Häufig gestellte Fragen
Ist die Text-zu-Sprache-API wirklich kostenlos?
Nein, die API ist kostenpflichtig. Nach der kostenlosen Testphase (0,50 $ Guthaben) zahlst du 10 $ pro eine Million Zeichen. Ein neues Guthaben wird über USDT (TRC-20) auf der TRON-Blockchain aufgeladen. Es gibt keine monatlichen Pauschalmodelle oder versteckten Gebühren. Die Abrechnung erfolgt nutzungsbasiert, gescheiterte Requests werden kostenlos abgerechnet und das Guthaben verfällt nicht.
Kann ich die API für kommerzielle mobile Apps nutzen?
Ja, die API ist ideal für kommerzielle mobile Apps. Du sendest Text und empfängst Audio-Dateien, die sich nahtlos in deine App-Workflows integrieren lassen. Es gibt keine Einschränkungen für die kommerzielle Nutzung der generierten Audios. Die Infrastruktur ist einfach zu implementieren, sodass du dich auf deine App-Funktionen konzentrieren kannst.
Welche Audioformate werden unterstützt?
Du kannst zwischen mp3, wav, opus, flac und pcm wählen. Diese Formate decken die meisten mobilen Anforderungen ab. Wähle das Format, das am besten zu deiner App passt, um Dateigröße und Qualität auszubalancieren. Die Ausgabe erfolgt direkt als Audio-Datei im gewünschten Format nach der Verarbeitung der Anfrage.
Wie viele Zeichen kann ich pro Request senden?
Du kannst maximal 4096 Zeichen pro Anfrage senden. Für längere Texte musst du diese in passende Teile aufteilen und die Audio-Dateien anschließend zusammensetzen. Leerzeichen und Interpunktion zählen als Zeichen. Dies ermöglicht eine präzise Steuerung der Generierung, auch wenn längere Inhalte mehrere Requests erfordern.
Werden meine Texte für das Training verwendet?
Nein, deine Eingabetexte werden ausschließlich zur Erzeugung der Audio-Ausgabe verwendet und nicht zum Training der Modelle genutzt. Nur die Metadaten der Anfrage (Zeit, Zeichenanzahl, Status) werden zur Abrechnung gespeichert. Die generierten Audios werden nicht dauerhaft gespeichert, sondern direkt in der Antwort zurückgegeben.
Welche Sprachen werden unterstützt?
Wir unterstützen 23 Sprachen, darunter Deutsch, Englisch, Spanisch, Französisch, Chinesisch, Japanisch und Arabisch. Die Stimme kann jede dieser Sprachen sprechen. Wenn die Sprache nicht explizit gesetzt wird, wird sie basierend auf dem Skript erraten. Sprachen wie Vietnamesisch oder Thailändisch sind derzeit nicht verfügbar.
Gibt es eine kostenlose Testphase?
Ja, beim Anmelden mit Google erhältst du 0,50 $ Guthaben, was etwa 50.000 Zeichen entspricht. Dieses Guthaben ist sieben Tage gültig. Konten, die mit E-Mail und Passwort erstellt wurden, starten ohne dieses Testguthaben. Es ist eine einfache Möglichkeit, die API-Funktionalität und die Audioqualität vor der Bezahlung zu testen.
Wie schnell ist die Generierung?
Die Generierung dauert bei langen Texten etwa Echtzeit (ca. 25 Zeichen Text pro Sekunde Audio). Bei kurzen Phrasen kann es einige Sekunden dauern. Anfragen werden nacheinander verarbeitet, sodass es bei hoher Auslastung zu Warteschlangen kommen kann. Die Geschwindigkeit ist also von der aktuellen Last abhängig.
Kann ich die Geschwindigkeit der Stimme anpassen?
Ja, du kannst die Geschwindigkeit zwischen 0,25 und 4,0 anpassen. Dies ermöglicht es dir, die Sprachausgabe an verschiedene Kontexte in deiner App anzupassen, sei es für eine ruhige Erzählung oder eine schnelle Informationsübermittlung. Die Geschwindigkeit ist ein einfacher Parameter in deiner API-Anfrage.
Werden die generierten Audios gespeichert?
Nein, die generierten Audio-Dateien werden nicht dauerhaft gespeichert. Sie werden direkt in der API-Antwort zurückgegeben. Nur die Metadaten der Anfrage, wie Zeitstempel, Zeichenanzahl und Status, werden für die Abrechnung und Abfragezwecke gespeichert. Dies gewährleistet Datenschutz und reduziert den Speicherbedarf auf deinem Server.
Was passiert bei einem Fehler bei der Generierung?
Bei einem Fehler während der Synthese wird die Anfrage kostenlos abgewickelt. Die Gebühren werden im Falle eines Fehlers vollständig erstattet. Du zahlst also nur für erfolgreich generierte Audio-Dateien. Dies schützt dich vor Kosten für fehlerhafte Ausgaben, die durch technische Probleme entstehen könnten.
Kann ich eigene Stimmen hochladen?
Nein, du kannst keine eigenen Stimmen hochladen oder Cloning durchführen. Wir bieten acht vordefinierte Stimmen-Presets an, die auf lizenzierten Aufnahmen basieren. Eine individuelle Anpassung oder das Hochladen eigener Audio-Dateien für die Stimmgenerierung ist nicht möglich. Die verfügbaren Stimmen decken jedoch verschiedene Stile und Sprachen ab.
Wie funktioniert die Abrechnung über USDT?
Du lädst dein Guthaben über USDT im TRC-20-Standard auf dem TRON-Netzwerk auf. Der Mindestbetrag beträgt 5 $. Die Gutschrift erfolgt automatisch innerhalb weniger Minuten nach der Überweisung. Es gibt keine Kreditkarten oder PayPal. Das Guthaben verfällt nicht, und es gibt keine monatlichen Mindestgebühren.
Gibt es ein SLA für die Verfügbarkeit?
Nein, wir bieten kein Service Level Agreement (SLA) oder eine garantierte Verfügbarkeit an. Es gibt auch keine Unternehmensverträge oder Garantien für die Uptime. Die API ist zuverlässig, aber es können je nach Auslastung Warteschlangen entstehen. Für Support erreichst du uns ausschließlich per E-Mail.
Erste Anfrage
curl
curl https://api.viv55.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.mp3Warum TTS-APIs für mobile Apps wichtig sind
Text-zu-Sprache-APIs sind ein entscheidender Baustein für moderne mobile Apps. Sie ermöglichen es Produktteams, Barrierefreiheit direkt in die App-Logik zu integrieren und die Nutzererfahrung für Menschen mit Sehbehinderungen oder Leseerschwerungen deutlich zu verbessern. Durch die Umwandlung von Text in Audio wird Inhalt konsumierbar, wo visuelle Aufmerksamkeit begrenzt ist.
Die Integration einer zuverlässigen TTS-API sorgt dafür, dass deine App auch ohne komplexe Infrastruktur hochwertige Sprachausgaben liefert. Dies ist essenziell, um Inhalte schnell und konsistent über verschiedene Geräte und Sprachumgebungen hinweg zugänglich zu machen.
Barrierefreiheit und Nutzererfahrung
Barrierefreiheit ist kein Luxus, sondern ein Standard in der mobilen Entwicklung. Eine TTS-API ermöglicht es, Textinhalte automatisch in verständliche Sprache umzuwandeln. Nutzer können deine App auch im Hintergrund oder bei eingeschränkter visueller Nutzung effektiv bedienen.
Die Unterstützung von 23 Sprachen und 8 verschiedenen Stimmen ermöglicht es, die Sprachausgabe an die Zielgruppe anzupassen. Ob für Nachrichten, E-Books oder Navigationshinweise – die konsistente Qualität sorgt für eine professionelle Nutzererfahrung.
- Unterstützung von 23 Sprachen, darunter Deutsch, Englisch und Spanisch.
- 8 voreingestellte Stimmen für unterschiedliche Stimmungen und Kontexte.
- Nahtlose Integration in mobile App-Workflows für Barrierefreiheit.
Inhalte schneller konsumierbar machen
Mobile Nutzer haben oft wenig Zeit oder Aufmerksamkeit für lange Texte. Durch die Umwandlung in Audio können Inhalte parallel zu anderen Aktivitäten konsumiert werden. Dies erhöht die Reichweite und die Nutzungsdauer deiner App.
Die API generiert Audio-Dateien schnell und effizient. Short Phrases dauern einige Sekunden, längere Texte entstehen etwa in Echtzeit. So bleibt die Interaktion flüssig und unterbricht den Nutzerfluss nicht.
Die Audio-Generierung erfolgt serverseitig, sodass keine Rechenleistung des Geräts für die Synthese benötigt wird. Dies spart Batterie und Daten, was besonders für mobile Nutzer wichtig ist.
- Audio-Generierung in Echtzeit für kurze und lange Texte.
- Keine zusätzliche Rechenleistung auf dem Endgerät erforderlich.
- Unterstützung verschiedener Audioformate wie MP3, WAV, OPUS, FLAC und PCM.
Skalierbare Audio-Generierung
Die API ist darauf ausgelegt, mit steigenden Nutzerzahlen mitzuwachsen. Mit einem Pay-per-Character-Modell zahlst du nur für das, was du tatsächlich nutzt. Es gibt keine monatlichen Grundgebühren oder festen Verträge.
Rate Limits von 60 Anfragen pro Minute pro API-Schlüssel sorgen für eine stabile Leistung. Bei höherem Volumen können mehrere Schlüssel verwendet werden, um die Kapazität zu erhöhen. Dies ermöglicht eine flexible Skalierung je nach Bedarf.
Die API verarbeitet Anfragen sequentiell, was bei hoher Last zu Warteschlangen führen kann. Dies ist ein bekanntes Merkmal, das jedoch durch die klare Abrechnung und die Vorhersagbarkeit der Kosten gut händelbar ist.
- Pay-per-Character-Modell: $10 pro 1 Million Zeichen.
- Rate Limits von 60 Anfragen pro Minute pro Schlüssel.
- Keine monatlichen Grundgebühren, skalierbar nach Bedarf.
So funktioniert die API-Integration
Die Integration ist einfach: Sende einen JSON-Body per POST-Request an den Endpunkt und erhalte Audio-Dateien zurück. Das Request-Format orientiert sich an etablierten Standards, sodass du keine komplexe eigene Infrastruktur aufbauen musst.
Dank der kompatiblen Struktur nutzen wir dieselbe Request-Shape wie die OpenAI Speech Endpoint. Du kannst bestehende SDKs verwenden, indem du nur die base_url anpasst. Das beschleunigt die Einarbeitung in deine Mobile App Workflows.
JSON-Request an den Endpunkt
Sende Text, Modell-ID, Stimme und Format als JSON an POST https://api.viv55.info/v1/audio/speech. Die API antwortet mit der Audiodatei oder einem Fehlerstatus. Für längere Texte teilst du den Input manuell in Blöcke von 4096 Zeichen auf und verknüpfst die Ergebnisse.
Das Format ist selbsterklärend: model (tts-1 oder tts-1-hd), input (der Text), voice (z.B. 'nova' oder 'atlas') und response_format. Optional steuerst du speed (0.25–4.0) und die language.
- Endpoint: POST https://api.viv55.info/v1/audio/speech
- Auth: Bearer Token im Header
- Input: JSON Body mit Text und Parametern
Unterstützung für OpenAI SDKs
Da das Request-Format identisch ist, funktionieren offizielle OpenAI SDKs direkt. Ändere einfach die base_url auf https://api.viv55.info/v1 und setze deinen API-Schlüssel ein. Das reduziert den Aufwand für eigene Wrapper-Logiken in deiner Mobile App.
Du kannst also bewährte Client-Bibliotheken nutzen, die du bereits kennst. Das spart Entwicklungszeit und reduziert die Fehleranfälligkeit bei der Integration in deine bestehende Codebasis.
- Keine neuen Libraries nötig
- Nur base_url und Key anpassen
- Kompatibel mit Standard HTTP Clients
Schnelle Antwortzeiten und Formate
Kurze Phrasen werden in wenigen Sekunden generiert, längere Texte entstehen etwa in Echtzeitgeschwindigkeit (ca. 25 Zeichen/Sekunde). Bei hoher Auslastung können Requests in einer Warteschlange warten, da sie sequenziell verarbeitet werden.
Wähle das passende Format für deine App: MP3 für kleine Dateien, WAV für hohe Qualität, OPUS, FLAC oder PCM. Alle Audio-Streams werden direkt im Antwort-Body zurückgegeben, ohne dass du externe Storage-Endpoints abfragen musst.
- Formate: mp3, wav, opus, flac, pcm
- Typische Latenz: Sekunden bis Echtzeit
- Keine externen Storage-Calls nötig
Stimmen und Sprachen für deine App
Die API bietet acht klar definierte Stimmen, die sich nahtlos in verschiedene App-Kontexte einfügen. Wähle zwischen warmen Erzählerinnen wie Aria oder Luna und klaren, neutralen Stimmen wie Atlas für Nachrichten. Jede Stimme hat einen spezifischen Klangcharakter, von motivierenden Benachrichtigungen bis hin zu ruhigen Anleitungen.
Alle Stimmen beherrschen 23 Sprachen und können diese beliebig mischen. Egal, ob du Arabisch, Japanisch oder Swahili unterstützten möchtest – die Qualität bleibt konstant. Die automatische Spracherkennung funktioniert zuverlässig, sofern du den ISO-Code explizit setzt.
8 voreingestellte Stimmen (männlich/weiblich)
Unsere Stimme-Palette deckt die wichtigsten Audio-Profile ab. Female-Stimmen wie Nova (hell, energiegeladen) oder Sage (ruhig, lehrreich) eignen sich perfekt für interaktive Elemente. Male-Stimmen wie Felix (dynamisch) oder Orion (tief, dokumentarisch) bieten Seriosität und Präzision.
Jede Stimme basiert auf lizenzierten Aufnahmen von LibriVox. Dies garantiert eine natürliche Klangqualität ohne die typischen Roboter-Stimmen, die man aus einfachen TTS-Lösungen kennt.
- Aria: Warme, klare Erzählerin
- Nova: Helles, energisches Interface
- Luna: Weiche Geschichte
- Sage: Ruhige Anleitung
- Felix: Dynamische Werbung
- Milo: Freundlicher Dialog
23 unterstützte Sprachen
Wir unterstützen 23 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch, Japanisch, Koreanisch, Chinesisch und Arabisch. Auch seltene Sprachen wie Malay, Swahili oder Türkisch sind verfügbar. Die API erkennt die Sprache automatisch basierend auf dem Schriftbild, was die Integration beschleunigt.
Für lateinische Schrift außer Englisch empfehlen wir, das Feld language explizit zu setzen, um falsche Erkennungen zu vermeiden. Sprachen wie Vietnamesisch oder Thai sind aktuell nicht verfügbar.
Konsistente Qualität weltweit
Die gleiche Engine sorgt für eine konsistente Klangqualität. Die Stimmen sind konsistent über alle Sprachen hinweg trainiert, was die Markenidentität deiner App stärkt.
Jede generierte Audio-Datei enthält einen unsichtbaren Wasserzeichen-Marker. Dies kennzeichnet die Ausgabe eindeutig als synthetische Sprache, ohne den Hörer zu stören.
Preismodell und Kostenkontrolle
Du zahlst 10 US-Dollar pro eine Million Zeichen, also 0,01 USD pro 1.000 Zeichen. Leerzeichen und Satzzeichen werden als Zeichen gezählt. Bei einem fehlerhaften Request erhältst du den vollen Betrag zurück.
Pay-per-Character Modell
Das Modell ist transparent und vorhersehbar. Ein Testkonto mit 0,50 USD Guthaben (ca. 50.000 Zeichen) steht dir nach der Google-Anmeldung sieben Tage lang zur Verfügung.
Keine monatlichen Grundgebühren
Es gibt keine Abo-Kosten, keine Mindestumsätze und keine zusätzlichen Gebühren für Sitzplätze. Du startest ohne Commitment und skalierst genau dann, wenn deine App es benötigt.
Transparente Abrechnung
Die Zahlung erfolgt ausschließlich über USDT im TRC-20 Netzwerk (TRON). Das Mindest-Top-up beträgt 5 USD. Dein Guthaben verfällt nicht, und du siehst deine verbrauchten Zeichen direkt im Dashboard.
Technische Details und Limits
Die API verarbeitet Texte bis zu 4096 Zeichen pro Request. Für längere Inhalte müssen die Texte in passenden Abschnitten aufgeteilt und die Audio-Enden anschließend verknüpft werden. Das ermöglicht eine nahtlose Wiedergabe im Player deiner App.
4096 Zeichen pro Request
Jeder einzelne API-Aufruf akzeptiert maximal 4096 Zeichen, einschließlich Leerzeichen und Satzzeichen. Wenn dein Text länger ist, teile ihn logisch auf. Die generierten Audio-Dateien können dann clientseitig oder serverseitig zu einem einzigen Stream zusammengefügt werden.
Rate Limits und Warteschlangen
Pro API-Schlüssel sind 60 Requests pro Minute erlaubt. Vor der ersten Aufladung gelten 10 Requests pro Minute. Unter Last werden Anfragen sequentiell verarbeitet, was bei hoher Auslastung zu kurzen Wartezeiten in der Warteschlange führen kann.
Audioformate: MP3, WAV, OPUS, FLAC, PCM
Wähle das Format über das Feld response_format. MP3 bietet gute Kompression, WAV und FLAC sind verlustfrei. PCM eignet sich für direkte Weiterverarbeitung, OPUS für effiziente Übertragung. Das Format muss nicht vorab festgelegt werden.

Datenschutz und Lizenzierung
Die Eingabetexte werden ausschließlich zur Generierung der Audiodatei verwendet und nicht zum Training eigener Modelle verwendet. Nach der Verarbeitung bleibt dein Text nicht dauerhaft in unseren Systemen gespeichert, was die Datenhoheit bei dir belässt.
Alle verwendeten Stimmen basieren auf lizenzierten Aufnahmen aus dem LibriTTS-R-Dataset (CC BY 4.0) und öffentlichen Hörbüchern von LibriVox. Dies gewährleistet eine rechtlich saubere Grundlage für die kommerzielle Nutzung in deiner App ohne zusätzliche Lizenzgebühren.
Kein Training der Daten
Nur Zeitstempel, Zeichenanzahl und Status werden zur Abrechnung gespeichert. Der eigentliche Textinhalt verlässt nach der Generierung den Prozess.
Lizenzierte Aufnahmen (LibriVox)
Die Stimmen-Engine nutzt CC BY 4.0-gelizenzierte Daten, was rechtliche Klarheit für mobile Produktteams bietet.
Invisible Watermarks
Jede generierte Audiodatei enthält unsichtbare Wasserzeichen, die den synthetischen Ursprung kennzeichnen. Dies hilft bei der Transparenz gegenüber Endnutzern und erfüllt wachsende Anforderungen an die Kennzeichnung von KI-generierten Inhalten.
Erste Schritte mit der API
Um loszulegen, erstellst du deinen API-Schlüssel auf der Seite /get-api-key/. Dort siehst du direkt deinen Kontostand, das verbleibende Guthaben aus der Testphase und ein fertiges cURL-Beispiel. Du erhältst einen einzelnen Schlüssel, der bei Bedarf jederzeit neu ausgestellt werden kann, wobei der alte sofort gültigkeitslos wird.
API-Schlüssel generieren
Die Registrierung erfolgt per Google-Konto oder E-Mail. Nach dem Login siehst du deine Credentials und kannst sofort mit der Integration beginnen. Für neue E-Mail-Accounts steht kein Testguthaben zur Verfügung.
Ersten Request testen
Sende einen POST-Request an den Endpunkt /v1/audio/speech. Achte darauf, den base_url für die OpenAI-SDKs anzupassen. Ein erster Test mit kurzen Texten dauert nur wenige Sekunden.
- Endpoint: POST https://api.viv55.info/v1/audio/speech
- Auth: Bearer tts-...
- Format: JSON
Dokumentation nutzen
Die vollständige Referenz findest du unter /docs/. Sie enthält alle Details zu Modellen, Stimmen und Antwortformaten. Nutze die Beispiele, um deine Mobile-App-Workflows nahtlos einzubinden.
Vergleich zu anderen Lösungen
Die TTS-API von Klangform ist direkt in mobile App-Workflows integrierbar, ohne komplexe Infrastruktur. Im Gegensatz zu etablierten Anbietern nutzt sie ein bekanntes JSON-Format, das sich nahtlos mit offiziellen OpenAI-SDKs verbinden lässt –只需 den base_url anpassen.
Dies reduziert den Entwicklungsaufwand erheblich, da Produktteams bewährte Bibliotheken nutzen können, ohne neue Client-Logik schreiben zu müssen.
Einfache Integration
Die API folgt dem Standard-Request-Shape, den Entwickler bereits von anderen großen Plattformen kennen. Dies ermöglicht eine schnelle Anbindung an bestehende mobile Backends.
- Kompatibel mit offiziellen OpenAI SDKs
- Standard-JSON-Struktur für minimale Anpassungen
- Kein zusätzlicher Client-Code notwendig
Kosteneffizienz bei hohen Volumina
Mit 10 US-Dollar pro Million Zeichen bleibt die Abrechnung transparent und kalkulierbar. Es fallen keine monatlichen Grundgebühren oder versteckten Kosten für Tonminuten an.
Das Pay-per-Use-Modell ohne Mindestvolumen eignet sich ideal für Apps mit unvorhersehbaren Nutzungsspitzen.
- 10 USD pro 1.000.000 Zeichen
- Keine Grundgebühren oder Abos
- Transparente Charakter-abhängige Abrechnung
Fokus auf Stabilität statt Features
Während andere Anbieter ständig neue Funktionen wie Streaming oder SSML hinzufügen, konzentriert sich Klangform auf eine zuverlässige, stabile API. Dies reduziert die Wahrscheinlichkeit von Breaking Changes in mobilen Apps.
Die Priorität liegt auf der konsistenten Audioqualität und der schnellen Verarbeitung ohne komplexe Abhängigkeiten.
- Stabile API-Struktur
- Weniger Breaking Changes
- Fokus auf Zuverlässigkeit
Häufige Fragen der Community
Hier findest du Antworten auf die häufigsten Fragen rund um unsere TTS-API für mobile Apps. Wir klären Misstrauen bezüglich Kosten, Sprachunterstützung und Abrechnung direkt auf, damit du sofort mit der Integration starten kannst.
Ist die API wirklich kostenlos?
Nein, die API ist nicht kostenlos, aber sie ist sehr günstig. Du zahlst nur $0,01 pro 1.000 Zeichen. Gescheiterte Requests werden kostenlos berechnet. Es gibt keine monatlichen Grundgebühren oder Abonnements.
- Pay-per-Character Modell
- Keine Mindestmengen
- Keine versteckten Gebühren
Welche Sprachen werden unterstützt?
Wir unterstützen 23 Sprachen, darunter Englisch, Deutsch, Spanisch und Chinesisch. Jede Stimme kann jede dieser Sprachen sprechen. Die Sprache wird automatisch erkannt oder kann manuell festgelegt werden.
- 23 Sprachen
- Jede Stimme für jede Sprache
- Automatische Erkennung
Wie wird die Abrechnung abgerechnet?
Die Abrechnung erfolgt über USDT (TRC-20) auf dem TRON-Netzwerk. Mindestens $5 werden aufgeladen. Das Guthaben läuft nicht ab und wird automatisch nach Zahlungseingang gutgeschrieben.
- USDT TRC-20
- Mindestbetrag $5
- Kein Abo
Hören Sie sich die 8 Stimmen an
Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Durch die feste Auswahl an Stimmen bleibt der Klang konsistent über alle Anfragen hinweg.
23 Sprachen
Jede Stimme kann jede dieser Sprachen sprechen.
