Was ist eine text-to-speech-API?

Eine text-to-speech (TTS)-API wandelt geschriebenen Text in gesprochenes Audio um. Sie senden den Text, eine Stimme sowie Einstellungen wie Sprache und Geschwindigkeit, und die API gibt eine Audiodatei zurück oder streamt das Audio, sodass die Wiedergabe beginnen kann, bevor der gesamte Abschnitt fertig ist.

Modellarten

Was eine text-to-speech-API bewirkt

Eine text-to-speech (TTS)-API liest Text in synthetischer Stimme laut vor. Sie senden die zu sprechenden Worte und wählen eine Stimme, und das Modell gibt Audio in einem Format wie MP3 oder WAV zurück. Je nach Modell können Sie die Darbietung auch in einfacher Sprache steuern, zum Beispiel Sprechen Sie langsam in einem warmen, ruhigen Ton, Inline-Tags für Effekte wie Lachen oder Seufzen hinzufügen, einen Dialog für zwei oder mehr Sprecher schreiben oder eine Stimme aus einer kurzen Aufnahme des Lautsprechers klonen.

Die meisten Modelle übernehmen außerdem Einstellungen wie Sprache, Sprechgeschwindigkeit und Abtastrate. Einige fügen Ausspracheüberschreitungen für Namen und Akronyme oder Zeitstempel auf Wortebene hinzu, die Sie für Beschriftungen und Markierung verwenden können.

Wie eine Anfrage funktioniert

Für eine fertige Datei senden Sie POST /v1/audio/speech mit der Modell-ID ist der Text in Eingabe und a Stimme. Die Antwort enthält standardmäßig eine URL zur Audiodatei. Sie kann das Audio auch als base64-Daten oder als Audiobytes selbst zurückgeben, wenn die Anfrage Akzeptieren Header fragt nach Audio. Bei Modellen, die eine Sprachliste anbieten, KOMM /v1/voices mit der Modell-ID gibt die Stimmen zurück, die Sie verwenden können.

Für die interaktive Nutzung antworten Modelle, die Streaming unterstützen, auf POST /v1/audio/speech:stream. Das Audio wird als servergesendete Ereignisse angezeigt, während das Modell es synthetisiert, sodass die Wiedergabe beginnen kann, bevor der gesamte Abschnitt fertig ist. Einige Modelle akzeptieren auch Text über die Echtzeitsprache WebSocket aussprechen und es aussprechen, während der Text noch eintrifft, zum Beispiel während ein Sprachmodell seine Antwort schreibt.

Wofür text-to-speech verwendet wird

  • Sprachagenten und Assistenten. Gesprochene Antworten mit kurzer Verzögerung, unter Verwendung von Streaming-Ausgaben.
  • Erzählung. Voiceovers für Videos, Erklärer, Produktführungen und E-Learning.
  • Langformat-Audio. Hörbücher, vorgelesene Artikel und Podcast-ähnliche Dialoge zwischen mehreren Stimmen.
  • Barrierefreiheit. Text und Dokumente in der Schnittstelle vorgelesen für Menschen, die lieber zuhören.
  • Lokalisierung. Dasselbe Skript in vielen Sprachen, auf Modellen, bei denen eine Stimme sprachübergreifend bleibt.

Was man zwischen Sprachmodellen vergleichen sollte

  • Natürlichkeit. Hören Sie sich bei jedem Kandidaten dasselbe Drehbuch an, einschließlich Zahlen, Namen und Fragen.
  • Stimmen und Sprachen. Die Größe der Sprachbibliothek, die Sprachen und Akzente und ob man eine Stimme klonen kann.
  • Latenz. Für Gespräche solltest du den Streaming-Support prüfen und wie schnell der erste Ton eintrifft.
  • Kontrolle. Vortragsanweisungen, Emotions-Tags, Geschwindigkeit und Tonhöhe, Ausspracheüberschreibungen und mehrsprachige Dialoge.
  • Output. Audioformate, Abtastraten und Zeitstempel für Untertitel.
  • Preis. TTS-Modelle rechnen nach der Textmenge: pro Zeichen bei manchen Modellen und pro Token bei anderen, wobei der Eingabetext und das erzeugte Audio getrennte Raten haben. Manche setzen eine Mindestanzahl an Zeichen pro Anfrage. Längere Skripte kosten mehr.

Modellvergleiche direkt nebeneinander Zeigen Sie die Fähigkeiten und Raten zweier Sprachmodelle zusammen.

Versuche, ein TTS-Modell auf EmpirioLabs AI aufzurufen

Durchsuchen Sie die Audiomodelle und hören Sie auf Stimmen in der Playground bevor Sie Code schreiben. Um ein Modell aufzurufen, erstellen Sie einen API-Schlüssel im Dashboard und senden Sie Text an https://api.empiriolabs.ai/v1/audio/speech, oder zum Streaming-Endpunkt für die Live-Wiedergabe. Die Sprachreferenz und die Streaming-Sprachreferenz Beschreibe jedes Fachgebiet.

Zahlen Sie nach Bedarf oder wählen Sie einen Plan mit wöchentlichen Zulagen. Die aktuellen Tarife für jedes Sprachmodell sind auf der preisseite.

Die Modelle auf EmpirioLabs AI

17 Modelle, günstigste zuerst, wo sie eine Abrechnungseinheit teilen. Die Seite jedes Modells zeigt die vollständige Preisliste, Parameter und Code.

Endpunkte

POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtime

Preis nach Textzeichen

ModellNiedrigster TarifGilt für
TTS 2 Flash Inworld$15.00$10.50 pro 1 Million ZeichenSynthese
StepAudio 3 TTS StepFun$0.14 pro 10.000 ZeichenSynthese
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 pro 10.000 ZeichenFlash-Synthese
SoulX Podcast Soul AI Lab$0.015 pro 1.000 Zeichen, mindestens 700 Zeichen pro AnfrageBasis
TTS 1.5 Mini Inworld$25.00$17.50 pro 1 Million ZeichenSynthese
TTS 2 Inworld$25.00$22.00 pro 1 Million ZeichenSynthese
TTS 1.5 Max Inworld$35.00$29.75 pro 1 Million ZeichenSynthese
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 pro 10.000 ZeichenSynthese
StepAudio 2.5 TTS StepFun$0.85 pro 10.000 ZeichenSynthese
GLM TTS Z.ai$0.20 pro 1.000 Zeichen, mindestens 50 Zeichen pro AnfrageSchnell (INT8)

Ebenfalls verfügbar: Gemini 2.5 Flash TTS, Gemini 2.5 Pro TTS, Gemini 3.1 Flash TTS, Gemini 3.8 Flash TTS, Gemini 3.8 Flash-Lite TTS, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Next

Häufige Fragen

Was ist der Unterschied zwischen text-to-speech und speech-to-text?

Text-to-Speech verwandelt geschriebenen Text in gesprochenes Audio. Speech-to-Text bewirkt das Gegenteil: Es überträgt gesprochenes Audio in geschriebenen Text.

Kann eine text-to-speech-API eine Stimme klonen?

Manche Modelle können das. Du lieferst eine kurze, saubere Aufnahme der Stimme, bei manchen Modellen eine Aufnahme, in der der Sprecher zustimmt, und das Modell spricht neuen Text in dieser Stimme.

Wie ist text-to-speech bepreist?

Nach der Textmenge: pro Charakter bei manchen Modellen und pro Token bei anderen, daher kosten längere Skripte mehr. Auf EmpirioLabs AI kannst du unterwegs bezahlen oder einen Plan mit wöchentlichen Zulagen wählen.

Was ist Streaming text-to-speech?

Das Streaming gibt das Audio in kleinen Abschnitten zurück, während das Modell es synthetisiert, sodass die Wiedergabe beginnt, bevor der vollständige Passage fertig ist. Das eignet sich für Sprachagenten und andere Live-Gespräche.

Bereit, bessere Endpunkte zu nutzen?

Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.