Google · 音訊與音樂

Hermes Agent x Gemini TTS

Gemini TTS 是 RunAPI Google 目錄中的模型產品線,透過一致的 API、SDK 與 CLI 介面提供 Gemini 2.5 Pro TTS 和 Gemini 3.1 Flash TTS。

2 variants 起價 $1.40 / 百萬 tokens 可商用

Prerequisite: npx runapi mcp install

Prompt

Prompt 模型

任務合適時使用 gemini-2.5-pro-tts:適合長篇對話的高傳真多角色語音,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: 適合長篇對話的高傳真多角色語音,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: 適合即時對話與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: 生成一段雙人 Podcast 開場白,由沉穩的英國主持人和充滿活力的美國來賓對談。
/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 可以打造什麼

  • 配音與旁白

    使用支援語音生成的模型,把腳本轉成影片、課程和產品展示所需的語音。

  • 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。

為什麼透過 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,無需變更現有整合。

  • 清楚的用量價格

    送出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,無需撰寫手動輪詢程式碼。

Hermes Agent + Gemini TTS 常見問題

可以使用哪些 Gemini TTS 模型?

RunAPI 透過相同的文字轉語音端點與請求格式,支援 Gemini 2.5 Pro TTS 和 Gemini 3.1 Flash TTS。

如何設定多位說話者?

為每位參與者新增語音設定,分別使用唯一的 Speaker N 識別碼,再將每一輪對話指派給其中一個識別碼。

每位說話者可以設定哪些項目?

可分別設定語音、口音、表達風格與語速,也可選擇提供音訊設定檔,進一步引導語音表現。

場景和範例脈絡會如何影響請求?

場景用來描述錄音環境,範例脈絡則設定整段對話的語氣與表達指引。

完成的音訊結果會如何回傳?

任務完成後,可查詢任務或接收回呼;回應中的 audios 清單會包含生成檔案的 URL。

應該使用哪個模型 ID?

從版本表選擇公開模型 ID。每個 ID 可用的端點都列在對應資料列。

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。

開始在 Hermes Agent 中使用 Gemini TTS

正在與團隊一起打造?

我們可以協助企業接入、整合與技術問題。

聯絡我們