Google · 音频与音乐

Hermes Agent x Gemini TTS

Gemini TTS 属于 RunAPI 的 Google catalog,通过统一的 API、SDK 和 CLI 接入 Gemini 2.5 Pro TTS 与 Gemini 3.1 Flash TTS。

2 variants 起价 $1.40 / 百万 tokens 可商用

Prerequisite: npx runapi mcp install

Prompt

Prompt 模型

任务匹配时使用 gemini-2.5-pro-tts:面向长篇对白的高保真多角色语音,支持精细表达控制。

You have access to RunAPI task tools for Gemini TTS.

Available Gemini TTS models:
- gemini-2.5-pro-tts: 面向长篇对白的高保真多角色语音,支持精细表达控制
  endpoints: /api/v1/gemini_tts/text_to_speech
  request fields: model, temperature, scene, sample_context, speakers, dialogue_turns
- gemini-3.1-flash-tts: 面向实时对白和大规模音频工作流的快速多角色语音
  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: 生成一段双人播客开场:一位沉稳的英式口音主持人与一位充满活力的美式口音嘉宾对话。
/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,并保存返回的 Task ID。
GET /api/v1/gemini_tts/text_to_speech/<task-id>,直到状态为 completed 或 failed。
确认 completed 响应包含 API 参考中记录的端点专属输出。

公开版本与端点

模型 ID 端点 起步价格 模型目录
gemini-2.5-pro-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 百万 tokens 模型详情
gemini-3.1-flash-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 百万 tokens 模型详情

验证

轮询,直到 Task 进入终态

选择 <model-id> 后生成验证命令。

配置

指南端点: <endpoint>

选择 <model-id> 后,按端点的公开输入契约生成请求。
使用流程

三步开始使用

  1. 选择模型 ID

    选择公开模型 ID,并查看其端点与当前起步价格。

  2. 配置 RunAPI

    调用端点前设置 RUNAPI_API_KEY。

  3. 验证结果

    对于异步端点,轮询同一端点,直到 Task 进入终态。

使用 Hermes Agent + Gemini TTS 可以构建什么

  • 配音与旁白

    使用支持语音生成的模型,把脚本转成视频、课程和产品演示所需的语音。

  • 音乐与配乐

    使用支持音乐生成的模型,根据曲风、情绪和节奏的描述制作背景音乐和广告短曲。

  • 转写与音频处理

    使用支持音频输入的模型,转写录音,或清理、转换现有音频。

为什么通过 RunAPI + Hermes Agent 使用 Gemini TTS

  • 2 个变体,一个 API 密钥

    通过一个 RunAPI 连接选择可用的模型变体,无需更改现有集成。

  • 清晰的用量价格

    发送请求前查看目录中的当前价格,无需订阅或最低消费。

  • 自动化任务流程

    通过一致的任务流程提交任务、查询状态并收集异步结果,无需编写手动轮询代码。

Hermes Agent + Gemini TTS 常见问题

Gemini TTS 支持哪些模型?

RunAPI 通过同一个语音合成端点和请求结构支持 Gemini 2.5 Pro TTS 与 Gemini 3.1 Flash TTS。

如何配置多个说话角色?

使用唯一的 Speaker N 标识符为每个参与者添加角色配置,再把每条对白分配给其中一个标识符。

每个角色可以控制哪些声音属性?

每个角色都可以设置声音、口音、表达风格和语速,还可以通过可选 audio profile 补充声音方向。

scene 和 sample context 分别有什么作用?

scene 描述录音环境,sample context 则为整段对白设置整体语气和表达指导。

完成后的音频如何返回?

任务完成后可通过查询或回调获取结果,响应中的 audios 列表包含生成文件地址。

应该使用哪个模型 ID?

从版本表选择公开模型 ID。每个 ID 可使用的端点均显示在对应行。

本指南会配置聊天模型吗?

不会。该 Model Line 使用页面所示的端点流程,不会被描述为 Agent 聊天模型。

开始在 Hermes Agent 中使用 Gemini TTS

需要团队接入支持?

我们可以协助团队接入、完成系统集成并解答技术问题。

联系我们