ভয়েসেস এপিআই আপনাকে স্বাভাবিক ভাষার প্রম্পট (ভয়েস ডিজাইন) অথবা রেফারেন্স অডিও এবং স্পিকারের সম্মতি রেকর্ডিং (ভয়েস রেপ্লিকেশন) থেকে কাস্টম ভয়েস তৈরি করার সুযোগ দেয়। এছাড়াও, এটি টেক্সট-টু-স্পিচ (টিটিএস) সিন্থেসিসের জন্য কাস্টম এবং আগে থেকে তৈরি ভয়েস তালিকাভুক্ত করতে, পুনরুদ্ধার করতে এবং পরিচালনা করতে সাহায্য করে।
ক্রিয়েটভয়েস
স্বাভাবিক ভাষার প্রম্পট (`VOICE_TYPE_PROMPTED`) অথবা রেফারেন্স এবং সম্মতি অডিও রেকর্ডিং (`VOICE_TYPE_REPLICATED`) থেকে একটি কাস্টম ভয়েস তৈরি করে।
অনুরোধকারী শরীর
অনুরোধের মূল অংশে নিম্নলিখিত কাঠামোসহ ডেটা থাকে:
ঐচ্ছিক। তৈরি করা ভয়েসটি Google দ্বারা সংরক্ষিত এবং পরিচালিত হবে কিনা। * যখন `true`, Google ভয়েসটি সংরক্ষণ করে এবং `Voice.id` (উদাহরণস্বরূপ, `voice_abc123def456`) ফেরত দেয়, যা `GetVoice`, `ListVoices`, এবং `DeleteVoice` এর মাধ্যমে পরিচালনা করা যায় এবং সিন্থেসিস অনুরোধে ID দ্বারা উল্লেখ করা যায়। প্রজেক্টগুলো একটি সর্বোচ্চ সক্রিয় সংরক্ষিত ভয়েস কোটার অধীন; কোটা অতিক্রম করলে `RESOURCE_EXHAUSTED` ফেরত আসে। * যখন `false` (ডিফল্ট), ভয়েসটি Google দ্বারা সংরক্ষিত হয় না এবং ক্লায়েন্ট-সাইড স্টোরেজ ও সিন্থেসিসের জন্য `Voice.key` (উদাহরণস্বরূপ, `voicekey_...`) ফেরত দেওয়া হয়। `store` `false` হলে `voice`-এর ঐচ্ছিক ডিসকভারি মেটাডেটা ফিল্ডগুলো সংরক্ষিত বা ফেরত দেওয়া হয় না। * যখন `voice.type` `"prompted"` হয়, তখন এটি `true` হওয়া আবশ্যক (অন্যথায় `INVALID_ARGUMENT` ত্রুটির সাথে ব্যর্থ হয়)।
আবশ্যক। যে ভয়েসটি তৈরি করতে হবে। `voice.model` ঐচ্ছিক; এটি বাদ দিলে, সার্ভিসটি ডিফল্ট ভয়েস তৈরির মডেলটি বেছে নেবে। `Voice`-এর শুধুমাত্র আউটপুটের জন্য ব্যবহৃত ফিল্ডগুলো (`id`, `key`, `expire_time`, `usage`) সেট করা থাকলে তা উপেক্ষা করা হবে।
প্রতিক্রিয়া
সফল হলে, প্রতিক্রিয়া অংশে নিম্নলিখিত কাঠামোসহ ডেটা থাকে:
ঐচ্ছিক। আঞ্চলিক উচ্চারণের বর্ণনাকারী (যেমন "আমেরিকান", "ব্রিটিশ")।
ঐচ্ছিক। ব্যবহারের সর্বোত্তম প্রেক্ষাপট বা ক্ষেত্র (যেমন "কথোপকথনমূলক", "অডিওবুক", "সংবাদ")।
ঐচ্ছিক। কণ্ঠস্বরের স্বরমাধুর্য, ব্যক্তিত্ব এবং সুরের বর্ণনামূলক সারসংক্ষেপ।
ঐচ্ছিক। সংরক্ষিত ভয়েসের জন্য ব্যবহারকারীর দেওয়া প্রদর্শনের নাম (`store = true`), অথবা আগে থেকে তৈরি ভয়েসের জন্য ক্যাটালগের নাম।
শুধুমাত্র আউটপুট। যে টাইমস্ট্যাম্পে একটি কাস্টম সংরক্ষিত ভয়েস (`store = true`) বা প্রতিলিপিকৃত ভয়েস কী (`store = false`) এর মেয়াদ শেষ হয়। প্রি-বিল্ট ক্যাটালগ ভয়েসগুলির (`"prebuilt"`) জন্য এটি আনসেট করা থাকে, যেগুলির মেয়াদ শেষ হয় না।
ঐচ্ছিক। কণ্ঠস্বরের লিঙ্গভিত্তিক উপস্থাপনা (যেমন 'মহিলা', 'পুরুষ', 'নিরপেক্ষ')।
শুধুমাত্র আউটপুট। ভয়েসের অনন্য শনাক্তকারী। * গুগল-পরিচালিত কাস্টম ভয়েসের জন্য (`store = true`), এটি `voice_` প্রিফিক্স সহ একটি জেনারেটেড আইডি (উদাহরণস্বরূপ, `voice_abc123def456`)। `GetVoice` এবং `DeleteVoice`-এ `name` হিসেবে `voices/{id}` পাস করুন, এবং স্পিচ সিন্থেসিসের সময় `{id}` সরাসরি `SpeechConfig.voice_config.voice` (বা `SpeechConfig.voice`)-এ পাস করুন। * প্রি-বিল্ট ক্যাটালগ ভয়েসের জন্য (`ListVoices` দ্বারা রিটার্ন করা `"prebuilt"`), এটি স্পিকারের নাম (উদাহরণস্বরূপ, `Puck` বা `Charon`)। * `store = false` দিয়ে `CreateVoice` কল করা হলে এটি আনসেট হয়ে যায়।
শুধুমাত্র আউটপুট। ক্লায়েন্ট-পরিচালিত ভয়েস রেপ্লিকেশন কী (যার প্রিফিক্স `voicekey_`)। এটি শুধুমাত্র `CreateVoice` দ্বারা ফেরত দেওয়া হয় যখন `type`-এর মান `"replicated"` এবং `store`-এর মান `false` হয়। স্পিচ সিন্থেসিসের সময় এই কী-টি `SpeechConfig.voice_config.voice` (অথবা `SpeechConfig.voice`)-এ পাস করুন।
ঐচ্ছিক। প্রাথমিক BCP-47 ভাষা ট্যাগ (যেমন "en-US", "fr-FR")।
ঐচ্ছিক। কণ্ঠস্বরটি ডিজাইন বা প্রতিলিপি করতে ব্যবহৃত মডেল। `CreateVoice`-এ এটি বাদ দেওয়া হলে, ডিফল্টরূপে সর্বশেষ সমর্থিত ভয়েস ডিজাইন মডেলটি ব্যবহৃত হয়। কাস্টম ভয়েসের (‘'prompted'’ এবং ‘'replicated'’) জন্য `CreateVoice`, `GetVoice`, এবং `ListVoices` রেসপন্সে এটি ফেরত আসে; ‘'prebuilt'’ ভয়েসের জন্য এটি সেট করা থাকে না। তৈরি করা ভয়েসগুলো যেকোনো সমর্থিত TTS সিন্থেসিস মডেল ব্যবহার করে সিন্থেসাইজ করা যায়।
ঐচ্ছিক। উদ্দিষ্ট ব্যক্তিত্ব বা চরিত্রের প্রতীরূপ (যেমন "উষ্ণ, বন্ধুত্বপূর্ণ", "বর্ণনাকারী")।
পিচ পিচ (ঐচ্ছিক)
ঐচ্ছিক। কণ্ঠস্বরের তীক্ষ্ণতার শ্রেণিবিভাগ।
সম্ভাব্য মান
-
lowনিম্ন স্বর।
-
mediumমাঝারি তীক্ষ্ণতার কণ্ঠস্বর।
-
highউচ্চ স্বরের কণ্ঠস্বর।
প্রম্পটেডভয়েস (ঐচ্ছিক )
প্রম্পটেড ভয়েস তৈরির জন্য প্যারামিটার। `CreateVoice`-এ `type` `"prompted"` হলে এটি আবশ্যক। প্রম্পটেড ভয়েসের জন্য `CreateVoice`, `GetVoice`, এবং `ListVoices` রেসপন্সে এটি ফেরত দেওয়া হয়।
ক্ষেত্র
আবশ্যক। কাঙ্ক্ষিত কণ্ঠস্বর বর্ণনা করার জন্য স্বাভাবিক ভাষার নির্দেশ, যেমন: "মধ্যবয়সী এক বিশাল দুষ্ট দৈত্যের গভীর, গম্ভীর পুরুষালি কণ্ঠস্বর।"
ঐচ্ছিক। আইএসও ৩১৬৬-১ আলফা-২ অথবা ইউএন এম.৪৯ ভৌগোলিক অঞ্চল কোড (যেমন "ইউএস", "জিবি", "০০১")।
নমুনা_অডিও অডিও ডেটা (ঐচ্ছিক)
শুধুমাত্র আউটপুট। একটি প্রম্পটেড ভয়েসের জন্য তৈরি করা নমুনা অডিও (সিন্থেসাইজার প্রম্পট অডিও)। এটি শুধুমাত্র `CreateVoice` এবং `GetVoice` রেসপন্সে তখনই যুক্ত হয় যখন `type`-এর মান `"prompted"` হয়; `ListVoices` রেসপন্সে এবং `"replicated"` বা `"prebuilt"` ভয়েসের ক্ষেত্রে এটি সেট করা থাকে না।
ক্ষেত্র
প্রয়োজনীয় মূল অডিও বাইটগুলো।
আবশ্যক। অডিও ডেটার IANA MIME টাইপ (উদাহরণস্বরূপ, `audio/wav` বা `audio/mpeg`)।
ভয়েসটাইপ ( ঐচ্ছিক)
আবশ্যক। কণ্ঠস্বরের ধরন। `CreateVoice`-এ, এটি অবশ্যই `"replicated"` বা `"prompted"` হতে হবে। `ListVoices`-এর প্রতিক্রিয়াগুলি `"prebuilt"`-ও হতে পারে।
সম্ভাব্য মান
-
replicatedএকটি রেফারেন্স অডিও নমুনা এবং বক্তার সম্মতি রেকর্ডিং থেকে প্রতিলিপিকৃত একটি কাস্টম ভয়েস।
-
promptedস্বাভাবিক ভাষার টেক্সট প্রম্পট থেকে তৈরি একটি কাস্টম ভয়েস।
-
prebuiltগুগলের ভয়েস ক্যাটালগ থেকে একটি অন্তর্নির্মিত সিস্টেম ভয়েস (যেমন, ‘পাক’, ‘ক্যারন’)। এটি রেসপন্সে ফেরত আসে; ‘ক্রিয়েটভয়েস’-এ টাইপ হিসেবে এটি নির্দিষ্ট করা যায় না।
ব্যবহার (ঐচ্ছিক )
শুধুমাত্র আউটপুট। ভয়েস তৈরির অনুরোধের জন্য টোকেন ব্যবহারের পরিসংখ্যান। এটি শুধুমাত্র `CreateVoice`-এর রেসপন্সে তখনই পূরণ করা হয় যখন `type` `"prompted"` হয়; `"replicated"` এবং `GetVoice` ও `ListVoices` রেসপন্সে এটি সেট করা থাকে না।
ক্ষেত্র
cached_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে ক্যাশড টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
গ্রাউন্ডিং_টুল_কাউন্ট অ্যারে (GroundingToolCount) (ঐচ্ছিক)
গ্রাউন্ডিং টুলের সংখ্যা।
ক্ষেত্র
গ্রাউন্ডিং টুলের সংখ্যা গুরুত্বপূর্ণ।
গণনার সাথে সংশ্লিষ্ট গ্রাউন্ডিং টুলের ধরণ।
সম্ভাব্য মানসমূহ:
-
google_searchগুগল ওয়েব সার্চ ও ইমেজ সার্চের মাধ্যমে ভিত্তি স্থাপন, এবং এন্টারপ্রাইজের জন্য ওয়েব ভিত্তি স্থাপন।
-
google_mapsগুগল ম্যাপসের সাহায্যে পরিচিতি।
input_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে ইনপুট টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
আউটপুট_টোকেন_বাই_মোডালিটি অ্যারে (মোডালিটিটোকেন) (ঐচ্ছিক)
পদ্ধতি অনুসারে আউটপুট টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
tool_use_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে টুল-ব্যবহার টোকেন ব্যবহারের একটি বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
প্রম্পটের ক্যাশ করা অংশে থাকা টোকেনের সংখ্যা (ক্যাশ করা বিষয়বস্তু)।
প্রম্পটে (প্রসঙ্গ) টোকেনের সংখ্যা।
তৈরি হওয়া সমস্ত প্রতিক্রিয়া জুড়ে টোকেনের মোট সংখ্যা।
চিন্তন মডেলগুলোর জন্য চিন্তার টোকেনের সংখ্যা।
ইন্টারঅ্যাকশন অনুরোধের জন্য মোট টোকেন সংখ্যা (প্রম্পট + প্রতিক্রিয়া + অন্যান্য অভ্যন্তরীণ টোকেন)।
টুল ব্যবহারের নির্দেশনায় উপস্থিত টোকেনের সংখ্যা।
উদাহরণ
উদাহরণ প্রতিক্রিয়া
{ "accent": "string", "context": "string", "description": "string", "display_name": "string", "expire_time": "string", "gender": "string", "id": "string", "key": "string", "language_code": "string", "model": "string", "persona": "string", "pitch": "low", "prompted": { "input": "string" }, "region_code": "string", "replicated": { "consent_audio": { "data": "string", "mime_type": "string" }, "source_audio": { "data": "string", "mime_type": "string" } }, "sample_audio": { "data": "string", "mime_type": "string" }, "type": "replicated", "usage": { "cached_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "grounding_tool_count": [ { "count": 0, "type": "google_search" } ], "input_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "output_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "tool_use_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "total_cached_tokens": 0, "total_input_tokens": 0, "total_output_tokens": 0, "total_thought_tokens": 0, "total_tokens": 0, "total_tool_use_tokens": 0 } }
লিস্টভয়েসেস
কলারের নিজস্ব সংরক্ষিত ভয়েসগুলো (নতুন থেকে পুরানো ক্রমে) এবং এরপর গুগলের ভয়েস ক্যাটালগ থেকে আগে থেকে তৈরি সিস্টেম ভয়েসগুলো তালিকাভুক্ত করে।
পাথ / কোয়েরি প্যারামিটার
ঐচ্ছিক। উচ্চারণভঙ্গির বিবরণ দিয়ে ফিল্টার করুন (যেমন "আমেরিকান", "ব্রিটিশ")। কেস-ইনসেনসিটিভ সঠিক মিল। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট উচ্চারণভঙ্গিগুলোর (অথবা) যেকোনো একটির কণ্ঠস্বরের সাথে মিলবে।
ঐচ্ছিক। উদ্দিষ্ট প্রেক্ষাপট বা ডোমেইন অনুযায়ী ফিল্টার করুন (যেমন "সংবাদ, বাণিজ্যিক")। কেস-ইনসেনসিটিভ সঠিক মিল। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট প্রেক্ষাপটগুলোর যেকোনো একটির (অথবা) সাথে ভয়েসগুলো মেলানো হবে।
ঐচ্ছিক। লিঙ্গ উপস্থাপনা অনুসারে ফিল্টার করুন (যেমন "মহিলা", "পুরুষ", "নিরপেক্ষ")। কেস-ইনসেনসিটিভ সঠিক মিল। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট লিঙ্গগুলির যেকোনো একটির (অথবা) কণ্ঠস্বর মেলানো হবে।
ঐচ্ছিক। BCP-47 ভাষা কোড দ্বারা ফিল্টার করুন (যেমন "en-US")। কেস-ইনসেনসিটিভ সঠিক মিল। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট ভাষা কোডগুলির যেকোনো একটির (অথবা) ভয়েসগুলির সাথে মিল খুঁজে পাওয়া যাবে।
ঐচ্ছিক। প্রতি পৃষ্ঠায় ফেরত দেওয়া কণ্ঠস্বরের সর্বোচ্চ সংখ্যা। পরিষেবাটি এই মানের চেয়ে কমও ফেরত দিতে পারে। যদি নির্দিষ্ট না করা হয়, তবে সর্বাধিক ৫০টি কণ্ঠস্বর ফেরত দেওয়া হয়। সর্বোচ্চ মান হলো ১০০০; ১০০০-এর উপরের মানগুলোকে ১০০০-এ রূপান্তরিত করা হয়।
ঐচ্ছিক। পূর্ববর্তী `ListVoices` কল থেকে প্রাপ্ত একটি পেজ টোকেন। পরবর্তী পৃষ্ঠা পুনরুদ্ধার করতে এটি প্রদান করুন। পেজিনেশনের সময়, সমস্ত ফিল্টার কোয়েরি প্যারামিটার (`language_code`, `region_code`, `accent`, `persona`, `context`, `gender`, `pitch`, `type`, এবং `search`) অবশ্যই সেই কলের সাথে মিলতে হবে যা এই টোকেনটি ফেরত দিয়েছে; অন্যথায় অনুরোধটি `INVALID_ARGUMENT` ত্রুটির সাথে ব্যর্থ হবে। পৃষ্ঠাভেদে `page_size` পরিবর্তিত হতে পারে।
ঐচ্ছিক। কণ্ঠস্বরের ধরণ অনুযায়ী ফিল্টার করুন (যেমন "উষ্ণ, বন্ধুত্বপূর্ণ")। কেস-ইনসেনসিটিভ সঠিক মিল। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট ধরণগুলোর (অথবা) যেকোনো একটির সাথে কণ্ঠস্বরগুলো মেলানো হবে।
ঐচ্ছিক। কণ্ঠস্বরের পিচ অনুযায়ী ফিল্টার করুন। 'low', 'medium', 'high' অথবা 'PITCH_LOW', 'PITCH_MEDIUM', 'PITCH_HIGH' (কেস-ইনসেনসিটিভ) গ্রহণ করে। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট পিচগুলোর যেকোনো একটির (অথবা) সাথে কণ্ঠস্বরগুলো মেলানো হয়।
ঐচ্ছিক। ISO 3166-1 alpha-2 অথবা UN M.49 অঞ্চল কোড (যেমন "US", "001") দ্বারা ফিল্টার করুন। কেস-ইনসেনসিটিভ সঠিক মিল। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট অঞ্চল কোডগুলোর (অথবা) যেকোনো একটির ভয়েসের সাথে মিল খুঁজে পাওয়া যাবে।
ঐচ্ছিক। `display_name` এবং `description` উভয়ের ক্ষেত্রেই কেস-ইনসেনসিটিভভাবে মেলানো ফ্রি-টেক্সট সাবস্ট্রিং সার্চ কোয়েরি। সর্বোচ্চ ২০৪৮ বাইট।
ঐচ্ছিক। ভয়েসের ধরন অনুযায়ী ফিল্টার করুন। 'prebuilt', 'replicated', 'prompted' অথবা 'VOICE_TYPE_PREBUILT', 'VOICE_TYPE_REPLICATED', 'VOICE_TYPE_PROMPTED' (কেস-ইনসেনসিটিভ) গ্রহণ করে। একাধিক মান নির্দিষ্ট করা হলে, নির্দিষ্ট করা যেকোনো ধরনের (OR) ভয়েসের সাথে মিল খুঁজে পাওয়া যাবে।
প্রতিক্রিয়া
সফল হলে, প্রতিক্রিয়া অংশে নিম্নলিখিত কাঠামোসহ ডেটা থাকে:
পরবর্তী পৃষ্ঠা আনার জন্য `page_token` হিসেবে পাঠানো যায় এমন একটি টোকেন। এটি খালি থাকলে, পরবর্তী কোনো পৃষ্ঠা নেই।
নির্দিষ্ট সংগ্রহ থেকে কণ্ঠস্বরগুলো।
উদাহরণ
উদাহরণ প্রতিক্রিয়া
{ "next_page_token": "string", "voices": [ { "accent": "string", "context": "string", "description": "string", "display_name": "string", "expire_time": "string", "gender": "string", "id": "string", "key": "string", "language_code": "string", "model": "string", "persona": "string", "pitch": "low", "prompted": { "input": "string" }, "region_code": "string", "replicated": { "consent_audio": { "data": "string", "mime_type": "string" }, "source_audio": { "data": "string", "mime_type": "string" } }, "sample_audio": { "data": "string", "mime_type": "string" }, "type": "replicated", "usage": { "cached_tokens_by_modality": [ { "modality": "...", "tokens": 0 } ], "grounding_tool_count": [ { "count": 0, "type": "google_search" } ], "input_tokens_by_modality": [ { "modality": "...", "tokens": 0 } ], "output_tokens_by_modality": [ { "modality": "...", "tokens": 0 } ], "tool_use_tokens_by_modality": [ { "modality": "...", "tokens": 0 } ], "total_cached_tokens": 0, "total_input_tokens": 0, "total_output_tokens": 0, "total_thought_tokens": 0, "total_tokens": 0, "total_tool_use_tokens": 0 } } ] }
গেটভয়েস
রিসোর্স নাম দ্বারা একটি কাস্টম সংরক্ষিত ভয়েস (`store = true`) পাওয়া যায়। প্রি-বিল্ট ক্যাটালগ ভয়েস (`VOICE_TYPE_PREBUILT`) `GetVoice` এর মাধ্যমে পাওয়া যায় না; এর পরিবর্তে `ListVoices` ব্যবহার করুন।
পাথ / কোয়েরি প্যারামিটার
আবশ্যক। পুনরুদ্ধার করার জন্য কাস্টম সংরক্ষিত ভয়েসের রিসোর্স নাম (উদাহরণস্বরূপ, `voices/voice_abc123def456`)।
প্রতিক্রিয়া
সফল হলে, প্রতিক্রিয়া অংশে নিম্নলিখিত কাঠামোসহ ডেটা থাকে:
ঐচ্ছিক। আঞ্চলিক উচ্চারণের বর্ণনাকারী (যেমন "আমেরিকান", "ব্রিটিশ")।
ঐচ্ছিক। ব্যবহারের সর্বোত্তম প্রেক্ষাপট বা ক্ষেত্র (যেমন "কথোপকথনমূলক", "অডিওবুক", "সংবাদ")।
ঐচ্ছিক। কণ্ঠস্বরের স্বরমাধুর্য, ব্যক্তিত্ব এবং সুরের বর্ণনামূলক সারসংক্ষেপ।
ঐচ্ছিক। সংরক্ষিত ভয়েসের জন্য ব্যবহারকারীর দেওয়া প্রদর্শনের নাম (`store = true`), অথবা আগে থেকে তৈরি ভয়েসের জন্য ক্যাটালগের নাম।
শুধুমাত্র আউটপুট। যে টাইমস্ট্যাম্পে একটি কাস্টম সংরক্ষিত ভয়েস (`store = true`) বা প্রতিলিপিকৃত ভয়েস কী (`store = false`) এর মেয়াদ শেষ হয়। প্রি-বিল্ট ক্যাটালগ ভয়েসগুলির (`"prebuilt"`) জন্য এটি আনসেট করা থাকে, যেগুলির মেয়াদ শেষ হয় না।
ঐচ্ছিক। কণ্ঠস্বরের লিঙ্গভিত্তিক উপস্থাপনা (যেমন 'মহিলা', 'পুরুষ', 'নিরপেক্ষ')।
শুধুমাত্র আউটপুট। ভয়েসের অনন্য শনাক্তকারী। * গুগল-পরিচালিত কাস্টম ভয়েসের জন্য (`store = true`), এটি `voice_` প্রিফিক্স সহ একটি জেনারেটেড আইডি (উদাহরণস্বরূপ, `voice_abc123def456`)। `GetVoice` এবং `DeleteVoice`-এ `name` হিসেবে `voices/{id}` পাস করুন, এবং স্পিচ সিন্থেসিসের সময় `{id}` সরাসরি `SpeechConfig.voice_config.voice` (বা `SpeechConfig.voice`)-এ পাস করুন। * প্রি-বিল্ট ক্যাটালগ ভয়েসের জন্য (`ListVoices` দ্বারা রিটার্ন করা `"prebuilt"`), এটি স্পিকারের নাম (উদাহরণস্বরূপ, `Puck` বা `Charon`)। * `store = false` দিয়ে `CreateVoice` কল করা হলে এটি আনসেট হয়ে যায়।
শুধুমাত্র আউটপুট। ক্লায়েন্ট-পরিচালিত ভয়েস রেপ্লিকেশন কী (যার প্রিফিক্স `voicekey_`)। এটি শুধুমাত্র `CreateVoice` দ্বারা ফেরত দেওয়া হয় যখন `type`-এর মান `"replicated"` এবং `store`-এর মান `false` হয়। স্পিচ সিন্থেসিসের সময় এই কী-টি `SpeechConfig.voice_config.voice` (অথবা `SpeechConfig.voice`)-এ পাস করুন।
ঐচ্ছিক। প্রাথমিক BCP-47 ভাষা ট্যাগ (যেমন "en-US", "fr-FR")।
ঐচ্ছিক। কণ্ঠস্বরটি ডিজাইন বা প্রতিলিপি করতে ব্যবহৃত মডেল। `CreateVoice`-এ এটি বাদ দেওয়া হলে, ডিফল্টরূপে সর্বশেষ সমর্থিত ভয়েস ডিজাইন মডেলটি ব্যবহৃত হয়। কাস্টম ভয়েসের (‘'prompted'’ এবং ‘'replicated'’) জন্য `CreateVoice`, `GetVoice`, এবং `ListVoices` রেসপন্সে এটি ফেরত আসে; ‘'prebuilt'’ ভয়েসের জন্য এটি সেট করা থাকে না। তৈরি করা ভয়েসগুলো যেকোনো সমর্থিত TTS সিন্থেসিস মডেল ব্যবহার করে সিন্থেসাইজ করা যায়।
ঐচ্ছিক। উদ্দিষ্ট ব্যক্তিত্ব বা চরিত্রের প্রতীরূপ (যেমন "উষ্ণ, বন্ধুত্বপূর্ণ", "বর্ণনাকারী")।
পিচ পিচ (ঐচ্ছিক)
ঐচ্ছিক। কণ্ঠস্বরের তীক্ষ্ণতার শ্রেণিবিভাগ।
সম্ভাব্য মান
-
lowনিম্ন স্বর।
-
mediumমাঝারি তীক্ষ্ণতার কণ্ঠস্বর।
-
highউচ্চ স্বরের কণ্ঠস্বর।
প্রম্পটেডভয়েস (ঐচ্ছিক )
প্রম্পটেড ভয়েস তৈরির জন্য প্যারামিটার। `CreateVoice`-এ `type` `"prompted"` হলে এটি আবশ্যক। প্রম্পটেড ভয়েসের জন্য `CreateVoice`, `GetVoice`, এবং `ListVoices` রেসপন্সে এটি ফেরত দেওয়া হয়।
ক্ষেত্র
আবশ্যক। কাঙ্ক্ষিত কণ্ঠস্বর বর্ণনা করার জন্য স্বাভাবিক ভাষার নির্দেশ, যেমন: "মধ্যবয়সী এক বিশাল দুষ্ট দৈত্যের গভীর, গম্ভীর পুরুষালি কণ্ঠস্বর।"
ঐচ্ছিক। আইএসও ৩১৬৬-১ আলফা-২ অথবা ইউএন এম.৪৯ ভৌগোলিক অঞ্চল কোড (যেমন "ইউএস", "জিবি", "০০১")।
নমুনা_অডিও অডিও ডেটা (ঐচ্ছিক)
শুধুমাত্র আউটপুট। একটি প্রম্পটেড ভয়েসের জন্য তৈরি করা নমুনা অডিও (সিন্থেসাইজার প্রম্পট অডিও)। এটি শুধুমাত্র `CreateVoice` এবং `GetVoice` রেসপন্সে তখনই যুক্ত হয় যখন `type`-এর মান `"prompted"` হয়; `ListVoices` রেসপন্সে এবং `"replicated"` বা `"prebuilt"` ভয়েসের ক্ষেত্রে এটি সেট করা থাকে না।
ক্ষেত্র
প্রয়োজনীয় মূল অডিও বাইটগুলো।
আবশ্যক। অডিও ডেটার IANA MIME টাইপ (উদাহরণস্বরূপ, `audio/wav` বা `audio/mpeg`)।
ভয়েসটাইপ ( ঐচ্ছিক)
আবশ্যক। কণ্ঠস্বরের ধরন। `CreateVoice`-এ, এটি অবশ্যই `"replicated"` বা `"prompted"` হতে হবে। `ListVoices`-এর প্রতিক্রিয়াগুলি `"prebuilt"`-ও হতে পারে।
সম্ভাব্য মান
-
replicatedএকটি রেফারেন্স অডিও নমুনা এবং বক্তার সম্মতি রেকর্ডিং থেকে প্রতিলিপিকৃত একটি কাস্টম ভয়েস।
-
promptedস্বাভাবিক ভাষার টেক্সট প্রম্পট থেকে তৈরি একটি কাস্টম ভয়েস।
-
prebuiltগুগলের ভয়েস ক্যাটালগ থেকে একটি অন্তর্নির্মিত সিস্টেম ভয়েস (যেমন, ‘পাক’, ‘ক্যারন’)। এটি রেসপন্সে ফেরত আসে; ‘ক্রিয়েটভয়েস’-এ টাইপ হিসেবে এটি নির্দিষ্ট করা যায় না।
ব্যবহার (ঐচ্ছিক )
শুধুমাত্র আউটপুট। ভয়েস তৈরির অনুরোধের জন্য টোকেন ব্যবহারের পরিসংখ্যান। এটি শুধুমাত্র `CreateVoice`-এর রেসপন্সে তখনই পূরণ করা হয় যখন `type` `"prompted"` হয়; `"replicated"` এবং `GetVoice` ও `ListVoices` রেসপন্সে এটি সেট করা থাকে না।
ক্ষেত্র
cached_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে ক্যাশড টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
গ্রাউন্ডিং_টুল_কাউন্ট অ্যারে (GroundingToolCount) (ঐচ্ছিক)
গ্রাউন্ডিং টুলের সংখ্যা।
ক্ষেত্র
গ্রাউন্ডিং টুলের সংখ্যা গুরুত্বপূর্ণ।
গণনার সাথে সংশ্লিষ্ট গ্রাউন্ডিং টুলের ধরণ।
সম্ভাব্য মানসমূহ:
-
google_searchগুগল ওয়েব সার্চ ও ইমেজ সার্চের মাধ্যমে ভিত্তি স্থাপন, এবং এন্টারপ্রাইজের জন্য ওয়েব ভিত্তি স্থাপন।
-
google_mapsগুগল ম্যাপসের সাহায্যে পরিচিতি।
input_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে ইনপুট টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
আউটপুট_টোকেন_বাই_মোডালিটি অ্যারে (মোডালিটিটোকেন) (ঐচ্ছিক)
পদ্ধতি অনুসারে আউটপুট টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
tool_use_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে টুল-ব্যবহার টোকেন ব্যবহারের একটি বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
প্রম্পটের ক্যাশ করা অংশে থাকা টোকেনের সংখ্যা (ক্যাশ করা বিষয়বস্তু)।
প্রম্পটে (প্রসঙ্গ) টোকেনের সংখ্যা।
তৈরি হওয়া সমস্ত প্রতিক্রিয়া জুড়ে টোকেনের মোট সংখ্যা।
চিন্তন মডেলগুলোর জন্য চিন্তার টোকেনের সংখ্যা।
ইন্টারঅ্যাকশন অনুরোধের জন্য মোট টোকেন সংখ্যা (প্রম্পট + প্রতিক্রিয়া + অন্যান্য অভ্যন্তরীণ টোকেন)।
টুল ব্যবহারের নির্দেশনায় উপস্থিত টোকেনের সংখ্যা।
উদাহরণ
উদাহরণ প্রতিক্রিয়া
{ "accent": "string", "context": "string", "description": "string", "display_name": "string", "expire_time": "string", "gender": "string", "id": "string", "key": "string", "language_code": "string", "model": "string", "persona": "string", "pitch": "low", "prompted": { "input": "string" }, "region_code": "string", "replicated": { "consent_audio": { "data": "string", "mime_type": "string" }, "source_audio": { "data": "string", "mime_type": "string" } }, "sample_audio": { "data": "string", "mime_type": "string" }, "type": "replicated", "usage": { "cached_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "grounding_tool_count": [ { "count": 0, "type": "google_search" } ], "input_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "output_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "tool_use_tokens_by_modality": [ { "modality": "text", "tokens": 0 } ], "total_cached_tokens": 0, "total_input_tokens": 0, "total_output_tokens": 0, "total_thought_tokens": 0, "total_tokens": 0, "total_tool_use_tokens": 0 } }
মুছুন ভয়েস
রিসোর্স নাম দ্বারা কাস্টম সংরক্ষিত ভয়েস (`store = true`) মুছে ফেলে। প্রি-বিল্ট ক্যাটালগ ভয়েস (`VOICE_TYPE_PREBUILT`) মুছে ফেলা যায় না।
পাথ / কোয়েরি প্যারামিটার
আবশ্যক। যে কাস্টম সংরক্ষিত ভয়েসটি মুছে ফেলতে চান, তার রিসোর্স নাম (উদাহরণস্বরূপ, `voices/voice_abc123def456`)।
প্রতিক্রিয়া
সফল হলে, প্রতিক্রিয়াটি খালি থাকে।
উদাহরণ
সম্পদ
কণ্ঠস্বর
একটি ভয়েস রিসোর্স যা হয় একটি কাস্টম ভয়েস (যা `CreateVoice` এর মাধ্যমে তৈরি করা হয়) অথবা একটি পূর্ব-নির্মিত সিস্টেম ভয়েস (যা `ListVoices` দ্বারা ফেরত দেওয়া হয়) উপস্থাপন করে।
ক্ষেত্র
ঐচ্ছিক। আঞ্চলিক উচ্চারণের বর্ণনাকারী (যেমন "আমেরিকান", "ব্রিটিশ")।
ঐচ্ছিক। ব্যবহারের সর্বোত্তম প্রেক্ষাপট বা ক্ষেত্র (যেমন "কথোপকথনমূলক", "অডিওবুক", "সংবাদ")।
ঐচ্ছিক। কণ্ঠস্বরের স্বরমাধুর্য, ব্যক্তিত্ব এবং সুরের বর্ণনামূলক সারসংক্ষেপ।
ঐচ্ছিক। সংরক্ষিত ভয়েসের জন্য ব্যবহারকারীর দেওয়া প্রদর্শনের নাম (`store = true`), অথবা আগে থেকে তৈরি ভয়েসের জন্য ক্যাটালগের নাম।
শুধুমাত্র আউটপুট। যে টাইমস্ট্যাম্পে একটি কাস্টম সংরক্ষিত ভয়েস (`store = true`) বা প্রতিলিপিকৃত ভয়েস কী (`store = false`) এর মেয়াদ শেষ হয়। প্রি-বিল্ট ক্যাটালগ ভয়েসগুলির (`"prebuilt"`) জন্য এটি আনসেট করা থাকে, যেগুলির মেয়াদ শেষ হয় না।
ঐচ্ছিক। কণ্ঠস্বরের লিঙ্গভিত্তিক উপস্থাপনা (যেমন 'মহিলা', 'পুরুষ', 'নিরপেক্ষ')।
শুধুমাত্র আউটপুট। ভয়েসের অনন্য শনাক্তকারী। * গুগল-পরিচালিত কাস্টম ভয়েসের জন্য (`store = true`), এটি `voice_` প্রিফিক্স সহ একটি জেনারেটেড আইডি (উদাহরণস্বরূপ, `voice_abc123def456`)। `GetVoice` এবং `DeleteVoice`-এ `name` হিসেবে `voices/{id}` পাস করুন, এবং স্পিচ সিন্থেসিসের সময় `{id}` সরাসরি `SpeechConfig.voice_config.voice` (বা `SpeechConfig.voice`)-এ পাস করুন। * প্রি-বিল্ট ক্যাটালগ ভয়েসের জন্য (`ListVoices` দ্বারা রিটার্ন করা `"prebuilt"`), এটি স্পিকারের নাম (উদাহরণস্বরূপ, `Puck` বা `Charon`)। * `store = false` দিয়ে `CreateVoice` কল করা হলে এটি আনসেট হয়ে যায়।
শুধুমাত্র আউটপুট। ক্লায়েন্ট-পরিচালিত ভয়েস রেপ্লিকেশন কী (যার প্রিফিক্স `voicekey_`)। এটি শুধুমাত্র `CreateVoice` দ্বারা ফেরত দেওয়া হয় যখন `type`-এর মান `"replicated"` এবং `store`-এর মান `false` হয়। স্পিচ সিন্থেসিসের সময় এই কী-টি `SpeechConfig.voice_config.voice` (অথবা `SpeechConfig.voice`)-এ পাস করুন।
ঐচ্ছিক। প্রাথমিক BCP-47 ভাষা ট্যাগ (যেমন "en-US", "fr-FR")।
ঐচ্ছিক। কণ্ঠস্বরটি ডিজাইন বা প্রতিলিপি করতে ব্যবহৃত মডেল। `CreateVoice`-এ এটি বাদ দেওয়া হলে, ডিফল্টরূপে সর্বশেষ সমর্থিত ভয়েস ডিজাইন মডেলটি ব্যবহৃত হয়। কাস্টম ভয়েসের (‘'prompted'’ এবং ‘'replicated'’) জন্য `CreateVoice`, `GetVoice`, এবং `ListVoices` রেসপন্সে এটি ফেরত আসে; ‘'prebuilt'’ ভয়েসের জন্য এটি সেট করা থাকে না। তৈরি করা ভয়েসগুলো যেকোনো সমর্থিত TTS সিন্থেসিস মডেল ব্যবহার করে সিন্থেসাইজ করা যায়।
ঐচ্ছিক। উদ্দিষ্ট ব্যক্তিত্ব বা চরিত্রের প্রতীরূপ (যেমন "উষ্ণ, বন্ধুত্বপূর্ণ", "বর্ণনাকারী")।
পিচ পিচ (ঐচ্ছিক)
ঐচ্ছিক। কণ্ঠস্বরের তীক্ষ্ণতার শ্রেণিবিভাগ।
সম্ভাব্য মান
-
lowনিম্ন স্বর।
-
mediumমাঝারি তীক্ষ্ণতার কণ্ঠস্বর।
-
highউচ্চ স্বরের কণ্ঠস্বর।
প্রম্পটেডভয়েস (ঐচ্ছিক )
প্রম্পটেড ভয়েস তৈরির জন্য প্যারামিটার। `CreateVoice`-এ `type` `"prompted"` হলে এটি আবশ্যক। প্রম্পটেড ভয়েসের জন্য `CreateVoice`, `GetVoice`, এবং `ListVoices` রেসপন্সে এটি ফেরত দেওয়া হয়।
ক্ষেত্র
আবশ্যক। কাঙ্ক্ষিত কণ্ঠস্বর বর্ণনা করার জন্য স্বাভাবিক ভাষার নির্দেশ, যেমন: "মধ্যবয়সী এক বিশাল দুষ্ট দৈত্যের গভীর, গম্ভীর পুরুষালি কণ্ঠস্বর।"
ঐচ্ছিক। আইএসও ৩১৬৬-১ আলফা-২ অথবা ইউএন এম.৪৯ ভৌগোলিক অঞ্চল কোড (যেমন "ইউএস", "জিবি", "০০১")।
নমুনা_অডিও অডিও ডেটা (ঐচ্ছিক)
শুধুমাত্র আউটপুট। একটি প্রম্পটেড ভয়েসের জন্য তৈরি করা নমুনা অডিও (সিন্থেসাইজার প্রম্পট অডিও)। এটি শুধুমাত্র `CreateVoice` এবং `GetVoice` রেসপন্সে তখনই যুক্ত হয় যখন `type`-এর মান `"prompted"` হয়; `ListVoices` রেসপন্সে এবং `"replicated"` বা `"prebuilt"` ভয়েসের ক্ষেত্রে এটি সেট করা থাকে না।
ক্ষেত্র
প্রয়োজনীয় মূল অডিও বাইটগুলো।
আবশ্যক। অডিও ডেটার IANA MIME টাইপ (উদাহরণস্বরূপ, `audio/wav` বা `audio/mpeg`)।
ভয়েসটাইপ ( ঐচ্ছিক)
আবশ্যক। কণ্ঠস্বরের ধরন। `CreateVoice`-এ, এটি অবশ্যই `"replicated"` বা `"prompted"` হতে হবে। `ListVoices`-এর প্রতিক্রিয়াগুলি `"prebuilt"`-ও হতে পারে।
সম্ভাব্য মান
-
replicatedএকটি রেফারেন্স অডিও নমুনা এবং বক্তার সম্মতি রেকর্ডিং থেকে প্রতিলিপিকৃত একটি কাস্টম ভয়েস।
-
promptedস্বাভাবিক ভাষার টেক্সট প্রম্পট থেকে তৈরি একটি কাস্টম ভয়েস।
-
prebuiltগুগলের ভয়েস ক্যাটালগ থেকে একটি অন্তর্নির্মিত সিস্টেম ভয়েস (যেমন, ‘পাক’, ‘ক্যারন’)। এটি রেসপন্সে ফেরত আসে; ‘ক্রিয়েটভয়েস’-এ টাইপ হিসেবে এটি নির্দিষ্ট করা যায় না।
ব্যবহার (ঐচ্ছিক )
শুধুমাত্র আউটপুট। ভয়েস তৈরির অনুরোধের জন্য টোকেন ব্যবহারের পরিসংখ্যান। এটি শুধুমাত্র `CreateVoice`-এর রেসপন্সে তখনই পূরণ করা হয় যখন `type` `"prompted"` হয়; `"replicated"` এবং `GetVoice` ও `ListVoices` রেসপন্সে এটি সেট করা থাকে না।
ক্ষেত্র
cached_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে ক্যাশড টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
গ্রাউন্ডিং_টুল_কাউন্ট অ্যারে (GroundingToolCount) (ঐচ্ছিক)
গ্রাউন্ডিং টুলের সংখ্যা।
ক্ষেত্র
গ্রাউন্ডিং টুলের সংখ্যা গুরুত্বপূর্ণ।
গণনার সাথে সংশ্লিষ্ট গ্রাউন্ডিং টুলের ধরণ।
সম্ভাব্য মানসমূহ:
-
google_searchগুগল ওয়েব সার্চ ও ইমেজ সার্চের মাধ্যমে ভিত্তি স্থাপন, এবং এন্টারপ্রাইজের জন্য ওয়েব ভিত্তি স্থাপন।
-
google_mapsগুগল ম্যাপসের সাহায্যে পরিচিতি।
input_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে ইনপুট টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
আউটপুট_টোকেন_বাই_মোডালিটি অ্যারে (মোডালিটিটোকেন) (ঐচ্ছিক)
পদ্ধতি অনুসারে আউটপুট টোকেন ব্যবহারের বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
tool_use_tokens_by_modality অ্যারে (ModalityTokens) (ঐচ্ছিক)
পদ্ধতি অনুসারে টুল-ব্যবহার টোকেন ব্যবহারের একটি বিশদ বিবরণ।
ক্ষেত্র
পদ্ধতি প্রতিক্রিয়া পদ্ধতি (ঐচ্ছিক)
টোকেন সংখ্যার সাথে সংশ্লিষ্ট পদ্ধতি।
সম্ভাব্য মান
-
textএটি নির্দেশ করে যে মডেলটি টেক্সট ফেরত দেবে।
-
imageএটি নির্দেশ করে যে মডেলটি ছবি ফেরত দেবে।
-
audioএটি নির্দেশ করে যে মডেলটি অডিও ফেরত দেবে।
-
videoএটি নির্দেশ করে যে মডেলটি ভিডিও ফেরত দেবে।
-
documentএটি নির্দেশ করে যে মডেলটি ডকুমেন্ট ফেরত দেবে।
মোডালিটির জন্য টোকেনের সংখ্যা।
প্রম্পটের ক্যাশ করা অংশে থাকা টোকেনের সংখ্যা (ক্যাশ করা বিষয়বস্তু)।
প্রম্পটে (প্রসঙ্গ) টোকেনের সংখ্যা।
তৈরি হওয়া সমস্ত প্রতিক্রিয়া জুড়ে টোকেনের মোট সংখ্যা।
চিন্তন মডেলগুলোর জন্য চিন্তার টোকেনের সংখ্যা।
ইন্টারঅ্যাকশন অনুরোধের জন্য মোট টোকেন সংখ্যা (প্রম্পট + প্রতিক্রিয়া + অন্যান্য অভ্যন্তরীণ টোকেন)।
টুল ব্যবহারের নির্দেশনায় উপস্থিত টোকেনের সংখ্যা।