Ruka hadi kwenye maudhui

Gemini TTS

Unganisha

Kitambulisho cha modeli 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"

Ombi hili: ≈$ 0.03 salio za API 30 · ≈ ₽ 3.16 Iendeshe kwenye ukurasa huu

Pata ufunguo wa API
Google Maandishi hadi Matamshi #text-to-speech#audio#gemini

Ubadilishaji wa maandishi kuwa sauti wenye sauti 30, mazungumzo ya wasemaji wengi, maagizo ya mtindo na chaguo la modeli ya Flash au Pro

Google · Sauti

Tokeo lako la kwanza linaonekana hapa

Unda ombi hapa chini na uliendeshe kwa ufunguo wako wa API. Matokeo yanakiliwa kwenye hifadhi yetu, yakihifadhiwa milele au 7 siku bila malipo.

Unda ombi

Vidhibiti vinazalishwa kutoka kwenye schema ya modeli. Msimbo na bei husasishwa unapovibadilisha.

•inahitajika 50 / 50000

Maandishi ya usemi kwa Gemini TTS, yanayokubali maelekezo ya lugha asilia yaliyopachikwa kuhusu mtindo, kasi, lafudhi na hisia, kama vile 'Say cheerfully: Have a wonderful day!'. Alama za ndani zikiwemo [slowly], [whispering], [excited], na [extremely fast] pia hudhibiti kasi na mtindo. Wazungumzaji wengi huhitaji mistari inayoanza na lakabu kutoka kwenye sehemu ya speakers, kwa mfano 'Alice: Hello!\nBob: Hi!'.

Ya kina style_instructions · output_format · voice · model · language_code · temperature · speakers
0 / 4000

Maelekezo ya hiari ya lugha asilia yanayotenganishwa na maudhui ya kusemwa na kuingizwa kabla ya kidokezo ili kuunda namna ya kujieleza, lafudhi, kasi, sauti na hisia. Mifano ni pamoja na 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', na 'Whisper mysteriously'.

output_format chaguomsingi mp3

Umbizo la sauti ya tokeo: mp3 hutoa faili zilizobanwa na fupi na inapendekezwa; wav ina PCM isiyobanwa katika kontena la WAV kwa 24 kHz yenye sauti ya mono ya biti 16; ogg_opus hutumia Opus ndani ya Ogg kwa uwiano mzuri wa ubora na ukubwa.

chaguomsingi Kore

Uteuzi wa sauti ya mzungumzaji mmoja kutoka mipangilio 30 tofauti; kuweka speakers hufanya uteuzi huu usifanye kazi. Chaguo maarufu za kike ni Kore, yenye uwasilishaji thabiti na madhubuti, Zephyr, yenye uwasilishaji angavu na wazi, na Aoede, yenye uwasilishaji wa joto na wa kimuziki; chaguo maarufu za kiume ni Puck, mwenye uchangamfu na uhai, na Charon, mtulivu na mtaalamu.

chaguomsingi gemini-2.5-flash-tts

Uteuzi wa modeli ya Gemini TTS. Kwa ubora wa juu zaidi katika mtiririko wa kazi ulioundwa kama vitabu vya sauti, podikasti au usaidizi kwa wateja, tumia gemini-2.5-pro-tts.

Lugha ya usemi kwa usanisi wa lugha nyingi: iachilie ili modeli itambue lugha kutoka kwenye maandishi yako, au itoe ili kuelekeza tokeo la kusemwa. Usaidizi unajumuisha lugha 60+ katika Preview na 24 katika GA.

chaguomsingi 1

Mipangilio ya nasibu ya usemi, yenye athari kuanzia uwasilishaji uliolenga na unaotabirika katika mipangilio ya chini hadi uwasilishaji wa ubunifu na tofauti katika mipangilio ya juu.

Usanidi wa mzungumzaji unaoungwa mkono na gemini-2.5-pro-tts na gemini-2.5-flash-tts, lakini si gemini-2.5-flash-lite-preview-tts. Kuutoa huwezesha sauti tofauti kusoma sehemu tofauti za maandishi; kwa kila mzungumzaji, toa sauti pamoja na lakabu ya speaker_id inayolingana na viambishi vya kidokezo vya mzungumzaji huyo.

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

Endesha ombi hili

Key yako inabaki kwenye kivinjari hiki: inatumwa kwa Doitong API pekee na kuhifadhiwa (localStorage) tu ukiweka tiki kwenye Kumbuka. Pata ufunguo wa API

Kuhusu Gemini TTS

Hubadilisha hadi herufi 50,000 za maandishi kuwa sauti. Chagua `voice` na `model` gemini-2.5-flash-tts au gemini-2.5-pro-tts. `style_instructions` (hadi herufi 4000) huongoza uwasilishaji, na `speakers` hukubali maingizo 2 hadi 10 kwa hati zenye sauti nyingi. `language_code`, `temperature` ya 0 hadi 2, na matokeo ya wav, mp3 au ogg_opus ni vya hiari.

Vigezo

JinaAina ChaguomsingiInaruhusiwa Maelezo
promptinahitajika
Ainastring
≤ herufi 50,000
Maandishi ya usemi kwa Gemini TTS, yanayokubali maelekezo ya lugha asilia yaliyopachikwa kuhusu mtindo, kasi, lafudhi na hisia, kama vile 'Say cheerfully: Have a wonderful day!'. Alama za ndani zikiwemo [slowly], [whispering], [excited], na [extremely fast] pia hudhibiti kasi na mtindo. Wazungumzaji wengi huhitaji mistari inayoanza na lakabu kutoka kwenye sehemu ya speakers, kwa mfano 'Alice: Hello!\nBob: Hi!'.
style_instructionssi lazima
Ainastring | null
≤ herufi 4,000
Maelekezo ya hiari ya lugha asilia yanayotenganishwa na maudhui ya kusemwa na kuingizwa kabla ya kidokezo ili kuunda namna ya kujieleza, lafudhi, kasi, sauti na hisia. Mifano ni pamoja na 'Speak warmly and slowly', 'Read this as a dramatic newscast', 'Use a British accent with a cheerful tone', na 'Whisper mysteriously'.
voicesi lazima
Ainaenum
ChaguomsingiKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 zaidiLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Uteuzi wa sauti ya mzungumzaji mmoja kutoka mipangilio 30 tofauti; kuweka speakers hufanya uteuzi huu usifanye kazi. Chaguo maarufu za kike ni Kore, yenye uwasilishaji thabiti na madhubuti, Zephyr, yenye uwasilishaji angavu na wazi, na Aoede, yenye uwasilishaji wa joto na wa kimuziki; chaguo maarufu za kiume ni Puck, mwenye uchangamfu na uhai, na Charon, mtulivu na mtaalamu.
modelsi lazima
Ainaenum
Chaguomsingigemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Uteuzi wa modeli ya Gemini TTS. Kwa ubora wa juu zaidi katika mtiririko wa kazi ulioundwa kama vitabu vya sauti, podikasti au usaidizi kwa wateja, tumia gemini-2.5-pro-tts.
language_codesi lazima
Ainaenum
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 zaidiRussian (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)
Lugha ya usemi kwa usanisi wa lugha nyingi: iachilie ili modeli itambue lugha kutoka kwenye maandishi yako, au itoe ili kuelekeza tokeo la kusemwa. Usaidizi unajumuisha lugha 60+ katika Preview na 24 katika GA.
speakerssi lazima
Ainaobject[]
≤ vipengee 10≥ vipengee 2
Usanidi wa mzungumzaji unaoungwa mkono na gemini-2.5-pro-tts na gemini-2.5-flash-tts, lakini si gemini-2.5-flash-lite-preview-tts. Kuutoa huwezesha sauti tofauti kusoma sehemu tofauti za maandishi; kwa kila mzungumzaji, toa sauti pamoja na lakabu ya speaker_id inayolingana na viambishi vya kidokezo vya mzungumzaji huyo.
speakers[].voiceinahitajika
Ainaenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 zaidiLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
Sauti iliyowekwa awali aliyopewa mzungumzaji huyu.
speakers[].speaker_idinahitajika
Ainastring
Lakabu ya mzungumzaji iliyo na herufi na nambari pekee, bila nafasi. Mtambue mzungumzaji kwa kuweka lakabu hii mwanzoni mwa maandishi ya kidokezo, kama ilivyo 'Alice: Hello! Bob: Hi there!'.
temperaturesi lazima
Ainanumber
Chaguomsingi1
0 – 2
Mipangilio ya nasibu ya usemi, yenye athari kuanzia uwasilishaji uliolenga na unaotabirika katika mipangilio ya chini hadi uwasilishaji wa ubunifu na tofauti katika mipangilio ya juu.
output_formatsi lazima
Ainaenum
Chaguomsingimp3
wavmp3ogg_opus
Umbizo la sauti ya tokeo: mp3 hutoa faili zilizobanwa na fupi na inapendekezwa; wav ina PCM isiyobanwa katika kontena la WAV kwa 24 kHz yenye sauti ya mono ya biti 16; ogg_opus hutumia Opus ndani ya Ogg kwa uwiano mzuri wa ubora na ukubwa.
inahitajika

Tokeo

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"
  }
}
Faili zako, chaguo lakoKila outputs[].url ni nakala kwenye hifadhi yetu: huhifadhiwa milele (hutozwa kwa GB kwa mwezi) au 7 siku bila malipo, kulingana na mpangilio wa akaunti yako au ?storage=.
Muundo uleule kwenye kila modelitype, url, content_type, width, height na duration, kwa picha, video na sauti. output ni kitu cha matokeo cha modeli yenyewe.
Sehemu za tokeo
audio
object {url, content_type, file_name, file_size}Faili ya sauti iliyozalishwa.

Kwa mawakala wa AI: ukurasa huu katika Markdown unapatikana kwenye https://doitong.com/sw/developers/models/gemini-tts.md. Modeli na miongozo yote: https://doitong.com/developers/llms.txt