Gemini 2.5 Pro文生语音

接口

POST /audio/generations

完整 URL: https://modelfold.ai/v1/audio/generations

鉴权：所有请求都需要 Authorization: Bearer <API_KEY> 请求头。

模型参数直接放在 JSON 请求体中，不要套 input。请求等待生成完成后返回 data[].url；支持的媒体模型也可使用 异步创建、轮询及回调。示例素材地址须替换为自己的公开可访问文件。计费及错误说明见 API 网关。

生成任务的输入参数

请求参数

请求体 (application/json)

参数	类型	必填	说明
model	string	是	使用的模型 默认值："google/gemini-2-5-pro-tts"。 可选值：google/gemini-2-5-pro-tts。 示例：google/gemini-2-5-pro-tts。
temperature	number	否	采样温度，例如：1 默认值：1。 minimum: 0. maximum: 2. 示例：1。
scene	string	否	场景描述，例如："A quiet, warm room with a fireplace crackling softly." 默认值：""。 示例：``。
sample_context	string	否	示例上下文/整体基调，例如："Audiobook style narration. Tone is gentle and inviting." 默认值：""。 示例：``。
speakers	array<object>	是	说话人配置列表
speakers[].speaker_id	string	是	说话人标识，如 "Speaker 1" 或 "Speaker 2";必须为「Speaker N」格式
speakers[].voice_name	string	是	音色名称，如 "Zephyr"、"Fenrir"、"Puck" 可选值：Achernar / Achird / Algenib / Algieba / Alnilam / Aoede / Autonoe / Callirrhoe / Charon / Despina / Enceladus / Erinome / Fenrir / Gacrux / Iapetus / Kore / Laomedeia / Leda / Orus / Puck / Pulcherrima / Rasalgethi / Sadachbia / Sadaltager / Schedar / Sulafat / Umbriel / Vindemiatrix / Zephyr / Zubenelgenubi。 示例：Achernar。
speakers[].audio_profile	string	否	音频画像描述，如 "A warm and soothing narrator" 或 "A stern and weary gatekeeper"
speakers[].accent	string	是	口音，如 "British (RP)" 或 "American (Gen)" 可选值：Neutral / American (Gen) / American (Valley) / American (South) / British (RP) / British (Brixton) / Transatlantic / Australian。 示例：Neutral。
speakers[].style	string	否	情感风格，如 "Whisper" 或 "Deadpan" 可选值：Vocal Smile / Newscaster / Whisper / Empathetic / Promo/Hype / Deadpan。 示例：Vocal Smile。
speakers[].pace	string	否	语速，如 "Staccato" 或 "Natural" 可选值：Natural / Rapid Fire / The Drift / Staccato。 示例：Natural。
dialogue_turns	array<object>	是	对话内容列表，按顺序输出
dialogue_turns[].speaker_id	string	是	对应的说话人标识，如 "Speaker 1"
dialogue_turns[].text	string	是	该说话人的台词文本，可包含语气标签，例如："Once upon a time, in a quiet valley hidden away..." maxLength: 10000.

请求示例

curl -X POST "https://modelfold.ai/v1/audio/generations" \
  -H "Authorization: Bearer $MODELFOLD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "google/gemini-2-5-pro-tts",
  "speakers": [
    {
      "speaker_id": "Speaker 1",
      "voice_name": "Achernar",
      "accent": "Neutral"
    }
  ],
  "dialogue_turns": [
    {
      "speaker_id": "Speaker 1",
      "text": "A paper boat drifting down a rainy street."
    }
  ],
  "temperature": 1,
  "scene": "example",
  "sample_context": "A paper boat drifting down a rainy street."
}'

{
  "model": "google/gemini-2-5-pro-tts",
  "speakers": [
    {
      "speaker_id": "Speaker 1",
      "voice_name": "Achernar",
      "accent": "Neutral"
    }
  ],
  "dialogue_turns": [
    {
      "speaker_id": "Speaker 1",
      "text": "A paper boat drifting down a rainy street."
    }
  ],
  "temperature": 1,
  "scene": "example",
  "sample_context": "A paper boat drifting down a rainy street."
}

响应

200 — 生成完成。usage 返回实际计费明细；结果地址仅作结构示例。

{
  "ok": true,
  "created": 1792134000,
  "data": [
    {
      "url": "https://modelfold.ai/uploads/outputs/result.mp3"
    }
  ],
  "usage": {}
}