رفتن به محتوا
Google

Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS مدل هوش مصنوعی تبدیل متن به گفتار گوگل (Google) است؛ از ایران با API سازگار با OpenAI هیبانا، یک کلید و پرداخت تومانی به آن دسترسی دارید.

مستندات

درباره این مدل

Gemini 3.8 Flash TTS مدل تبدیل متن به گفتار گوگل است که ۳۰ صدای آماده دارد و زبان متن، از جمله فارسی، را خودش تشخیص می‌دهد. لحن، سرعت و حس گفتار را می‌توان با دستور (instructions) تعیین کرد و یک گفت‌وگو را با چند گوینده در یک درخواست ساخت.

خروجی wav یا pcm است و هزینه بر اساس توکن متن ورودی و توکن صوتی خروجی (۲۵ توکن در هر ثانیه صدا) محاسبه می‌شود.

هزینه

  • 4,860

    هزینه صدای هر دقیقه گفتار (تومان)

  • 180,000

    هزینه توکن متن ورودی (تومان به‌ازای هر ۱ میلیون توکن)

  • 3,239,000

    هزینه توکن صدای خروجی (تومان به‌ازای هر ۱ میلیون توکن)

هزینه = توکن‌های متن ورودی با قیمت ورودی + توکن‌های صدای خروجی با قیمت خروجی (هر ثانیه صدا ۲۵ توکن). «هزینه صدای هر دقیقه» فقط خود صداست و هزینهٔ متن را ندارد. مبلغ پس از آماده شدن صدا کم می‌شود و اگر ساخت شکست بخورد چیزی کم نمی‌شود.
نمونهٔ هزینه (تقریبی)
نمونههزینهٔ تقریبی
صدای یک دقیقه گفتار (بدون هزینهٔ متن)4,860 تومان
صدای ۱۰ دقیقه گفتار (بدون هزینهٔ متن)48,600 تومان

کد مدل

این رشته را در فیلد model درخواست بفرستید.

google/gemini-3.8-flash-tts

مشخصات

مشخصات فنی مدل
دستهتولید صدا
نوع ورودیمتن
نوع خروجیصدا
صداهاZephyr، Puck، Charon، Kore، Fenrir، Leda، Orus، Aoede، Callirrhoe، Autonoe، Enceladus، Iapetus، Umbriel، Algieba، Despina، Erinome، Algenib، Rasalgethi، Laomedeia، Achernar، Alnilam، Schedar، Gacrux، Pulcherrima، Achird، Zubenelgenubi، Vindemiatrix، Sadachbia، Sadaltager، Sulafat (پیش‌فرض: Kore)
قالب خروجیWAV، PCM (24 کیلوهرتز، تک‌کاناله، 16 بیت) (پیش‌فرض: wav)
حداکثر طول متن۳٬۰۰۰ کاراکتر در هر درخواست
لحن و سبک (instructions)پشتیبانی می‌شود
سرعت گفتار (speed)پشتیبانی می‌شود
چندگویندهپشتیبانی می‌شود (input به‌صورت آرایه‌ای از نوبت‌ها)
آدرس درخواستPOST /v1/audio/speech
محدودیت نرخ پیش‌فرض۵۰ درخواست در هر دقیقه (برای هر حساب)
تاریخ انتشار۳۱ شهریور ۱۴۰۵
وضعیتفعال

نمونهٔ صداها

پیش از انتخاب، هر صدا را گوش کنید. نام صدا را در فیلد voice بفرستید.

  • Koreپیش‌فرض
  • Leda
  • Orus
  • Puck
  • Aoede
  • Achird

نمونهٔ درخواست

درخواست آمادهٔ اجرا با همین مدل؛ فقط کلید API خود را جایگزین کنید.

# مدل‌های Gemini TTS فقط wav و pcm می‌دهند؛ mp3 خطای 400 است.# instructions لحن و سبک را تعیین می‌کند و کاراکتر حساب نمی‌شود.# input آرایه‌ای از نوبت‌هاست؛ هر نوبت صدای خودش را دارد (چندگوینده).curl https://api-ai.hibanacloud.ir/v1/audio/speech \  -H "Authorization: Bearer YOUR_API_KEY" \  -H "Content-Type: application/json" \  -d '{    "model": "google/gemini-3.8-flash-tts",    "instructions": "Warm, relaxed conversation between two friends.",    "input": [      {"text": "سلام، حالت چطوره؟", "voice": "Kore"},      {"text": "سلام! خوبم، ممنون. تو چطوری؟", "voice": "Puck"}    ],    "response_format": "wav"  }' \  --output speech.wav