Texte vorlesen lassen: TTS-API für digitale Inhalte

Von SprechBlog Redaktion · Aktualisiert 2026-11-19

Diese Seite erklärt, wie Sie die TTS-API von SprechBlog nutzen, um Texte in Ihrer Blog-Software oder WordPress-Installation vorlesen zu lassen. Sie erhalten eine klare Anleitung zur technischen Einbindung, Informationen zu den verfügbaren Stimmen und Sprachen sowie Details zu den Preisen und den technischen Limits.

Die Inhalte richten sich an Betreiber von Blogs und Websites, die Audioinhalte ohne komplexe Infrastruktur bereitstellen möchten. Wir stellen die technische Basis bereit, damit Sie auch ohne tiefe Programmierkenntnisse Audio-Dateien generieren und in Ihre Webseiten integrieren können.

Texte vorlesen lassen: TTS-API für digitale Inhalte

Häufig gestellte Fragen

Was ist eine Text-to-Speech-API?

Eine Text-to-Speech-API ist eine Cloud-Schnittstelle, die Texteingaben in Audiodateien umwandelt. Sie ermöglicht die automatisierte Generierung von Sprachausgaben für Blogs und WordPress-Websites. Entwickler senden einen Text an einen Endpunkt und erhalten im Gegenzug eine fertige Audiodateie zurück, die sich direkt in Webanwendungen einbetten lässt.

Wie funktioniert die API im Detail?

Die API empfängt Texte per POST-Request an /v1/audio/speech. Der JSON-Body enthält Modell, Text, Stimme und Format. Die Antwort ist die Audiodatei. Für längere Texte müssen Segmente bis 4096 Zeichen gesendet und später zusammengefügt werden. Die Authentifizierung erfolgt über einen Bearer-Token im Header.

Welche Sprachen werden unterstützt?

Es werden 23 Sprachen unterstützt, darunter Deutsch, Englisch, Französisch, Spanisch, Italienisch, Niederländisch, Polnisch, Russisch, Chinesisch, Japanisch und Koreanisch. Die Stimme Aria kann in allen verfügbaren Sprachen sprechen. Bei nicht-europäischen Sprachen mit lateinischem Alphabet sollte die Sprache explizit gesetzt werden, um falsche Zuordnungen zu vermeiden.

Kann ich meine eigene Stimme verwenden?

Nein, Custom Voice Cloning wird nicht angeboten. Sie wählen aus acht vordefinierten Stimmen wie Aria, Nova, Luna oder Felix. Diese basieren auf lizenzierten Aufnahmen. Eine individuelle Anpassung oder das Hochladen einer eigenen Stimme ist nicht möglich. Die Stimme bleibt für alle Anfragen gleich.

Wie viele Zeichen können pro Anfrage gesendet werden?

Pro Anfrage können maximal 4096 Zeichen gesendet werden. Dies umfasst Buchstaben, Leerzeichen und Satzzeichen. Bei längeren Texten muss die Eingabe in Segmente unterteilt werden. Die API gibt für jedes Segment eine separate Audiodateie zurück, die anschließend clientseitig oder serverseitig zu einer Datei kombiniert werden muss.

Was kostet die Nutzung der API?

Der Preis beträgt 10 US-Dollar pro eine Million Zeichen. Das entspricht 0,01 US-Dollar pro 1000 Zeichen. Es gibt keine monatlichen Grundgebühren oder Mindestumsätze. Das Guthaben verfällt nicht. Ein kostenloses Testkonto mit 0,50 US-Dollar Guthaben ist nach der Google-Anmeldung für sieben Tage verfügbar.

Wie wird abgerechnet?

Die Abrechnung erfolgt nutzungsbasiert pro Zeichen. Erfolgreiche Anfragen werden berechnet, fehlschlagende sind kostenlos. Das Guthaben wird über USDT (TRC-20) auf dem TRON-Netzwerk aufgeladen. Mindestens 5 US-Dollar werden pro Transaktion benötigt. Die Gutschrift erfolgt automatisch nach Bestätigung der Blockchain-Transaktion in der Regel innerhalb weniger Minuten.

Welche Dateiformate werden unterstützt?

Unterstützt werden die Formate MP3, WAV, OPUS, FLAC und PCM. Das Format wird im JSON-Request-Feld response_format festgelegt. Die Wahl des Formats hängt von den Anforderungen der Zielplattform ab. MP3 ist für Web-Streaming effizient, WAV und FLAC bieten verlustfreie Qualität.

Werden die Texte zum Trainieren verwendet?

Nein, die eingegebenen Texte werden ausschließlich zur Generierung der Audiodatei verwendet. Sie kommen nicht in den Trainingsdatensatz der Sprachmodelle. Die generierten Audiodateien werden nach der Auslieferung nicht gespeichert. Lediglich Metadaten wie Zeitstempel, Zeichenanzahl und Status werden zur Abrechnung aufbewahrt.

Wie lange dauert die Generierung?

Die Generierung dauert bei längeren Texten etwa so lange wie die Wiedergabedauer der Audioausgabe. Pro Sekunde Audio werden etwa 25 Zeichen verarbeitet. Kurze Sätze benötigen einige Sekunden. Bei hoher Auslastung kann es zu Warteschlangen kommen, da Anfragen nacheinander verarbeitet werden.

Gibt es ein Rate Limit?

Ja, es gelten 60 Anfragen pro Minute pro API-Schlüssel. Vor der ersten Aufladung des Kontos sind es 10 Anfragen pro Minute. Dies begrenzt die parallele Nutzung. Bei Überschreitung des Limits werden Anfragen verzögert oder abgelehnt, bis das Limit wieder verfügbar ist.

Was passiert bei einem Fehler?

Bei einem Fehler während der Synthese wird das Guthaben vollständig erstattet. Es entsteht keine Kostenlast für den Nutzer. Der Fehlerstatus wird im API-Response zurückgegeben. Die API gibt keine Teilgutschriften, sondern die volle Summe der fehlgeschlagenen Anfrage zurück.

Wie erhalte ich einen API-Schlüssel?

Registrieren Sie sich auf der Seite /get-api-key/ mit Google oder E-Mail. Nach der Anmeldung erhalten Sie einen API-Schlüssel vom Typ Bearer. Dieser Schlüssel wird im Authorization-Header verwendet. Pro Konto ist nur ein aktiver Schlüssel möglich. Bei Bedarf kann ein neuer Schlüssel ausgestellt werden, der alte wird sofort deaktiviert.

Wie kann ich mein Guthaben aufladen?

Laden Sie Ihr Guthaben über USDT (TRC-20) auf dem TRON-Netzwerk auf. Die Mindestaufladung beträgt 5 US-Dollar. Die Gutschrift erfolgt automatisch nach Bestätigung der Transaktion in der Regel innerhalb weniger Minuten. Kreditkarten, PayPal oder Rechnungen werden nicht unterstützt. Das Guthaben bleibt dauerhaft verfügbar.

Erste Anfrage

curl

curl https://api.77ff.info/v1/audio/speech \
  -H "Authorization: Bearer $TTS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
  --output hello.mp3

Funktionsweise der API

Schallwellenillustration für: Funktionsweise der API

Die API verarbeitet Texteingaben über eine standardisierte POST-Anfrage und liefert im Gegenzug eine Audiodatei zurück. Das JSON-Format der Anfrage entspricht dem bekannten Schema, wodurch bestehende Clients ohne komplexe Anpassungen genutzt werden können. Die Infrastruktur ist darauf ausgelegt, Texte schnell in hörbare Audioformate zu konvertieren.

Die Struktur der API-Anfragen orientiert sich an etablierten Standards, was die Einarbeitung für Entwickler und Content-Ersteller vereinfacht. Durch die klare Trennung von Eingabe und Ausgabe bleibt die Integration in bestehende Blog-Strukturen übersichtlich und stabil.

JSON-Anfrage und Audioausgabe

JSON-Anfrage und Audioausgabe

Die Kommunikation erfolgt über ein einfaches JSON-Payload. Sie senden den zu lesenden Text und die gewünschten Parameter. Die API verarbeitet diese Daten und gibt eine Audiodatei im gewählten Format zurück.

  • POST-Anfrage an den Speech-Endpoint
  • JSON-Body mit Text und Einstellungen
  • Antwort als fertige Audiodatei

Klonbare Struktur zu bekannten Standards

Das Request-Format orientiert sich an gängigen Industriestandards. Dies ermöglicht die Nutzung etablierter Bibliotheken und vereinfacht die Fehlersuche. Die Parameterstruktur ist bewusst einfach gehalten, um Fehlerquellen zu minimieren.

  • Kompatibel mit etablierten JSON-Schemas
  • Vorhersagbare Antwortstruktur
  • Einfache Fehlerbehandlung möglich

Einfache Integration in bestehende Workflows

Die API lässt sich nahtlos in bestehende Blog-Strukturen einbinden. Durch die standardisierte Schnittstelle entfällt die Notwendigkeit komplexer Middleware. Die Einrichtung erfordert nur wenige Schritte zur Authentifizierung und Parameterübertragung.

  • Keine zusätzliche Hardware nötig
  • Schnelle Einbindung in bestehende Systeme
  • Automatisierbare Prozesse

Verfügbare Sprachen

Schallwellenillustration für: Verfügbare Sprachen

Die API unterstützt 23 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch und Chinesisch. Die Liste umfasst auch Arabisch, Japanisch, Koreanisch, Hindi, Russisch und Swahili. Alle 8 verfügbaren Stimmen können jede dieser Sprachen flüssig wiedergeben.

Für Nicht-Entwickler ist die Bedienung einfach: Die API erkennt die Sprache automatisch. Setzen Sie das Sprachfeld nicht, wird bei lateinischem Text standardmäßig Englisch angenommen. Bei anderen Skriften wird die passende Sprache inferiert.

23 unterstützte Sprachen

Das System deckt 23 Sprachen ab. Dazu gehören Deutsch, Englisch, Französisch, Spanisch, Italienisch, Portugiesisch, Niederländisch, Dänisch, Schwedisch, Norwegisch, Finnisch, Polnisch, Griechisch, Hebräisch, Hindi, Türkisch, Malay, Russisch, Arabisch, Japanisch, Koreanisch, Chinesisch und Swahili. Auch Arabisch, Hebräisch, Hindi, Türkisch, Malay, Russisch, Japanisch, Koreanisch, Chinesisch und Swahili sind verfügbar.

Automatische Spracherkennung

Die API erkennt die Sprache automatisch. Dies geschieht basierend auf der Textzeichenfolge. Bei lateinischem Alphabet wird standardmäßig Englisch verwendet. Bei anderen Skriften wie Kyrillisch oder Arabisch wird die passende Sprache inferiert.

Manuelle Sprachsteuerung

Sie können die Sprache explizit vorgeben. Nutzen Sie das Feld 'language' im JSON-Body. Geben Sie den ISO-Code der Sprache an. Dies ist wichtig, wenn der Text nicht Englisch ist und lateinische Zeichen verwendet.

  • ISO-Code im JSON-Body angeben
  • Beispiel: 'language': 'de'
  • Vermeidet falsche Standardzuordnung

Stimmenauswahl

Schallwellenillustration für: Stimmenauswahl

Die API bietet acht vordefinierte Stimmen, die für verschiedene Leseszenarien optimiert sind. Jede Stimme hat einen klaren, unverwechselbaren Klangcharakter, der sich nahtlos in Blog-Beiträge oder WordPress-Seiten integrieren lässt.

8 voreingestellte Stimmen

Die Auswahl umfasst vier weibliche und vier männliche Stimmen mit unterschiedlichen Klangcharakteren. Von warmen Erzählstimmen bis zu neutralen Nachrichtensprecher-Stimmen ist für jeden Inhaltstyp die passende Stimme verfügbar.

  • Aria: Warme, klare Erzählerin
  • Nova: Hell und energisch
  • Luna: Sanft, für Storytelling
  • Sage: Ruhig, lehrreich
  • Felix: Dynamisch, werblich
  • Milo: Freundlich, gesprächig
  • Atlas: Neutral, sachlich
  • Orion: Tief, dokumentarisch

Männliche und weibliche Varianten

Die Stimmen sind klar zwischen männlichen und weiblichen Timbres unterschieden. Dies ermöglicht eine gezielte Anpassung an die Zielgruppe des Blogs oder der Website ohne komplexe Konfiguration.

Klare, klare Sprachausgabe

Alle Stimmen basieren auf lizenzierten Aufnahmen und garantieren eine hohe Klangqualität. Die Ausgabe ist klar verständlich und frei von unnötigen Verzerrungen, was die Lesbarkeit für Hörer erhöht.

Kosten und Abrechnung

Schallwellenillustration für: Kosten und Abrechnung

Die Abrechnung erfolgt strikt nach tatsächlich verbrauchten Zeichen, wobei auch Leerzeichen und Satzzeichen als Zeichen zählen. Der Grundpreis liegt bei 10 US-Dollar pro einer Million Zeichen, was einem Preis von 0,01 US-Dollar pro 1.000 Zeichen entspricht. Dieser Satz gilt für beide verfügbaren Modelle (tts-1 und tts-1-hd), da beide denselben Motor und dieselbe Preisstruktur nutzen.

Nutzer erhalten nach der Registrierung mit einem Google-Konto ein Testguthaben von 0,50 US-Dollar, das für etwa 50.000 Zeichen gültig ist. Das Guthaben ist sieben Tage gültig. Für die weitere Nutzung kann ein Mindestbetrag von 5 US-Dollar per USDT (TRC-20) geladen werden, wobei das Guthaben nicht verfällt.

Preise pro Zeichen

Die Kosten berechnen sich exakt nach der Länge des eingegebenen Textes. Da 4.096 Zeichen pro Anfrage limitiert sind, müssen längere Blog-Artikel in mehrere Requests aufgeteilt werden. Dies geschieht einfach durch Splitting des Textes und nachfolgendes Zusammenführen der Audio-Dateien.

  • 1.000 Zeichen kosten 0,01 USD
  • 4.096 Zeichen Limit pro API-Call
  • Beide Modelle (Standard und HD) kosten gleich

Kostenlose Fehlschläge

Wenn die Synthese aufgrund technischer Probleme fehlschlägt, wird der Verbrauch des Guthabens rückgängig gemacht. Die Abrechnung erfolgt nur für erfolgreich generierte Audio-Dateien. Dies schützt Ihre Budgetplanung bei temporären Auslastungsspitzen des Servers.

Keine versteckten Gebühren

Es gibt keine monatlichen Grundgebühren, keine Sitzungsgebühren und keine versteckten Kosten für Formate oder Geschwindigkeitsanpassungen. Die Bezahlung erfolgt ausschließlich über Kryptowährung (USDT auf TRON). Rechnungen mit Mehrwertsteuer sind nicht vorgesehen, da es sich um eine direkte Dienstleistung ohne Abonnement handelt.

Technische Details

Schallwellenillustration für: Technische Details

Die API verarbeitet Anfragen sequenziell, was bei hoher Auslastung zu Wartezeiten in der Queue führen kann. Für die meisten Anwendungsfälle in Blogs ist die Verarbeitungsgeschwindigkeit mit etwa 25 Zeichen pro Sekunde ausreichend. Kurze Phrasen benötigen einige Sekunden zur Generierung, während längere Texte in Echtzeitnähe verarbeitet werden.

Rate Limits pro Minute

Jeder API-Key ist auf 60 Anfragen pro Minute begrenzt. Vor der ersten Aufrüstung des Kontos gelten 10 Anfragen pro Minute. Dies reicht für die meisten Blog-Integrierungen aus, bei hoher Frequenz kann ein Top-up notwendig sein.

  • 60 Requests/Minute nach Top-up
  • 10 Requests/Minute vor Top-up
  • Pro API-Key begrenzt

Dateiformate für Audio

Sie können zwischen MP3, WAV, OPUS, FLAC und PCM wählen. Die Wahl des Formats hängt von den Anforderungen Ihrer Blog-Plattform oder des Media-Players ab. MP3 bietet eine gute Balance zwischen Qualität und Dateigröße.

Länge der Texte

Jede Anfrage kann maximal 4096 Zeichen umfassen. Für längere Artikel müssen Texte in geeignete Teile aufgespalten und die Audio-Dateien anschließend verbunden werden. Leerzeichen und Satzzeichen zählen als Zeichen.

Technische Details

Lizenzen und Daten

Schallwellenillustration für: Lizenzen und Daten

Die API nutzt Stimmen, die auf lizenzierten Aufnahmen basieren. Die Grundlage bilden Aufzeichnungen aus LibriTTS-R (CC BY 4.0) und öffentlichen Hörbuchaufnahmen von LibriVox. Diese Quellen garantieren eine klare und rechtlich abgesicherte Basis für die synthetische Sprachgenerierung.

Lizenzierte Aufnahmen

Jede Stimme ist auf echten, lizenzierten Aufnahmen basiert. Die Verwendung von CC BY 4.0-Material und Public-Domain-Aufnahmen von LibriVox stellt die rechtliche Grundlage dar. Dies ermöglicht eine konsistente Audioqualität ohne zusätzliche Lizenzgebühren für Endnutzer.

Keine Trainingsdaten

Eingegebener Text wird ausschließlich zur Erzeugung der Audiodatei verwendet. Ihre Texte werden nicht für das Training der KI-Modelle genutzt. Dies gewährleistet, dass Ihre Inhalte primär nur für den direkten Zweck der Generierung verarbeitet werden.

Wasserzeichen in Audio

Jede generierte Audiodatei enthält ein unsichtbares Wasserzeichen. Dieses kennzeichnet die Datei eindeutig als synthetische Sprache. Es dient der Transparenz, ohne die Hörerfahrung oder die technische Nutzbarkeit der Audioausgabe zu beeinträchtigen.

Unterstützung

Schallwellenillustration für: Unterstützung

Wir bieten technischen Support ausschließlich per E-Mail an. Eine Telefonnummer oder ein Live-Chat steht nicht zur Verfügung. Alle Anfragen werden schriftlich bearbeitet, um die Genauigkeit der technischen Details zu gewährleisten.

Neben der direkten Unterstützung steht eine vollständige Dokumentation zur Verfügung, die die API-Endpunkte, Parameter und Beispiele detailliert beschreibt. Dies ermöglicht eine eigenständige Integration ohne zusätzliche Fragen.

E-Mail-Support

Der Support erfolgt ausschließlich per E-Mail. Es gibt keine Telefonnummer und keinen Live-Chat. Dies gewährleistet, dass jede Anfrage präzise und nachvollziehbar bearbeitet wird.

Für technische Rückfragen zur API-Integration oder zur Abrechnung nutzen Sie bitte den E-Mail-Kanal. Wir bieten keine telefonische Erreichbarkeit.

Dokumentation

Unsere Dokumentation beschreibt alle Endpunkte und Parameter präzise. Sie enthält Beispiele für cURL-Befehle und erklärt die JSON-Struktur.

Die Dokumentation ist so aufgebaut, dass Entwickler die Integration ohne komplexe Infrastruktur verstehen können. Sie deckt alle relevanten Aspekte der API ab.

  • JSON-Struktur und Parameter
  • cURL-Beispiele
  • Fehlercodes und Lösungen

Kontaktaufnahme

Nutzen Sie die E-Mail-Adresse auf unserer Seite, um uns zu erreichen. Alternativ können Sie direkt per E-Mail schreiben.

Geben Sie in Ihrer Anfrage die API-Schlüssel-ID und die betroffenen Endpunkte an, damit wir Ihre Frage schneller lösen können.

Einsatzgebiete

Schallwellenillustration für: Einsatzgebiete

Die API ermöglicht die nahtlose Integration von Sprachausgabe in WordPress-Websites und Blogs. Durch die Umwandlung von Text in Audio wird die Zugänglichkeit für sehbehinderte Nutzer verbessert, ohne dass komplexe Infrastruktur erforderlich ist.

Barrierefreiheit im Web

Die automatische Generierung von Audioinhalten erfüllt Anforderungen an digitale Barrierefreiheit. Nutzer können Blogbeiträge direkt abspielen, was die Lesegeschwindigkeit und Komfort erhöht.

Blog-Inhalte

Autoren können lange Artikel in kurze Audio-Snippets aufteilen. Die API verarbeitet Texte bis 4096 Zeichen pro Anfrage, was eine flexible Strukturierung der Inhalte erlaubt.

Zusatzangebote für Leser

Blogbetreiber bieten ihren Lesern die Möglichkeit, Inhalte im Hintergrund zu konsumieren. Dies eignet sich ideal für Podcast-ähnliche Formate oder Kurzfassungen von News.

Zusammenfassung

Schallwellenillustration für: Zusammenfassung

Die API bietet eine stabile Infrastruktur zur Generierung von Audioinhalten für Blogs und WordPress-Seiten. Sie verarbeitet Textanfragen zuverlässig und stellt die Audiodateien direkt zur Verfügung, ohne komplexe Backend-Logik zu erfordern.

Die Abrechnung erfolgt streng nach Verbrauch. Nutzer zahlen nur für tatsächlich verbrauchte Zeichen, wobei Leerzeichen und Interpunktion einbezogen werden. Fehlgeschlagene Anfragen werden erstattet, sodass keine Kosten für unerledigte Arbeit anfallen.

Zuverlässige Infrastruktur

Die API verarbeitet Anfragen sequenziell und liefert Audiodateien im Standardformat. Bei hoher Auslastung können Anfragen in einer Warteschlange stehen, was bei langen Texten zu leichten Verzögerungen führen kann, die Qualität jedoch nicht beeinträchtigt.

Transparente Abrechnung

Der Preis beträgt 10 US-Dollar pro einer Million Zeichen. Es gibt keine monatlichen Grundgebühren oder versteckten Kosten. Der Kontostand verfällt nicht, und eine Nachladung erfolgt schnell über Kryptowährungen.

Einfache Nutzung

Die Integration erfolgt über eine einfache REST-Schnittstelle, die mit dem OpenAI-SDK kompatibel ist. Nicht-Entwickler können Vorlesefunktionen einbinden, ohne tiefgehende technische Kenntnisse über Audioverarbeitung oder Server-Infrastrukturen zu benötigen.

Hören Sie sich die 8 Stimmen an

Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Nutzen Sie den folgenden Befehl, um eine erste Synthese anzustoßen.

Avatar der Stimme aria
ariaweiblich
Avatar der Stimme nova
novaweiblich
Avatar der Stimme luna
lunaweiblich
Avatar der Stimme sage
sageweiblich
Avatar der Stimme felix
felixmännlich
Avatar der Stimme milo
milomännlich
Avatar der Stimme atlas
atlasmännlich
Avatar der Stimme orion
orionmännlich

23 Sprachen

Jede Stimme kann jede dieser Sprachen sprechen.

Quellen und weiterführende Literatur

  1. Wikipedia
  2. LibriTTS-R corpus (OpenSLR 141)
  3. W3C WAI: making audio and video accessible
  4. ISO 639 language codes
  5. openai-node on GitHub
  6. Node.js documentation
  7. openai-python on GitHub
  8. IETF RFC 7845: Ogg Opus
  9. LibriVox public-domain audiobooks
  10. MDN: Web Speech API
  11. LibriTTS-R paper (arXiv 2305.18802)
  12. Python documentation

Mehr auf dieser Website