Google · 音声・音楽

Hermes Agent x Gemini TTS

Gemini TTSはRunAPIのGoogleモデルカタログに含まれ、Gemini 2.5 Pro TTSとGemini 3.1 Flash TTSを共通のAPI、SDK、CLIインターフェースから利用できます。

2 variants から $1.40 / 100万トークン 商用利用対応
APIキーを取得 Hermes Agent のドキュメントを見る

Prerequisite: npx runapi mcp install

Prompt

プロンプトモデル

タスクに合う場合は gemini-2.5-pro-tts を使用してください: 長編対話向けの表現制御を備えた高忠実度のマルチスピーカー音声。

You have access to RunAPI task tools for Gemini TTS.

Available Gemini TTS models:
- gemini-2.5-pro-tts: 長編対話向けの表現制御を備えた高忠実度のマルチスピーカー音声
  endpoints: /api/v1/gemini_tts/text_to_speech
  request fields: model, temperature, scene, sample_context, speakers, dialogue_turns
- gemini-3.1-flash-tts: 応答性の高い対話と大量処理に適した高速マルチスピーカー音声
  endpoints: /api/v1/gemini_tts/text_to_speech
  request fields: model, temperature, scene, sample_context, speakers, dialogue_turns

Use the model ID and endpoint that match the user's request.
Example prompt: 落ち着いたイギリス人のホストと快活なアメリカ人ゲストによる、2人の話者のポッドキャスト導入音声を生成してください。
/api/v1/gemini_tts/text_to_speech: Submit the task, poll for its status, then verify the completed output. POST /api/v1/gemini_tts/text_to_speech を実行し、返された Task ID を保存します。
ステータスが completed または failed になるまで GET /api/v1/gemini_tts/text_to_speech/<task-id> を実行します。
completed レスポンスに API リファレンス記載のエンドポイント固有出力が含まれることを確認します。

公開バージョンとエンドポイント

モデル ID エンドポイント 開始価格 モデルカタログ
gemini-2.5-pro-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 100万トークン モデル詳細
gemini-3.1-flash-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 100万トークン モデル詳細

検証

Task が終端状態になるまでポーリングします

<model-id> を選択すると検証コマンドが生成されます。

設定

ガイドエンドポイント: <endpoint>

<model-id> を選択すると、公開入力契約に基づくリクエストが生成されます。
利用手順

3ステップで始める

  1. モデル ID を選択

    公開モデル ID を選び、エンドポイントと現在の開始価格を確認します。

  2. RunAPI を設定

    エンドポイントを呼び出す前に RUNAPI_API_KEY を設定します。

  3. 結果を検証

    非同期エンドポイントでは、Task が終端状態になるまで同じエンドポイントをポーリングします。

Hermes Agent + Gemini TTS で作れるもの

  • ナレーションと音声読み上げ

    音声を生成できるモデルで、台本を動画、講座、製品デモ用の音声に変換します。

  • 音楽とサウンドトラック

    音楽を生成できるモデルで、ジャンル、雰囲気、テンポの説明から BGM やジングルを作成します。

  • 文字起こしと音声処理

    音声入力に対応したモデルで、録音を文字起こししたり、既存の音声を整えたり変換したりします。

Gemini TTS を RunAPI + Hermes Agent で使う理由

  • 2 個のバリアントを 1 つの API キーで

    RunAPI の 1 つの接続から利用可能なモデルバリアントを選べるため、連携方法を変える必要がありません。

  • わかりやすい利用料金

    リクエストを送る前にカタログの現在の料金を確認できます。サブスクリプションや最低利用額はありません。

  • タスクの自動ワークフロー

    手動のポーリングコードを書かずに、統一されたタスクフローで非同期の結果を送信、確認、取得できます。

Hermes Agent + Gemini TTS に関するよくある質問

どのGemini TTSモデルを利用できますか？

RunAPIは、同じテキスト読み上げエンドポイントとリクエスト形式でGemini 2.5 Pro TTSとGemini 3.1 Flash TTSに対応しています。

複数の話者を設定するにはどうすればよいですか？

一意のSpeaker N識別子を使って参加者ごとに話者設定を追加し、会話の各発話をいずれかの識別子に割り当てます。

話者ごとに何を調整できますか？

話者ごとに音声、アクセント、話し方、話速を設定でき、音声表現をさらに指定するオプションのオーディオプロファイルも追加できます。

シーンとサンプルコンテキストはリクエストにどう影響しますか？

シーンは収録環境を表し、サンプルコンテキストは会話全体のトーンと話し方の指針を設定します。

生成が完了した音声はどのように返されますか？

完了後にタスクを照会するか、コールバックを受信します。レスポンスのaudiosリストには、生成されたファイルのURLが含まれます。

どのモデル ID を使うべきですか？

バージョン表から公開モデル ID を選択してください。各 ID で利用できるエンドポイントが同じ行に表示されます。

このガイドはチャットモデルを設定しますか？

いいえ。この Model Line はここに示すエンドポイント手順を使用し、Agent のチャットモデルとしては扱いません。

Hermes AgentでGemini TTSを使い始める

APIキーを取得 クイックスタートを読む

チームで構築していますか？

エンタープライズ導入、連携、技術的なご相談をお手伝いします。

お問い合わせ