Skip to main content
POST
Gemini 2.5 Flash TTS 文本转语音
基于 Google Vertex AI generateContent 接口的 Gemini 2.5 Flash TTS。支持同步和流式单人/多人语音合成,通过自然语言提示词精确控制风格、口音、节奏、语调和情感表达。contents 字段最大 8000 字节,输出音频最长约 655 秒。Vertex AI 输出为 LINEAR16 PCM 格式(24kHz, 单声道),不包含 WAV 头。如需其他音频格式需客户端自行转换。

请求头

string
必填
枚举值: application/json
string
必填
Bearer 身份验证格式: Bearer {{API 密钥}}。

请求体

object
必填
object
必填

响应信息

string
Base64 编码的音频内容。格式为 LINEAR16 PCM(24kHz, 单声道, 16-bit signed little-endian),不包含 WAV 头。客户端可使用 ffmpeg 转换:ffmpeg -f s16le -ar 24k -ac 1 -i input.raw output.wav
object