Gemini 2.5 Pro TTS: dokumentacja API

Jednym kluczem API PopNow wywołasz Gemini 2.5 Pro TTS z własnego kodu. Znajdziesz tu identyfikatory modelu, które trzeba wysłać, każde pole wejściowe, koszt zapytania w kredytach i gotowe zapytanie do wklejenia w terminalu.

Opisy parametrów pochodzą ze schematu wejściowego modelu i są dostępne tylko po angielsku.

W skrócie

Twórca: Google
Wynik: Audio
Od: 0.07 kr. za sekundę wyniku ($0.0007)
Identyfikatory modelu: google/gemini-2.5-pro-tts/text-to-speech

1 kredyt = 0,01 USD. Po przyjęciu zadanie blokuje najwyższą możliwą kwotę, a na koniec rozlicza faktyczne zużycie, zaokrąglone w górę do pełnych kredytów; resztę zwalnia. Za zadania zakończone błędem nie płacisz. Dokładną kwotę przed uruchomieniem poda POST /api/v1/jobs/quote.

Tekst na mowę

google/gemini-2.5-pro-tts/text-to-speech

Cena

Opcja	Kredyty (za sekundę wyniku)	Dolary USA
`Domyślnie`	0.07	$0.0007

Parametry

Pole	Typ	Domyślnie	Dozwolone wartości	Do czego służy
`text`Opcjonalne	`string`	—	do 5000 znaków	The words to be spoken, exactly as written. Cues in square brackets such as [sighs] are performed rather than read aloud.
`dialogue`Opcjonalne	`array<object>`	—	do 20 elementów	A scripted conversation, used instead of text: each line names a speaker from speakers.
`speakers`Opcjonalne	`array<object>`	—	do 2 elementów	The cast for dialogue: one or two voices, each with a name the lines refer to.
`voice_id`Opcjonalne	`string`	`Kore`	Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Autonoe, Callirrhoe, Charon, Despina, Enceladus, Erinome, Fenrir, Gacrux, … (+16)	Prebuilt voice that reads the text. Each voice has a fixed character.
`style`Opcjonalne	`string`	—	whisper, empathetic, vocal_smile, newscaster, promo_hype, deadpan	Overall manner of the reading. Omit it to use the voice's own default manner.
`pace`Opcjonalne	`string`	—	natural, rapid_fire, the_drift, staccato	Rhythm of the reading. Omit it to keep the voice's own rhythm.
`accent`Opcjonalne	`string`	`neutral`	neutral, american_general, american_valley, american_south, british_rp, british_brixton, transatlantic, australian	English accent used for the reading.
`instructions`Opcjonalne	`string`	—	do 1000 znaków	How to read the text: pace, mood, distance from the microphone, who is listening. Shapes the delivery and is not spoken.
`scene`Opcjonalne	`string`	—	do 500 znaków	Where and to whom the words are spoken. Shapes the delivery and is not spoken.
`temperature`Opcjonalne	`number`	—	od 0 do 2	Variation between takes; higher is less predictable.

Przykładowe zapytanie

To zapytanie działa w obecnej postaci; pominięte pola mają wartości domyślne. Najpierw zapisz klucz w zmiennej POPNOW_API_KEY.

POST /api/v1/jobs/createTask

curl -X POST "https://api.popnow.ai/api/v1/jobs/createTask" \
  -H "Authorization: Bearer $POPNOW_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $(uuidgen)" \
  -d '{
  "model": "google/gemini-2.5-pro-tts/text-to-speech",
  "input": {
    "text": "Hi there! This voice was created with the PopNow API in just a few seconds."
  }
}'

Odpowiedź od razu zawiera taskId. Wynik pobierzesz przez GET /api/v1/jobs/recordInfo albo dodaj callBackUrl, by dostać powiadomienie.

GET /api/v1/jobs/recordInfo

curl "https://api.popnow.ai/api/v1/jobs/recordInfo?taskId=TASK_ID_FROM_CREATE_TASK" \
  -H "Authorization: Bearer $POPNOW_API_KEY"