مواد پر جائیں

Gemini TTS

انٹیگریٹ کریں

ماڈل id 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"

یہ درخواست: ≈⁨$0.03⁩ 30 API کریڈٹس · ≈ ⁨₽3.16⁩ اس صفحے پر چلائیں

API کلید حاصل کریں
Google متن سے آواز #text-to-speech#audio#gemini

30 آوازوں، ملٹی اسپیکر مکالمے، انداز کی ہدایات اور Flash یا Pro ماڈل کے انتخاب کے ساتھ ٹیکسٹ ٹو اسپیچ

Google · آڈیو

آپ کا پہلا نتیجہ یہاں آئے گا

ذیل میں درخواست بنائیں اور اپنی API کلید کے ساتھ چلائیں۔ آؤٹ پٹس ہمارے اسٹوریج میں کاپی ہو جاتے ہیں، ہمیشہ کے لیے یا مفت میں 7 دن تک محفوظ رہتے ہیں۔

درخواست بنائیں

کنٹرولز ماڈل اسکیما سے تیار ہوتے ہیں۔ آپ کے بدلنے کے ساتھ کوڈ اور قیمت اپ ڈیٹ ہوتے ہیں۔

•لازمی 50 / 50000

Gemini TTS کے لیے speech text، جس میں style، pace، accent اور emotion کی embedded قدرتی زبان کی ہدایات شامل کی جا سکتی ہیں، جیسے 'Say cheerfully: Have a wonderful day!'. [slowly]، [whispering]، [excited]، اور [extremely fast] جیسے inline markers بھی pace اور style کنٹرول کرتے ہیں۔ متعدد speakers کے لیے lines کا آغاز speakers field کے aliases سے ہونا چاہیے، مثلاً 'Alice: Hello!\nBob: Hi!'.

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

spoken content سے الگ رکھی جانے والی اختیاری قدرتی زبان کی ہدایات، جو expressiveness، accent، pace، tone اور emotion کو تشکیل دینے کے لیے پرامپٹ سے پہلے شامل کی جاتی ہیں۔ مثالیں: 'Speak warmly and slowly'، 'Read this as a dramatic newscast'، 'Use a British accent with a cheerful tone'، اور 'Whisper mysteriously'.

output_format ڈیفالٹ mp3

آؤٹ پٹ آڈیو کا فارمیٹ: mp3 کمپریس شدہ، کم حجم فائلیں فراہم کرتا ہے اور تجویز کردہ ہے؛ wav میں WAV کنٹینر کے اندر غیر کمپریس شدہ PCM ہوتا ہے، جس میں 24 kHz پر 16-bit مونو آڈیو ہوتی ہے؛ ogg_opus معیار اور حجم میں اچھے توازن کے لیے Ogg کے اندر Opus استعمال کرتا ہے۔

ڈیفالٹ Kore

30 distinct presets میں سے single-speaker voice کا انتخاب؛ speakers setting کرنے پر یہ انتخاب غیر فعال ہو جاتا ہے۔ مقبول female options Kore، مضبوط اور پُراعتماد انداز کے ساتھ، Zephyr، روشن اور واضح انداز کے ساتھ، اور Aoede، گرمجوش اور نغماتی انداز کے ساتھ ہیں؛ مقبول male options Puck، پُرجوش اور زندہ دل، اور Charon، پُرسکون اور پیشہ ورانہ ہیں۔

ڈیفالٹ gemini-2.5-flash-tts

Gemini TTS ماڈل کا انتخاب۔ آڈیو بکس، پوڈکاسٹس یا کسٹمر سپورٹ جیسے منظم ورک فلوز میں بہترین معیار کے لیے gemini-2.5-pro-tts استعمال کریں۔

کثیر لسانی تقریر کی تخلیق کے لیے بولی جانے والی زبان: ماڈل کو آپ کے متن سے زبان اخذ کرنے دینے کے لیے اسے چھوڑ دیں، یا بولی جانے والی آؤٹ پٹ کی رہنمائی کے لیے اسے فراہم کریں۔ Preview میں 60+ اور GA میں 24 زبانوں کی معاونت شامل ہے۔

ڈیفالٹ 1

Speech randomness setting؛ کم settings پر focused، predictable delivery سے زیادہ settings پر creative، varied delivery تک اثر انداز ہوتی ہے۔

بولنے والوں کی ترتیب جس کی معاونت gemini-2.5-pro-tts اور gemini-2.5-flash-tts کرتے ہیں، لیکن gemini-2.5-flash-lite-preview-tts نہیں کرتا۔ اسے فراہم کرنے سے مختلف آوازیں متن کے مختلف حصے پڑھ سکتی ہیں؛ ہر بولنے والے کے لیے ایک آواز اور speaker_id عرفی نام فراہم کریں جو پرامپٹ میں اس بولنے والے کے سابقوں سے مطابقت رکھتا ہو۔

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

یہ درخواست چلائیں

آپ کی key اسی براؤزر میں رہتی ہے: یہ صرف Doitong API کو بھیجی جاتی ہے اور صرف اس صورت میں localStorage میں محفوظ ہوتی ہے جب آپ Remember منتخب کریں۔ API کلید حاصل کریں

Gemini TTS کے بارے میں

50,000 حروف تک کے ٹیکسٹ کو اسپیچ میں تبدیل کرتا ہے۔ `voice` اور `model` gemini-2.5-flash-tts یا gemini-2.5-pro-tts منتخب کریں۔ `style_instructions` (4000 حروف تک) ادائیگی کو کنٹرول کرتا ہے، جبکہ `speakers` ملٹی وائس اسکرپٹس کے لیے 2 سے 10 اندراجات لیتا ہے۔ اختیاری `language_code`، `temperature` 0 سے 2، اور wav، mp3 یا ogg_opus آؤٹ پٹ دستیاب ہیں۔

پیرامیٹرز

نامقسم ڈیفالٹمجاز تفصیل
promptلازمی
قسمstring
≤ 50,000 کریکٹرز
Gemini TTS کے لیے speech text، جس میں style، pace، accent اور emotion کی embedded قدرتی زبان کی ہدایات شامل کی جا سکتی ہیں، جیسے 'Say cheerfully: Have a wonderful day!'. [slowly]، [whispering]، [excited]، اور [extremely fast] جیسے inline markers بھی pace اور style کنٹرول کرتے ہیں۔ متعدد speakers کے لیے lines کا آغاز speakers field کے aliases سے ہونا چاہیے، مثلاً 'Alice: Hello!\nBob: Hi!'.
style_instructionsاختیاری
قسمstring | null
≤ 4,000 کریکٹرز
spoken content سے الگ رکھی جانے والی اختیاری قدرتی زبان کی ہدایات، جو expressiveness، accent، pace، tone اور emotion کو تشکیل دینے کے لیے پرامپٹ سے پہلے شامل کی جاتی ہیں۔ مثالیں: 'Speak warmly and slowly'، 'Read this as a dramatic newscast'، 'Use a British accent with a cheerful tone'، اور 'Whisper mysteriously'.
voiceاختیاری
قسمenum
ڈیفالٹKore
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 مزیدLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
30 distinct presets میں سے single-speaker voice کا انتخاب؛ speakers setting کرنے پر یہ انتخاب غیر فعال ہو جاتا ہے۔ مقبول female options Kore، مضبوط اور پُراعتماد انداز کے ساتھ، Zephyr، روشن اور واضح انداز کے ساتھ، اور Aoede، گرمجوش اور نغماتی انداز کے ساتھ ہیں؛ مقبول male options Puck، پُرجوش اور زندہ دل، اور Charon، پُرسکون اور پیشہ ورانہ ہیں۔
modelاختیاری
قسمenum
ڈیفالٹgemini-2.5-flash-tts
gemini-2.5-flash-ttsgemini-2.5-pro-tts
Gemini TTS ماڈل کا انتخاب۔ آڈیو بکس، پوڈکاسٹس یا کسٹمر سپورٹ جیسے منظم ورک فلوز میں بہترین معیار کے لیے gemini-2.5-pro-tts استعمال کریں۔
language_codeاختیاری
قسمenum
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 مزیدRussian (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)
کثیر لسانی تقریر کی تخلیق کے لیے بولی جانے والی زبان: ماڈل کو آپ کے متن سے زبان اخذ کرنے دینے کے لیے اسے چھوڑ دیں، یا بولی جانے والی آؤٹ پٹ کی رہنمائی کے لیے اسے فراہم کریں۔ Preview میں 60+ اور GA میں 24 زبانوں کی معاونت شامل ہے۔
speakersاختیاری
قسمobject[]
≤ 10 آئٹمز≥ 2 آئٹمز
بولنے والوں کی ترتیب جس کی معاونت gemini-2.5-pro-tts اور gemini-2.5-flash-tts کرتے ہیں، لیکن gemini-2.5-flash-lite-preview-tts نہیں کرتا۔ اسے فراہم کرنے سے مختلف آوازیں متن کے مختلف حصے پڑھ سکتی ہیں؛ ہر بولنے والے کے لیے ایک آواز اور speaker_id عرفی نام فراہم کریں جو پرامپٹ میں اس بولنے والے کے سابقوں سے مطابقت رکھتا ہو۔
speakers[].voiceلازمی
قسمenum
AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKore
+14 مزیدLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
اس speaker کو تفویض کردہ preset voice۔
speakers[].speaker_idلازمی
قسمstring
بولنے والے کا عرفی نام جس میں صرف حروف اور اعداد ہوں اور کوئی خالی جگہ نہ ہو۔ بولنے والے کی شناخت کے لیے اس کے پرامپٹ متن کے شروع میں یہ عرفی نام لگائیں، جیسے 'Alice: Hello! Bob: Hi there!'۔
temperatureاختیاری
قسمnumber
ڈیفالٹ1
0 – 2
Speech randomness setting؛ کم settings پر focused، predictable delivery سے زیادہ settings پر creative، varied delivery تک اثر انداز ہوتی ہے۔
output_formatاختیاری
قسمenum
ڈیفالٹmp3
wavmp3ogg_opus
آؤٹ پٹ آڈیو کا فارمیٹ: mp3 کمپریس شدہ، کم حجم فائلیں فراہم کرتا ہے اور تجویز کردہ ہے؛ wav میں WAV کنٹینر کے اندر غیر کمپریس شدہ PCM ہوتا ہے، جس میں 24 kHz پر 16-bit مونو آڈیو ہوتی ہے؛ ogg_opus معیار اور حجم میں اچھے توازن کے لیے Ogg کے اندر Opus استعمال کرتا ہے۔
لازمی

آؤٹ پٹ

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"
  }
}
آپ کی فائلیں، آپ کا انتخابہر outputs[].url ہمارے اسٹوریج میں ایک کاپی ہے: ہمیشہ کے لیے محفوظ (فی GB-ماہ ادائیگی) یا مفت میں 7 دن تک، آپ کی اکاؤنٹ سیٹنگ یا ?storage= کے مطابق۔
ہر ماڈل میں ایک جیسی ساختtype، url، content_type، width، height اور duration، تصاویر، ویڈیو اور آڈیو سب کے لیے یکساں۔ output ماڈل کا اپنا نتیجہ آبجیکٹ ہے۔
آؤٹ پٹ کے فیلڈز
audio
object {url, content_type, file_name, file_size}تخلیق سے تیار کردہ آڈیو فائل۔

AI ایجنٹس کے لیے: یہ صفحہ Markdown میں یہاں موجود ہے https://doitong.com/ur/developers/models/gemini-tts.md. تمام ماڈلز اور گائیڈز: https://doitong.com/developers/llms.txt