Google · 音訊與音樂

Hermes Agent x Gemini TTS

Gemini TTS 係 RunAPI Google 目錄嘅一部分，透過一致嘅 API、SDK 同 CLI 介面提供 Gemini 2.5 Pro TTS 同 Gemini 3.1 Flash TTS。

2 variants 由 $1.40 / 百萬 tokens 可商用
取得 API Key 查看 Hermes Agent 文件

Prerequisite: npx runapi mcp install

Prompt

Prompt 模型

任務合適時使用 gemini-2.5-pro-tts：適合長篇對話的高保真多角色語音，支援細緻表達控制。

You have access to RunAPI task tools for Gemini TTS.

Available Gemini TTS models:
- gemini-2.5-pro-tts: 適合長篇對話的高保真多角色語音，支援細緻表達控制
  endpoints: /api/v1/gemini_tts/text_to_speech
  request fields: model, temperature, scene, sample_context, speakers, dialogue_turns
- gemini-3.1-flash-tts: 適合即時對話及大量音訊工作流程的快速多角色語音
  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: 生成一段雙講者 podcast 開場，由語氣沉穩嘅英國主持同充滿活力嘅美國嘉賓對談。
/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，並儲存回傳的 Task ID。
GET /api/v1/gemini_tts/text_to_speech/<task-id>，直到狀態為 completed 或 failed。
確認 completed 回應包含 API 參考中記載的端點專屬輸出。

公開版本與端點

模型 ID 端點 起始價格 模型目錄
gemini-2.5-pro-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 百萬 tokens 模型詳情
gemini-3.1-flash-tts
/api/v1/gemini_tts/text_to_speech
$1.40 / 百萬 tokens 模型詳情

驗證

輪詢，直到 Task 進入終態

選擇 <model-id> 後產生驗證命令。

設定

指南端點: <endpoint>

選擇 <model-id> 後，依端點的公開輸入契約產生請求。
使用流程

三步開始使用

  1. 選擇模型 ID

    選擇公開模型 ID，並查看其端點與目前起始價格。

  2. 設定 RunAPI

    呼叫端點前設定 RUNAPI_API_KEY。

  3. 驗證結果

    對非同步端點輪詢同一路徑，直到 Task 進入終態。

使用 Hermes Agent + Gemini TTS 可以建立甚麼

  • 配音與旁白

    使用支援語音生成的模型，把腳本轉成影片、課程和產品示範所需的語音。

  • 音樂與配樂

    使用支援音樂生成的模型，根據曲風、情緒和節奏的描述製作背景音樂和廣告短曲。

  • 轉錄與音訊處理

    使用支援音訊輸入的模型，轉錄錄音，或清理、轉換現有音訊。

為甚麼透過 RunAPI + Hermes Agent 使用 Gemini TTS

  • 2 個變體，一個 API 金鑰

    透過一個 RunAPI 連線選擇可用的模型變體，無需更改現有整合。

  • 清晰的用量價格

    發送請求前查看目錄中的目前價格，無需訂閱或最低消費。

  • 自動化工作流程

    透過一致的工作流程提交工作、查詢狀態並收集非同步結果，無需編寫手動輪詢程式碼。

Hermes Agent + Gemini TTS 常見問題

Gemini TTS 有邊啲 model？

RunAPI 透過相同文字轉語音 endpoint 同 request shape 支援 Gemini 2.5 Pro TTS 同 Gemini 3.1 Flash TTS。

點樣設定多位講者？

為每位參與者加入講者設定，使用唯一嘅 Speaker N identifier，再將每個對話輪次指派畀其中一個 identifier。

每位講者有咩可以控制？

每位講者都可以設定聲線、口音、演繹風格同語速，亦可加入 audio profile 提供額外聲線指引。

場景同示例上下文會點樣影響 request？

場景描述錄音環境；示例上下文就設定成段對話嘅整體語調同演繹指引。

完成嘅音訊結果會點樣回傳？

任務完成後查詢 task 或接收 callback；response 嘅 audios list 會包含生成檔案 URL。

應該使用哪個模型 ID？

從版本表選擇公開模型 ID。每個 ID 可用的端點均列於相應資料列。

本指南會設定聊天模型嗎？

不會。此 Model Line 使用頁面所示的端點流程，不會被描述為 Agent 聊天模型。

透過 Hermes Agent 開始使用 Gemini TTS

取得 API Key 閱讀快速開始

正在與團隊一起建立？

我們可以協助企業設定、整合和技術問題。

聯絡我們