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.
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.
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.
Modellvergleiche direkt nebeneinander Zeigen Sie die Fähigkeiten und Raten zweier Sprachmodelle zusammen.
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.
17 Modelle, günstigste zuerst, wo sie eine Abrechnungseinheit teilen. Die Seite jedes Modells zeigt die vollständige Preisliste, Parameter und Code.
Endpunkte
/v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtimePreis nach Textzeichen
| Modell | Niedrigster Tarif | Gilt für |
|---|---|---|
| TTS 2 Flash Inworld | $15.00$10.50 pro 1 Million Zeichen | Synthese |
| StepAudio 3 TTS StepFun | $0.14 pro 10.000 Zeichen | Synthese |
| Qwen Audio 3.0 TTS Alibaba Cloud | $0.15 pro 10.000 Zeichen | Flash-Synthese |
| SoulX Podcast Soul AI Lab | $0.015 pro 1.000 Zeichen, mindestens 700 Zeichen pro Anfrage | Basis |
| TTS 1.5 Mini Inworld | $25.00$17.50 pro 1 Million Zeichen | Synthese |
| TTS 2 Inworld | $25.00$22.00 pro 1 Million Zeichen | Synthese |
| TTS 1.5 Max Inworld | $35.00$29.75 pro 1 Million Zeichen | Synthese |
| Qwen Audio 3.1 TTS Plus Alibaba Cloud | $0.60 pro 10.000 Zeichen | Synthese |
| StepAudio 2.5 TTS StepFun | $0.85 pro 10.000 Zeichen | Synthese |
| GLM TTS Z.ai | $0.20 pro 1.000 Zeichen, mindestens 50 Zeichen pro Anfrage | Schnell (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
Text-to-Speech verwandelt geschriebenen Text in gesprochenes Audio. Speech-to-Text bewirkt das Gegenteil: Es überträgt gesprochenes Audio in geschriebenen Text.
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.
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.
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.
Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.