. A Preview több mint 60, a GA pedig 24 nyelvet támogat.

alapértelmezett: 1

A beszéd véletlenszerűségének beállítása: alacsony értéknél fókuszált, kiszámítható, magas értéknél kreatív és változatos előadás.

A gemini-2.5-pro-tts és gemini-2.5-flash-tts által támogatott beszélőkonfiguráció, amelyet a gemini-2.5-flash-lite-preview-tts nem támogat. Megadásával különböző beszélők olvassák fel a szöveg különböző részeit; minden beszélőhöz adjon meg egy hangot és az adott beszélő promptelőtagjainak megfelelő speaker_id aliászt.

POST /run/gemini-tts?wait=20 ár → 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"

Kérés futtatása

A kulcsod ebben a böngészőben marad: csak a Doitong API-nak küldjük el, és csak akkor mentjük a localStorage-ba, ha bejelölöd az Emlékezz rám lehetőséget. API-kulcs igénylése

A(z) Gemini TTS bemutatása

Legfeljebb 50 000 karakter szövegét alakítja beszéddé. Válassz egy `voice` értéket, valamint a gemini-2.5-flash-tts vagy gemini-2.5-pro-tts `model` modellt. A `style_instructions` (legfeljebb 4000 karakter) vezérli az előadásmódot, a `speakers` pedig 2–10 bejegyzést fogad el több hangot tartalmazó szkriptekhez. Opcionálisan megadható a `language_code`, a 0 és 2 közötti `temperature`, valamint wav, mp3 vagy ogg_opus kimenet.

Paraméterek

NévTípus AlapértelmezettEngedélyezett Leírás
promptkötelező
Típusstring
≤ 50 000 karakter
Beszédszöveg a Gemini TTS számára, beágyazott természetes nyelvű stílus-, tempó-, akcentus- és érzelemutasításokkal, például 'Say cheerfully: Have a wonderful day!'. Az olyan inline jelölők, mint a [slowly], [whispering], [excited] és [extremely fast], szintén szabályozzák a tempót és a stílust. Több beszélő esetén a soroknak a speakers mező aliászaival kell kezdődniük, például 'Alice: Hello!\nBob: Hi!'.
style_instructionsnem kötelező
Típusstring | null
≤ 4000 karakter
Opcionális természetes nyelvű utasítások, amelyek elkülönülnek a kimondott tartalomtól, és a prompt elé kerülnek a kifejezőkészség, az akcentus, a tempó, a hangnem és az érzelem alakításához. Példák: 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' és 'Whisper mysteriously'.
voicenem kötelező
Típusenum
AlapértelmezettKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 továbbiLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Egy beszélő hangjának kiválasztása 30 különböző előbeállításból; a speakers megadása inaktívvá teszi ezt a választást. Népszerű női lehetőség a Kore, határozott előadásmóddal, a Zephyr, világos és tiszta előadásmóddal, valamint az Aoede, meleg és dallamos előadásmóddal; népszerű férfi lehetőség a Puck, lendületes és élénk előadásmóddal, valamint a Charon, nyugodt és professzionális előadásmóddal.
modelnem kötelező
Típusenum
Alapértelmezettgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Gemini TTS-modell kiválasztása. Strukturált munkafolyamatokban, például hangoskönyvekhez, podcastokhoz vagy ügyfélszolgálathoz a legjobb minőség érdekében használja a gemini-2.5-pro-tts modellt.
language_codenem kötelező
Típusenum
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 továbbiRussian (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)
Beszédnyelv többnyelvű szintézishez: hagyja ki, hogy a modell a szövegből következtesse ki a nyelvet, vagy adja meg a kimondott kimenet irányításához. A Preview több mint 60, a GA pedig 24 nyelvet támogat.
speakersnem kötelező
Típusobject[]
≤ 10 elem≥ 2 elem
A gemini-2.5-pro-tts és gemini-2.5-flash-tts által támogatott beszélőkonfiguráció, amelyet a gemini-2.5-flash-lite-preview-tts nem támogat. Megadásával különböző beszélők olvassák fel a szöveg különböző részeit; minden beszélőhöz adjon meg egy hangot és az adott beszélő promptelőtagjainak megfelelő speaker_id aliászt.
speakers[].voicekötelező
Típusenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 továbbiLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
A beszélőhöz rendelt előbeállított hang.
speakers[].speaker_idkötelező
Típusstring
Csak alfanumerikus karaktereket és szóközöket nem tartalmazó beszélőaliász. A beszélő azonosításához illessze ezt az aliászt a prompt szövegének elejére, például 'Alice: Hello! Bob: Hi there!'.
temperaturenem kötelező
Típusnumber
Alapértelmezett1
0 – 2
A beszéd véletlenszerűségének beállítása: alacsony értéknél fókuszált, kiszámítható, magas értéknél kreatív és változatos előadás.
output_formatnem kötelező
Típusenum
Alapértelmezettmp3
wavmp3ogg_opus
A kimeneti hang formátuma: az mp3 tömörített, kis méretű fájlokat biztosít, ezért ajánlott; a wav tömörítetlen PCM-et tartalmaz WAV-konténerben, 24 kHz-es, 16 bites monó hanggal; az ogg_opus Opust használ Ogg-konténerben, kedvező minőség–méret aránnyal.
kötelező

Kimenet

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"
  }
}
Az Ön fájljai, az Ön döntéseMinden outputs[].url a tárhelyünkön lévő másolat: örökre megőrizve (GB-hónaponként fizetve) vagy 7 nap ideig ingyenesen, a fiókbeállításod vagy a ?storage= alapján.
Azonos struktúra minden modellentype, url, content_type, width, height és duration képekhez, videókhoz és hanganyagokhoz egyaránt. Az output a modell saját eredményobjektuma.
A kimenet mezői
audio
object {url, content_type, file_name, file_size}A generálással létrehozott hangfájl.

AI-ügynököknek: ez az oldal Markdown formátumban itt található: https://doitong.com/hu/developers/models/gemini-tts.md. Minden modell és útmutató: https://doitong.com/developers/llms.txt