Przejdź do treści

Gemini 3.1 Flash Tts

Integracja

Identyfikator modelu gemini-3.1-flash-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-3.1-flash-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"

To żądanie: 0,003 $ 3 kredyty API · ≈ 0,32 ₽ Uruchom na tej stronie

Uzyskaj klucz API
Google Tekst na mowę Synchronizacja ruchu ustSzybki #lipsync#avatar

Gemini 3.1 Flash text-to-speech z kontrolą stylu w tekście, 30 głosami i obsługą do 10 mówców

Google · Audio

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane 50 / 50000

Tekst syntezy mowy dla Gemini 3.1 Flash TTS; wiersze z wieloma mówcami muszą zaczynać się aliasami z pola speakers, jak w 'Alice: Hello!\nBob: Hi!'. Dostarczanie można precyzyjnie kontrolować za pomocą ekspresyjnych tagów audio, takich jak [sigh], [laughing], [whispering] i [short pause], lub wbudowanych instrukcji w języku naturalnym dotyczących akcentu, emocji, tempa i stylu, takich jak 'Say cheerfully: Have a wonderful day!'.

Zaawansowane style_instructions · output_format · voice · language_code · temperature · speakers
0 / 4000

Opcjonalne instrukcje w języku naturalnym, przechowywane osobno od treści mówionej i umieszczane przed promptem w celu kształtowania ekspresji, akcentu, tempa, tonu i emocji. Przykłady to 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' i 'Whisper mysteriously'.

output_format domyślnie mp3

Format audio wynikowego: mp3 zapewnia skompresowane, niewielkie pliki i jest zalecany; wav zawiera nieskompresowany dźwięk PCM w kontenerze WAV, 24 kHz, mono, 16-bit; ogg_opus używa Opus wewnątrz Ogg, zapewniając korzystny kompromis między jakością a rozmiarem.

domyślnie Kore

Wybór głosu jednego mówcy spośród 30 gotowych ustawień; ustawienie speakers dezaktywuje ten wybór. Popularne głosy żeńskie to Kore, o mocnym i stanowczym brzmieniu, Zephyr, o jasnym i wyraźnym brzmieniu, oraz Aoede, o ciepłym i melodyjnym brzmieniu; popularne głosy męskie to Puck, energiczny i żywy, oraz Charon, spokojny i profesjonalny.

Zastąpienie języka syntezy wielojęzycznej: jeśli nie określisz języka, zostanie on wykryty automatycznie na podstawie tekstu, aby pokierować mową modelu.

domyślnie 1

Ustawienie losowości mowy: niższe wartości zapewniają skupione, przewidywalne brzmienie, a wyższe — kreatywne i zróżnicowane.

Konfiguracja głosu umożliwiająca wielu mówcom odczytywanie oddzielnych części tekstu. Przypisz każdemu mówcy głos oraz alias speaker_id odpowiadający odpowiednim prefiksom promptu.

POST /run/gemini-3.1-flash-tts?wait=20 wycena → 0,003 $
# 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-3.1-flash-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"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Gemini 3.1 Flash Tts

Konwertuje `prompt` o długości do 50000 znaków na mowę. Sposób wypowiedzi można określić w tekście lub za pomocą `style_instructions`. Wybierz jeden z 30 głosów, ustaw `language_code` albo użyj `speakers` (od 2 do 10) dla dźwięku wieloosobowego. Wynik jest w formacie mp3, wav lub ogg_opus, a `temperature` przyjmuje wartości od 0 do 2.

Parametry

NazwaTyp DomyślneDozwolone Opis
promptwymagane
Typstring
≤ 50 000 znaków
Tekst syntezy mowy dla Gemini 3.1 Flash TTS; wiersze z wieloma mówcami muszą zaczynać się aliasami z pola speakers, jak w 'Alice: Hello!\nBob: Hi!'. Dostarczanie można precyzyjnie kontrolować za pomocą ekspresyjnych tagów audio, takich jak [sigh], [laughing], [whispering] i [short pause], lub wbudowanych instrukcji w języku naturalnym dotyczących akcentu, emocji, tempa i stylu, takich jak 'Say cheerfully: Have a wonderful day!'.
style_instructionsopcjonalne
Typstring | null
≤ 4000 znaków
Opcjonalne instrukcje w języku naturalnym, przechowywane osobno od treści mówionej i umieszczane przed promptem w celu kształtowania ekspresji, akcentu, tempa, tonu i emocji. Przykłady to 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone' i 'Whisper mysteriously'.
voiceopcjonalne
Typenum
DomyślneKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 więcejLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Wybór głosu jednego mówcy spośród 30 gotowych ustawień; ustawienie speakers dezaktywuje ten wybór. Popularne głosy żeńskie to Kore, o mocnym i stanowczym brzmieniu, Zephyr, o jasnym i wyraźnym brzmieniu, oraz Aoede, o ciepłym i melodyjnym brzmieniu; popularne głosy męskie to Puck, energiczny i żywy, oraz Charon, spokojny i profesjonalny.
language_codeopcjonalne
Typenum
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 więcejRussian (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)
Zastąpienie języka syntezy wielojęzycznej: jeśli nie określisz języka, zostanie on wykryty automatycznie na podstawie tekstu, aby pokierować mową modelu.
speakersopcjonalne
Typobject[]
Konfiguracja głosu umożliwiająca wielu mówcom odczytywanie oddzielnych części tekstu. Przypisz każdemu mówcy głos oraz alias speaker_id odpowiadający odpowiednim prefiksom promptu.
temperatureopcjonalne
Typnumber
Domyślne1
0 – 2
Ustawienie losowości mowy: niższe wartości zapewniają skupione, przewidywalne brzmienie, a wyższe — kreatywne i zróżnicowane.
output_formatopcjonalne
Typenum
Domyślnemp3
wavmp3ogg_opus
Format audio wynikowego: mp3 zapewnia skompresowane, niewielkie pliki i jest zalecany; wav zawiera nieskompresowany dźwięk PCM w kontenerze WAV, 24 kHz, mono, 16-bit; ogg_opus używa Opus wewnątrz Ogg, zapewniając korzystny kompromis między jakością a rozmiarem.
wymagane

Wynik

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "gemini-3.1-flash-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": 3,
    "usd": "0.003",
    "charged": 3,
    "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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio
object {url, content_type, file_name, file_size}Plik audio utworzony podczas generowania.

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/gemini-3.1-flash-tts.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt