Hochwertige Text-to-Speech API für Entwickler

Von Viv55 Redaktion · Aktualisiert 2026-11-19

Diese Dokumentation erklärt dir, wie du die Klangform TTS-API nahtlos in deine mobile App integrierst. Wir nutzen ein bekanntes JSON-Format, das sich direkt mit den offiziellen OpenAI SDKs verbinden lässt. Das spart dir Zeit bei der Einrichtung und macht den Übergang von der Entwicklung in die Produktion einfach und zuverlässig.

Direkt findest du alle technischen Details: von der Generierung deines API-Schlüssels über die Struktur der Requests bis hin zur Verarbeitung der Audio-Antworten. Du lernst, wie du Parameter wie Stimme, Geschwindigkeit und Format präzise steuerst und wie du mit typischen Szenarien wie Rate Limits oder längeren Texten in deiner App umgehst.

Hochwertige Text-to-Speech API für Entwickler

Häufig gestellte Fragen

Wie erhalte ich einen API-Schlüssel?

Registriere dich auf /get-api-key/ mit Google oder E-Mail. Nach der Anmeldung siehst du deinen Schlüssel, dein Guthaben und eine curl-Vorlage. Du erhältst 0,50 $ Startguthaben bei Google-Login. Pro Konto ist nur ein aktiver Schlüssel möglich, den du jederzeit neu generieren kannst.

Welche Parameter sind für den Request erforderlich?

Du musst model, input und voice angeben. model ist 'tts-1' oder 'tts-1-hd'. input enthält den Text (max. 4096 Zeichen). voice ist einer der acht Presets. response_format und speed sind optional. Die Authentifizierung erfolgt über den Bearer-Token im Authorization-Header.

Wie passe ich den base_url für OpenAI SDKs an?

Ändere die base_url deines OpenAI SDKs auf https://api.viv55.info/v1. Verwende dann denselben Request-Body wie beim OpenAI Speech-Endpunkt. Der API-Schlüssel deines Kontos funktioniert direkt mit dieser Konfiguration, da das Format identisch ist.

Welche Audioformate werden unterstützt?

Du kannst mp3, wav, opus, flac oder pcm als response_format wählen. Diese Formate decken die meisten mobilen App-Anforderungen ab. Die Wahl des Formats beeinflusst nicht den Preis, sondern nur die Dateigröße und Kompatibilität deines Clients.

Was bedeutet tts-1-hd?

tts-1-hd ist ein Modell, das dieselbe Engine wie tts-1 nutzt. Es nutzt denselben Engine-Hintergrund wie tts-1, Der Preis ist identisch: 0,01 $ pro 1.000 Zeichen. Du kannst beide Modelle frei wechseln.

Wie viele Zeichen kann ich pro Request senden?

Du kannst maximal 4096 Zeichen pro Request senden. Leerzeichen und Satzzeichen zählen dabei als Zeichen. Bei längeren Texten musst du diese in passende Blöcke aufteilen und die Audio-Dateien später zusammenführen.

Wie wird die Sprache automatisch erkannt?

Wenn du language nicht angibst, wird sie aus dem Skript erraten. Lateinische Texte werden standardmäßig als Englisch interpretiert. Bei anderen Sprachen wie Arabisch oder Chinesisch wird die Sprache korrekt erkannt. Setze language explizit, um Fehler bei lateinischen Texten zu vermeiden.

Was passiert bei Rate Limits?

Du darfst 60 Anfragen pro Minute stellen. Vor der ersten Aufladung sind es nur 10 pro Minute. Anfragen werden nacheinander verarbeitet. Bei hoher Last kann es zu Wartezeiten in der Queue kommen. Fehlerhafte Requests werden nicht berechnet.

Wie verarbeite ich lange Texte?

Teile den Text in Blöcke von maximal 4096 Zeichen auf. Sende jeden Block als eigenen Request an das Speech-Endpunkt. Die API gibt dir Audio-Dateien zurück, die du clientseitig oder serverseitig zu einer einzigen Datei zusammenfügen musst.

Welche Fehlercodes gibt es?

Die API nutzt Standard-HTTP-Fehlercodes. Bei Rate-Limit-Überschreitung erhältst du typischerweise 429. Bei ungültigen Parametern oder fehlendem Token gibt es 400 oder 401. Fehlerhafte Synthesen werden voll erstattet. Spezifische interne Fehlercodes werden nicht dokumentiert.

Kann ich die Geschwindigkeit der Stimme ändern?

Ja, du kannst den Parameter speed zwischen 0.25 und 4.0 setzen. Dies ermöglicht dir, die Sprechgeschwindigkeit an den Kontext deiner App anzupassen. Der Standardwert ist 1.0. Die Geschwindigkeitsänderung hat keinen Einfluss auf den Preis pro Zeichen.

Wie erkenne ich, ob ein Request erfolgreich war?

Ein erfolgreicher Request gibt den HTTP-Status 200 zurück und enthält die Audio-Daten im Antwortkörper. Bei Fehlern erhältst du einen entsprechenden HTTP-Statuscode (z.B. 400 oder 429) und eine Fehlermeldung im JSON-Body. Der Status wird auch im Usage-Log gespeichert.

Werden die API-Schlüssel sofort deaktiviert?

Ja. Du kannst jederzeit einen neuen API-Schlüssel generieren. Der alte Schlüssel wird sofort ungültig, sobald der neue erstellt wird. Dies ermöglicht dir eine schnelle Rotation, falls du den Schlüssel verdächtigst oder ihn für ein neues Projekt benötigst.

Gibt es eine Sandbox-Umgebung?

Nein. Es gibt keine separate Sandbox-Umgebung. Du arbeitest direkt mit der Produktions-API unter https://api.viv55.info/v1. Dein Startguthaben von 0,50 $ (bei Google-Login) dient als Testbudget. Alle Anfragen werden wie im Live-Betrieb verarbeitet und abgerechnet.

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.mp3

Python (openai)

from openai import OpenAI

client = OpenAI(base_url="https://api.viv55.info/v1", api_key="tts-...")

with client.audio.speech.with_streaming_response.create(
    model="tts-1", voice="nova", input="Hello from Python.", response_format="mp3"
) as response:
    response.stream_to_file("hello.mp3")

Node.js (openai)

import OpenAI from "openai";
import fs from "node:fs";

const client = new OpenAI({ baseURL: "https://api.viv55.info/v1", apiKey: process.env.TTS_API_KEY });
const res = await client.audio.speech.create({ model: "tts-1", voice: "milo", input: "Hello from Node.js." });
fs.writeFileSync("hello.mp3", Buffer.from(await res.arrayBuffer()));
voice
ariaweiblich
novaweiblich
lunaweiblich
sageweiblich
felixmännlich
milomännlich
atlasmännlich
orionmännlich
language
arالعربية
zh中文
daDansk
nlNederlands
enEnglish
fiSuomi
frFrançais
deDeutsch
elΕλληνικά
heעברית
hiहिन्दी
itItaliano
ja日本語
ko한국어
msBahasa Melayu
noNorsk
plPolski
ptPortuguês
ruРусский
esEspañol
swKiswahili
svSvenska
trTürkçe

API-Schlüssel erstellen

Schallwellenillustration für: API-Schlüssel erstellen

Erstelle dein Konto über die Seite /get-api-key/ mit Google oder E-Mail. Nach der Anmeldung siehst du deinen API-Schlüssel, dein Guthaben und eine cURL-Vorlage direkt auf dem Dashboard.

Registrierung auf der Website

Registrierung auf der Website

Der Zugang ist in wenigen Sekunden erledigt. Google-Login gewährt sofort $0,50 Testguthaben (7 Tage), E-Mail-Konten starten ohne Bonus.

API-Schlüssel generieren

API-Schlüssel generieren

Dein Schlüssel (tts-...) wird direkt nach der Registrierung angezeigt. Nutze ihn im Header Authorization: Bearer für alle Requests.

  • Ein Schlüssel pro Account.

Schlüssel verwalten und neu ausstellen

Du kannst jederzeit einen neuen Schlüssel ausstellen. Der alte Schlüssel wird sofort ungültig, was die Sicherheit in mobilen Apps erhöht.

Erster Request mit cURL

Schallwellenillustration für: Erster Request mit cURL

Nachdem du deinen API-Schlüssel generiert hast, kannst du die Schnittstelle direkt über die Kommandozeile testen. Wir nutzen hier die OpenAI-kompatible Struktur, damit du bestehende Werkzeuge nahtlos integrieren kannst. Ein einfacher cURL-Befehl genügt, um die erste Audioausgabe zu generieren und die Antwort zu empfangen.

Beispiel-Request vorbereiten

Ersetze im folgenden Befehl DEIN_API_SCHLÜSEL durch deinen persönlichen Schlüssel. Der Endpunkt https://api.viv55.info/v1 erwartet ein JSON-Objekt im Body. Achte darauf, dass du die Methode POST verwendest und den Header Content-Type: application/json setzt.

  • Ersetze DEIN_API_SCHLÜSEL durch deinen echten Key.
  • Stelle sicher, dass du die POST-Methode nutzt.
  • Setze den Header Content-Type: application/json.

JSON-Body Struktur

Der Request-Body besteht aus drei Pflichtfeldern: model, input und voice. Du wählst zwischen tts-1 oder tts-1-hd. Das Feld input enthält deinen Text, der maximal 4096 Zeichen lang sein darf. Mit voice bestimmst du die Stimme, z. B. nova oder aria.

Antwort verarbeiten

Bei Erfolg erhältst du eine binäre Audiodatei im gewünschten Format. Speichere diese Datei direkt in deinem App-Projekt oder übertrage sie an den Client. Bei Fehlern erhältst du ein JSON-Objekt mit einer Fehlermeldung, das du loggen kannst, um Integrationsprobleme schnell zu beheben.

Integration mit OpenAI SDKs

Schallwellenillustration für: Integration mit OpenAI SDKs

Die OpenAI SDKs sind bereits vorbereitet, um mit unserer Schnittstelle zu kommunizieren. Sie müssen lediglich die base_url auf https://api.viv55.info/v1 anpassen und Ihren API-Schlüssel im Header bereitstellen. Die Request-Struktur bleibt identisch zu OpenAI, sodass Sie keine eigenen Wrapper schreiben müssen.

Dies ermöglicht eine schnelle Integration in Ihre bestehenden mobilen App-Workflows. Nutzen Sie die gleichen Bibliotheken, die Sie bereits kennen, um Audio-Dateien generieren zu lassen, und profitieren Sie von der direkten Kompatibilität ohne zusätzliche Konfigurationsaufwand.

base_url anpassen

Ändern Sie die Basis-URL in Ihrer SDK-Konfiguration auf https://api.viv55.info/v1. Dies leitet alle Anfragen an unsere Infrastruktur um.

Der Pfad /v1 bleibt erhalten, sodass bestehende Endpunkte wie /audio/speech unverändert bleiben. Stellen Sie sicher, dass Ihr API-Schlüssel im Authorization-Header als Bearer Token übergeben wird.

  • Nutzen Sie die offizielle OpenAI-Client-Bibliothek für Python oder JavaScript.
  • Ändern Sie nur die base_url, nichts anderes am Code.

SDK-Konfiguration

Initialisieren Sie den Client mit Ihrem API-Schlüssel und der angepassten Basis-URL. Die Authentifizierung erfolgt über den Header Authorization: Bearer tts-....

Stellen Sie sicher, dass Sie die neuesten Versionen der SDKs verwenden, um Kompatibilität mit den JSON-Strukturen zu gewährleisten. Die Parameter model, input, voice und response_format werden direkt an die API weitergeleitet.

  • Schlüssel: tts-...
  • Base URL: https://api.viv55.info/v1
  • Auth Header: Bearer <key>

Beispiel-Code in Python/JS

In Python nutzen Sie openai.OpenAI(base_url='https://api.viv55.info/v1', api_key='tts-...'). Erstellen Sie dann eine Anfrage an client.audio.speech.create() mit den gewünschten Parametern wie model='tts-1' und voice='nova'.

In JavaScript ist das Setup ähnlich: Initialisieren Sie den Client mit der neuen Basis-URL und rufen Sie speech.create() auf. Speichern Sie die zurückgegebene Audio-Datei direkt oder streamen Sie sie in Ihre App.

  • Python: client.audio.speech.create(input='Hallo', voice='nova', model='tts-1')
  • JavaScript: await client.audio.speech.create({input: 'Hallo', voice: 'nova', model: 'tts-1'})
  • Unterstützte Formate: mp3, wav, opus, flac, pcm

Endpunkte und Parameter

Schallwellenillustration für: Endpunkte und Parameter

Die API nutzt drei zentrale Endpunkte, um die Integration in deine App-Workflows zu vereinfachen. Das Hauptendpunkt verarbeitet die Textsynthese, während die anderen Metadaten bereitstellen.

Alle Anfragen erfolgen über HTTPS mit JSON-Body. Die Authentifizierung läuft über einen Bearer-Token im Header, den du in deinem Account findest.

POST /v1/audio/speech

Dieser Endpunkt konvertiert Text in Audio. Du sendest ein JSON mit model, input, voice und optional response_format. Die Antwort ist die Audiodatei im gewählten Format.

Maximal 4096 Zeichen pro Request. Für längere Texte musst du selbst splitten und die Audio-Dateien zusammenführen.

  • model: tts-1 oder tts-1-hd
  • input: Textstring, max. 4096 Zeichen
  • voice: Eine der 8 verfügbaren Stimmen
  • response_format: mp3, wav, opus, flac, pcm
  • speed: 0.25 bis 4.0

GET /v1/voices

Ruft die Liste aller verfügbaren Stimmen, unterstützten Sprachen und Formate ab. Ideal, um die Benutzeroberfläche deiner App dynamisch zu gestalten.

Die Antwort enthält Details zu jeder Stimme, einschließlich Name, Geschlecht und verfügbarer Sprachen.

  • Liste aller 8 Stimmen
  • Unterstützte ISO-Sprachcodes
  • Verfügbare Audio-Formate
  • Preise pro 1000 Zeichen

GET /v1/models

Zeigt die verfügbaren Modelle (tts-1 und tts-1-hd) an. Beide nutzen dieselbe Engine und haben denselben Preis.

Nutze diesen Endpunkt, um sicherzustellen, dass deine App immer die aktuellsten Modell-IDs verwendet.

  • tts-1: Standardqualität
  • tts-1-hd: Höhere Qualität
  • Beide: Gleicher Preis
  • Keine Versionierung erforderlich

Modelle und Stimmen

Schallwellenillustration für: Modelle und Stimmen

Die API unterstützt zwei Modell-Bezeichnungen: tts-1 und tts-1-hd. Beide nutzen exakt dieselbe Engine und denselben Preis von $10 pro Million Zeichen. Die Wahl zwischen den Modellen ist daher rein kosmetisch für die API-Nutzung, da sich Leistung und Kosten nicht unterscheiden.

8 voreingestellte Stimmen

Wähle aus acht vordefinierten Stimmen, die auf lizenzierten Aufnahmen basieren. Die Auswahl umfasst weibliche Stimmen wie Aria oder Nova sowie männliche Stimmen wie Felix oder Atlas. Jede Stimme kann jede der 23 unterstützten Sprachen sprechen.

  • Aria: Warme, klare Erzählerin
  • Nova: Hell und energiegeladen
  • Luna: Sanft, für Geschichten
  • Sage: Ruhig, lehrreich
  • Felix: Energetisch, Werbung
  • Milo: Freundlich, gesprächig
  • Atlas: Neutral, Nachrichten
  • Orion: Tief, Dokumentarisch

Sprachparameter setzen

Gib den optionalen Parameter language mit einem ISO-Code an, um die automatische Erkennung zu überschreiben. Ohne Angabe wird bei lateinischem Text standardmäßig Englisch angenommen. Dies ist wichtig für mehrsprachige Apps, um falsche Akzente zu vermeiden.

Modelle und Stimmen

Antwortformate und Fehler

Schallwellenillustration für: Antwortformate und Fehler

Die API liefert Audiodaten in den Formaten MP3, WAV, OPUS, FLAC und PCM. Wähle das Format, das am besten zu deiner App passt: MP3 für effiziente Übertragung, WAV oder FLAC für unverlustbehaftete Qualität. Die Eingabe ist auf 4096 Zeichen pro Request begrenzt.

Unterstützte Formate (MP3, WAV, etc.)

Nutze response_format im JSON-Body, um das Ausgabeformat zu steuern. PCM ist unkomprimiert und gut für weitere Verarbeitung, während OPUS eine hohe Kompression bei guter Qualität bietet. Alle Formate werden direkt im Antwort-Body als Binärdaten zurückgegeben.

Fehlercodes und Behandlung

Bei Synthesefehlern wird der volle Betrag erstattet. Prüfe den HTTP-Statuscode und die Fehlermeldung im JSON-Body. Stelle sicher, dass input nicht leer ist und voice einem der 8 verfügbaren Presets entspricht. Ungültige Parameter führen zu sofortigem Feedback ohne Kosten.

  • Status 200: Erfolg, Audio-Datei im Body.
  • Status 400: Ungültige Parameter (z. B. falsches Voice).
  • Status 429: Rate Limit erreicht (siehe unten).

Rate Limits beachten

Du hast 60 Requests pro Minute pro Schlüssel (vor der ersten Aufrüstung: 10/Minute). Bei hoher Last können Requests in eine Warteschlange gestellt werden, was die Generierungszeit leicht erhöht. Plane Puffer für Warteschlangen ein, um UX-Störungen in deiner App zu vermeiden.

Längere Texte handhaben

Schallwellenillustration für: Längere Texte handhaben

Für Texte über 4096 Zeichen müssen Sie diese vor der API-Anfrage in kleinere Blöcke aufteilen. Die API verarbeitet nur kurze Fragmente pro Request.

Nach der Generierung müssen die einzelnen Audio-Dateien clientseitig zusammengeführt werden, um ein zusammenhängendes Hörerlebnis zu gewährleisten.

Splitting in 4096 Zeichen

Jeder Request darf maximal 4096 Zeichen enthalten. Dies umfasst alle Leerzeichen und Satzzeichen im Input-Text. Teilen Sie Ihren Text daher logisch in Segmente auf, die diese Grenze nicht überschreiten.

Audio-Dateien zusammenführen

Die API gibt für jeden Request eine separate Audio-Datei zurück. Sie müssen diese Fragmente in Ihrer Anwendung sequenziell aneinanderhängen. Dies stellt sicher, dass die Ausgabe als ein durchgehender Audiostream wahrgenommen wird.

Effiziente Verarbeitung

Da die API Anfragen nacheinander verarbeitet, kann es bei hohen Lasten zu Wartezeiten in der Queue kommen. Nutzen Sie Hintergrundjobs für die Generierung langer Texte, um die App-Performance nicht zu beeinträchtigen.

Best Practices für mobile Apps

Schallwellenillustration für: Best Practices für mobile Apps

Um die App-Leistung zu optimieren und API-Kosten zu sparen, sollten Audio-Dateien lokal im Gerätespeicher zwischengespeichert werden. Da Generierungsraten bei kurzen Phrasen mehrere Sekunden betragen können, reduziert Caching die Wartezeit für Nutzer erheblich. Längere Texte sollten im Vorfeld aufgeteilt und die Enden der Audio-Dateien nahtlos joined werden, bevor sie lokal abgelegt werden.

Caching von Audio-Dateien

Speichern Sie generierte Audiodaten lokal, um wiederkehrende Requests für statische UI-Texte zu vermeiden. Dies beschleunigt die Benutzeroberfläche erheblich, da die Generierung dann nicht beim Öffnen jeder Ansicht neu erfolgen muss.

Handling von Rate Limits

Achten Sie auf das Limit von 60 Requests pro Minute. Bei hoher Auslastung warten Anfragen in einer Warteschlange, was die Latenz erhöht. Planen Sie Puffer ein, um Timeouts in der App zu vermeiden, besonders wenn viele Nutzer gleichzeitig Texte generieren.

Nutzung von Hintergrundjobs

Nutzen Sie Hintergrund-Jobs für die Generierung längerer Texte, damit die UI nicht blockiert wird. Da die Verarbeitung reihenfolgebasiert ist, können bei hoher Last Verzögerungen auftreten, die im Hintergrund besser toleriert werden als im Vordergrund.

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.

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. openai-python on GitHub
  3. TRON developer hub: TRC-20
  4. Tether (USDT)
  5. openai-node on GitHub
  6. Python documentation
  7. MDN: Web Speech API
  8. FFmpeg documentation
  9. Creative Commons Attribution 4.0
  10. IETF RFC 7845: Ogg Opus
  11. OpenAI API reference: create speech
  12. LibriTTS-R paper (arXiv 2305.18802)

Mehr auf dieser Website