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.
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.
| نمونه | هزینهٔ 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-ttsمشخصات
| دسته | تولید صدا |
|---|---|
| نوع ورودی | متن |
| نوع خروجی | صدا |
| صداها | Zephyr، 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 خروجی | WAV، PCM (24 کیلوهرتز، تککاناله، 16 بیت) (پیشفرض: wav) |
| حداکثر طول متن | ۳٬۰۰۰ کاراکتر در هر درخواست |
| لحن و سبک (instructions) | پشتیبانی میشود |
| سرعت گفتار (speed) | پشتیبانی میشود |
| چندگوینده | پشتیبانی میشود (input بهصورت آرایهای از نوبتها) |
| آدرس درخواست | POST /v1/audio/speech |
| محدودیت نرخ پیشفرض | ۵۰ درخواست در هر دقیقه (برای هر حساب) |
| تاریخ انتشار | ۳۱ شهریور ۱۴۰۵ |
| وضعیت | فعال |
نمونهٔ صداها
پیش از انتخاب، هر صدا را گوش کنید. نام صدا را در فیلد voice بفرستید.
- Kore
- 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