Google · Audio i muzyka

OpenClaw x Gemini TTS

Gemini TTS jest częścią katalogu Google w RunAPI i udostępnia Gemini 2.5 Pro TTS oraz Gemini 3.1 Flash TTS przez jeden spójny interfejs API, SDK i CLI.

2 variants od $1.40 / 1M tokenów Do użytku komercyjnego
Uzyskaj klucz API Zobacz dokumentację OpenClaw

Prerequisite: npx runapi mcp install

Prompt

Modele promptów

Użyj gemini-2.5-pro-tts, gdy pasuje do zadania: Wielogłosowa mowa wysokiej jakości z kontrolą ekspresji do długich dialogów.

You have access to RunAPI task tools for Gemini TTS.

Available Gemini TTS models:
- gemini-2.5-pro-tts: Wielogłosowa mowa wysokiej jakości z kontrolą ekspresji do długich dialogów
  endpoints: /api/v1/gemini_tts/text_to_speech
  request fields: model, temperature, scene, sample_context, speakers, dialogue_turns
- gemini-3.1-flash-tts: Szybka wielogłosowa mowa do responsywnych dialogów i dużych wolumenów audio
  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: Wygeneruj wstęp do podcastu prowadzony przez dwie osoby: spokojnego brytyjskiego gospodarza i energicznego amerykańskiego gościa.
/api/v1/gemini_tts/text_to_speech: Submit the task, poll for its status, then verify the completed output. Wyślij POST do /api/v1/gemini_tts/text_to_speech i zapisz ID zwróconej Task.
Wyślij GET do /api/v1/gemini_tts/text_to_speech/<task-id>, aż stan zmieni się na completed lub failed.
Sprawdź, czy odpowiedź completed zawiera wynik właściwy dla endpointu opisany w dokumentacji API.

Publiczne wersje i endpointy

ID modelu Endpointy Cena początkowa Katalog
gemini-2.5-pro-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 1M tokenów Szczegóły modelu
gemini-3.1-flash-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 1M tokenów Szczegóły modelu

Weryfikacja

Odpytywanie do momentu osiągnięcia przez Task stanu końcowego

Wybierz <model-id>, aby wygenerować polecenia weryfikacyjne.

Konfiguracja

Endpoint przewodnika: <endpoint>

Wybierz <model-id>, aby wygenerować żądanie zgodne z publicznym kontraktem wejściowym endpointu.
Jak to działa

Zacznij w 3 krokach

  1. Wybierz ID modelu

    Wybierz publiczny ID modelu z katalogu i sprawdź jego endpoint oraz bieżącą cenę początkową.

  2. Skonfiguruj RunAPI

    Ustaw RUNAPI_API_KEY przed wysłaniem żądania do endpointu.

  3. Zweryfikuj wynik

    Dla asynchronicznych endpointów odpytuj ten sam endpoint, aż Task osiągnie stan końcowy.

Co możesz zbudować za pomocą OpenClaw + Gemini TTS

  • Lektor i narracja

    Zamieniaj scenariusze na mówione audio do filmów, kursów i demonstracji produktów za pomocą modeli generujących mowę.

  • Muzyka i ścieżki dźwiękowe

    Twórz podkłady muzyczne i dżingle na podstawie opisu gatunku, nastroju i tempa za pomocą modeli generujących muzykę.

  • Transkrypcja i przetwarzanie audio

    Transkrybuj nagrania albo oczyszczaj i przekształcaj istniejące audio za pomocą modeli, które przyjmują audio na wejściu.

Dlaczego warto używać Gemini TTS przez RunAPI + OpenClaw

  • 2 wariantów, jeden klucz API

    Korzystaj z jednego połączenia RunAPI, aby wybierać spośród dostępnych wariantów modelu bez zmiany integracji.

  • Przejrzyste ceny użycia

    Sprawdź aktualne ceny w katalogu przed wysłaniem żądania, bez subskrypcji i minimalnych wydatków.

  • Automatyczne przepływy zadań

    Wysyłaj zadania, sprawdzaj ich status i odbieraj asynchroniczne wyniki w jednym przepływie, bez ręcznego kodu odpytywania.

Pytania o OpenClaw + Gemini TTS

Które modele Gemini TTS są dostępne?

RunAPI obsługuje Gemini 2.5 Pro TTS i Gemini 3.1 Flash TTS przez ten sam endpoint zamiany tekstu na mowę i z taką samą strukturą żądania.

Jak skonfigurować wielu mówców?

Dodaj konfigurację każdego uczestnika z unikalnym identyfikatorem Speaker N, a następnie przypisz każdą wypowiedź w dialogu do jednego z tych identyfikatorów.

Jakie ustawienia można kontrolować dla każdego mówcy?

Dla każdego mówcy można ustawić głos, akcent, styl wypowiedzi i tempo oraz opcjonalny profil audio z dodatkowymi wskazówkami dotyczącymi brzmienia głosu.

Jak scena i kontekst wypowiedzi wpływają na żądanie?

Scena opisuje środowisko nagrania, a kontekst wypowiedzi określa ogólny ton dialogu i sposób jego wykonania.

Jak zwracane są gotowe wyniki audio?

Odpytaj zadanie lub odbierz callback po jego zakończeniu; odpowiedź zawiera listę `audios` z adresem URL wygenerowanego pliku.

Którego ID modelu użyć?

Wybierz publiczny ID modelu z tabeli wersji. Każdy ID udostępnia endpointy pokazane w jego wierszu.

Czy ten przewodnik konfiguruje model czatu?

Nie. Ta linia modeli korzysta z pokazanego procesu endpointu i nie jest przedstawiana jako model czatu agenta.

Zacznij używać Gemini TTS z OpenClaw

Uzyskaj klucz API Przeczytaj Szybki start

Budujesz z zespołem?

Pomożemy w konfiguracji dla firm, integracjach i kwestiach technicznych.

Skontaktuj się