رفتن به محتوا
سارویتوسعه‌دهندگان
مدل‌ها ←

Google

Gemini 3.1 Flash Tts Preview

فارسی و چندزبانه · انتخاب مناسب نریشن

امتحان در آزمایشگاه
کاربردمتن به گفتار
دسترسیهمهٔ طرح‌ها با اعتبار کافی
پنجرهٔ زمینهٔ ارائه‌دهندهوابسته به مدل و نوع ورودی
هزینه در سارویاز اعتبار مشترک حساب

این مدل را برای چه کاری انتخاب کنم؟

فارسی و چندزبانه · انتخاب مناسب نریشن. پیش از استفادهٔ گسترده، چند نمونه از ورودی واقعی محصول خودت را در آزمایشگاه مقایسه کن.

روایت متنراهنمای صوتی محصولمحتوای آموزشی

تنظیمات همین مدل

مسیرPOST /v1/studio/audio
قالب خروجیwav؛ pcm خام هم برای برنامه‌های تخصصی قابل درخواست است.
راهنمای لحنinstructions؛ جدا از متن خوانده‌شده
گوینده‌ها در هر درخواستتا ۸ صدای متفاوت با turns
سرعت عددیspeed: 1؛ برای Gemini آهنگ و سرعت خواندن را در instructions توضیح دهید.
همهٔ ۳۰ صدای قابل انتخاب
Kore · محکم KoreZephyr · روشن ZephyrPuck · پرانرژی PuckCharon · توضیحی CharonFenrir · هیجان‌انگیز FenrirLeda · جوان LedaAoede · سبک و روان AoedeOrus · محکم OrusCallirrhoe · راحت CallirrhoeAutonoe · روشن AutonoeEnceladus · نفس‌آلود EnceladusIapetus · شفاف IapetusUmbriel · راحت UmbrielAlgieba · نرم و روان AlgiebaDespina · نرم و روان DespinaErinome · شفاف ErinomeAlgenib · خش‌دار AlgenibRasalgethi · توضیحی RasalgethiLaomedeia · پرانرژی LaomedeiaAchernar · ملایم AchernarAlnilam · محکم AlnilamSchedar · یکنواخت SchedarGacrux · پخته GacruxPulcherrima · رسا PulcherrimaAchird · دوستانه AchirdZubenelgenubi · خودمانی ZubenelgenubiVindemiatrix · لطیف VindemiatrixSadachbia · سرزنده SadachbiaSadaltager · آگاه SadaltagerSulafat · گرم Sulafat

در گفت‌وگو، text اختیاری است و اگر حذف شود از مجموع نوبت‌ها ساخته می‌شود؛ turns نوبت‌های واقعی را به ترتیب می‌فرستد. تا دو صدا: حداکثر ۴۰ نوبت و ۱۲٬۰۰۰ نویسه. سه تا هشت صدا: حداکثر ۱۲ نوبت و ۴٬۰۰۰ نویسه؛ ساروی نوبت‌ها را جداگانه می‌سازد و یک فایل WAV تحویل می‌دهد. هزینه مجموع نوبت‌ها یک‌بار محاسبه می‌شود. در صورت شکست، خروجی ناقص تحویل نمی‌شود و اعتبار رزروشده آزاد می‌شود.

{
  "model": "google/gemini-3.1-flash-tts-preview",
  "text": "سلام! خوش آمدی.",
  "instructions": "Warm and friendly Persian",
  "voice": "Kore",
  "format": "wav",
  "turns": [
    {
      "text": "سلام!",
      "voice": "Kore"
    },
    {
      "text": "خوش آمدی.",
      "voice": "Puck",
      "instructions": "cheerful"
    },
    {
      "text": "من هم آماده‌ام.",
      "voice": "Charon"
    }
  ]
}

درخواست آماده

شناسهٔ دقیق مدل را کپی کن و کلید ساروی را در متغیر محیطی سرورت قرار بده.

Model ID
google/gemini-3.1-flash-tts-preview
Python
import json, os, urllib.request, urllib.error

payload = {
    "model": "google/gemini-3.1-flash-tts-preview",
    "text": "به ساروی خوش آمدید.",
    "voice": "Kore",
    "format": "wav",
    "instructions": "Warm and friendly Persian"
}

request = urllib.request.Request(
    "https://api.sarovi.ir/v1/studio/audio",
    data=json.dumps(payload, ensure_ascii=False).encode("utf-8"),
    headers={
        "Authorization": "Bearer " + os.environ["SAROVI_API_KEY"],
        "Content-Type": "application/json"
    },
    method="POST"
)
try:
    with urllib.request.urlopen(request, timeout=300) as response:
        result = json.load(response)
        print(result)
except urllib.error.HTTPError as error:
    detail = json.load(error)
    raise RuntimeError(f"{error.code}: {detail['error'].get('code', detail['error'].get('type', 'HTTP_ERROR'))}") from error

کلید را در متغیر محیطی SAROVI_API_KEY قرار بده. بدون نصب کتابخانه؛ با Python استاندارد.

امکان‌ها در API ساروی

مسیر اصلیPOST /v1/studio/audio
خروجیصدای Base64 همراه نوع فایل
جریان پاسخخروجی JSON؛ ویدیو با پیگیری وضعیت
دستورالعمل نقشدر متن prompt یا text
صورتحسابرزرو اعتبار، سپس تسویهٔ مصرف در دفتر حساب ساروی

فراخوانی ابزار و JSON Schema برای مدل‌های پشتیبان از مسیر chat/completions و قرارداد پیشرفتهٔ responses در دسترس‌اند. قابلیت‌های ارائه‌دهنده و محدودیت‌های هر مسیر را پیش از اجرا بررسی کنید.