Gemini 3.8 Flash 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-3-8-flash-tts"。 可选值：google/gemini-3-8-flash-tts。 示例：google/gemini-3-8-flash-tts。 |
temperature | number | 否 | 采样温度，例如：1 默认值：1。 minimum: 0. maximum: 2. 示例：1。 |
speakers | array<object> | 是 | 说话人配置列表。每个说话人用 voice_name（预置音色）或 replica（声音克隆），二者互斥、不要同时传；都不传时该说话人默认音色为 Fola。 |
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 | 否 | 音色名称。与 replica 互斥：同一个说话人只能传 voice_name 或 replica 其中一个。使用声音克隆时不要传本字段。不传且未传 replica 时默认 Fola。共 70 个音色，按使用场景分类： - Tutor：Bodi、Lumi、Sadaltager、Sola、Sulafat、Varo、Zephyr - Commercial Voiceover：Koda、Kore、Nika、Tavi、Zeno - Instructional：Algenib、Despina、Erinome、Kira、Ludo、Mako、Rasalgethi、Rina - Podcast：Alnilam、Brio、Jori、Laomedeia、Rami、Veda - Storyteller：Achird、Enzo、Riko、Sami、Zali、Zubenelgenubi - Digital Assistant：Algieba、Aoede、Autonoe、Callirrhoe、Enceladus、Gero、Iapetus、Neno、Olin、Tari、Umbriel - Call Center：Achernar、Charon、Daro、Fola、Hali、Milo、Puck - Concierge：Arlo、Cleo、Fenrir、Finn、Leda、Lora、Orus - Tech Support：Enya、Jett、Knox、Nyla、Sadachbia、Vindemiatrix - Professional：Cruz、Elio、Gacrux、Pulcherrima、Schedar、Tova、Zuri 默认值： "Fola"。 可选值：Bodi / Lumi / Sadaltager / Sola / Sulafat / Varo / Zephyr / Koda / Kore / Nika / Tavi / Zeno / Algenib / Despina / Erinome / Kira / Ludo / Mako / Rasalgethi / Rina / Alnilam / Brio / Jori / Laomedeia / Rami / Veda / Achird / Enzo / Riko / Sami / Zali / Zubenelgenubi / Algieba / Aoede / Autonoe / Callirrhoe / Enceladus / Gero / Iapetus / Neno / Olin / Tari / Umbriel / Achernar / Charon / Daro / Fola / Hali / Milo / Puck / Arlo / Cleo / Fenrir / Finn / Leda / Lora / Orus / Enya / Jett / Knox / Nyla / Sadachbia / Vindemiatrix / Cruz / Elio / Gacrux / Pulcherrima / Schedar / Tova / Zuri。 示例：Fola。 |
speakers[].replica | object | 否 | 声音克隆配置，只用于 3.8。可选。与 voice_name 互斥，同一个说话人不要同时传这两个字段。传入后，本次任务会用两段录音临时克隆该说话人的声音，不会保存成可复用音色。单人、双人请求都可以给某个说话人传 replica。两段必须是同一位成年人的真人录音，同一支麦克风、同一个房间；AI 合成的音频会被拒绝。 只接受 WAV，推荐 24kHz、单声道、16-bit PCM，单个文件不超过 10MB。按文件内容识别格式，不看扩展名和 Content-Type。 |
speakers[].replica.source_audio_url | string | 是 | 参考录音的 URL，需可直接下载。录 10–30 秒自然说话：环境安静、无回声、无背景音乐，且只有一个人的声音。建议用最终要生成的语言来录。 |
speakers[].replica.consent_audio_url | string | 是 | 同意声明录音的 URL，需可直接下载。必须由参考录音中的同一个人逐字朗读： I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model. 也可以朗读接口支持的其他语言版本。开头和结尾的静音、杂音尽量剪掉。 |
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，标签名两边用英文尖括号。例如：Hello there. <laugh> That works. 官网可插入的标签：<argh>、<breath>、<cackle>、<cheer>、<chuckle>、<chuckles>、<cough>、<cry>、<exhales>、<gasp>、<giggle>、<groan>、<growl>、<grr>、<grunt>、<heavy breath>、<hiss>、<laugh>、<laughter>、<long pause>、<moan>、<pant>、<pff>、<phew>、<scream>、<short pause>、<shout>、<shriek>、<sigh>、<sighs>、<sneeze>、<snicker>、<snort>、<sob>、<throat-clearing>、<tsk>、<whimper>、<whispering>、<whispers>、<yawn>。 maxLength: 10000. 示例：Hello there. <laugh> That works.。 |
dialogue_turns[].style | string | 否 | 这一句的语气，只用于 3.8。自由描述语气、情绪、语速，同一说话人的不同句子可以不同。例如：Speak like a tired night-shift radio host, slow and dry. |
filler_words | boolean | 否 | 两人对话时是否加入语气填充词。默认关闭，请求中不传该字段；打开后请求里带 filler_words: true。仅当 speakers 配置了两个说话人（如 Speaker 1 与 Speaker 2）时生效。两个人说话时，可打开本开关。 默认值：false。 示例：false。 |
请求示例
bash
curl -X POST "https://modelfold.ai/v1/audio/generations" \
-H "Authorization: Bearer $MODELFOLD_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "google/gemini-3-8-flash-tts",
"speakers": [
{
"speaker_id": "Speaker 1"
}
],
"dialogue_turns": [
{
"speaker_id": "Speaker 1",
"text": "Hello there. <laugh> That works."
}
],
"temperature": 1,
"filler_words": false
}'json
{
"model": "google/gemini-3-8-flash-tts",
"speakers": [
{
"speaker_id": "Speaker 1"
}
],
"dialogue_turns": [
{
"speaker_id": "Speaker 1",
"text": "Hello there. <laugh> That works."
}
],
"temperature": 1,
"filler_words": false
}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。
json
{
"ok": true,
"created": 1792134000,
"data": [
{
"url": "https://modelfold.ai/uploads/outputs/result.mp3"
}
],
"usage": {}
}