Häufig gestellte Fragen
Was ist TTS?
Text-to-Speech (TTS) ist eine Technologie, die geschriebenen Text in gesprochene Audio-Dateien umwandelt. Unsere Cloud-API empfängt Text und generiert daraus Audio. Entwickler nutzen dies, um Inhalte für Anwendungen, Tools oder barrierefreie Formate schnell und kosteneffizient in Audio zu konvertieren.
Wie funktioniert die Synthese?
Sie senden eine POST-Anfrage an /v1/audio/speech mit Text und Stimme. Der Server verarbeitet den Text und gibt eine Audio-Datei zurück. Texte über 4096 Zeichen müssen clientseitig geteilt werden. Die Generierung erfolgt sequenziell; bei hoher Auslastung kann es zu Warteschlangen kommen.
Sind die Stimmen künstlich?
Die Stimmen basieren auf lizenzierten Aufnahmen (LibriTTS-R) und sind synthetisch. Jede generierte Datei enthält einen unsichtbaren Wasserzeichen, das sie als KI-generierte Sprache ausweist. Es handelt sich um keine Originalaufnahmen von Menschen, sondern um digitale Nachbildungen der Preset-Stimmen.
Kann ich die Stimme ändern?
Sie können zwischen acht vordefinierten Stimmen wählen: Aria, Nova, Luna, Sage, Felix, Milo, Atlas und Orion. Eine individuelle Anpassung oder das Klonen eigener Stimmen ist nicht möglich. Die Stimme wird im JSON-Body der API-Anfrage festgelegt.
Wie viele Sprachen gibt es?
Wir unterstützen 23 Sprachen, darunter Englisch, Deutsch, Französisch, Spanisch und Chinesisch. Nicht unterstützt werden Vietnamesisch, Indonesisch, Thailändisch, Ukrainisch, Rumänisch, Tschechisch, Bengalisch und weitere. Sie können die Sprache optional angeben; andernfalls wird sie automatisch erraten.
Ist die Qualität gut?
Die Qualität basiert auf lizenzierten Aufnahmen. Die Stimmen decken verschiedene Stile ab, von ruhig bis energisch. Die Qualität ist konsistent, aber subjektiv. Wir garantieren keine bestimmte subjektive Wahrnehmung, liefern aber technisch hochwertige Audioformate.
Wie lange dauert die Generierung?
Lange Texte werden in etwa Echtzeit generiert (ca. 25 Zeichen pro Sekunde). Kurze Sätze benötigen einige Sekunden. Da Anfragen nacheinander verarbeitet werden, kann es unter Last zu Wartezeiten in der Queue kommen. Die Zeit hängt von der Serverlast ab.
Was ist ein API-Key?
Der API-Key ist Ihr persönlicher Zugangsschlüssel zur API. Er wird nach der Registrierung auf /get-api-key/ angezeigt. Jeder Account hat einen aktiven Key. Sie können bei Bedarf einen neuen Key ausstellen, wodurch der alte sofort ungültig wird.
Wie funktioniert die Authentifizierung?
Die Authentifizierung erfolgt über den Header 'Authorization: Bearer tts-...'. Sie fügen Ihren API-Key in jede Anfrage ein. Dies identifiziert Ihr Konto und ermöglicht den Zugriff auf die API-Dienste. Der Key muss gültig sein, damit die Anfrage verarbeitet wird.
Was ist ein Base URL?
Die Base URL ist der Grundpfad für API-Anfragen: https://api.vz58.info/v1. Wenn Sie die OpenAI-SDKs nutzen, ändern Sie diesen Pfad, um unsere API anzusprechen. Alle Endpunkte wie /audio/speech werden relativ zu dieser Basis-URL aufgerufen.
Was sind Rate Limits?
Rate Limits begrenzen die Anzahl der Anfragen pro Zeitfenster. Sie erhalten 60 Anfragen pro Minute pro Key (vor der ersten Aufladung 10 pro Minute). Bei Überschreitung werden Anfragen möglicherweise verzögert oder abgelehnt. Dies schützt die Serverlast bei hohem Verkehr.
Was ist ein JSON Body?
Der JSON Body enthält die Parameter Ihrer API-Anfrage: model, input, voice, response_format und speed. Er wird an den POST-Endpunkt gesendet. Das Format ist standardisiert, sodass bestehende Tools wie die OpenAI-SDKs direkt mit minimaler Konfiguration funktionieren.
Was sind Fehlercodes?
Fehlercodes signalisieren Probleme bei der Anfrage, z. B. ungültige Parameter oder Rate-Limit-Überschreitung. Bei Synthesefehlern wird der Betrag vollständig erstattet. Fehlercodes helfen Entwicklern, ihre Anfragen zu korrigieren. Details finden Sie in der API-Dokumentation unter /docs/.
Was ist MP3?
MP3 ist ein weit verbreitetes, verlustbehaftetes Audioformat. Es bietet gute Qualität bei kleiner Dateigröße. Es ist das Standardformat für viele Webanwendungen. Sie können MP3 über das Feld response_format in Ihrer API-Anfrage auswählen. Es wird von fast allen Playern unterstützt.
Was ist WAV?
WAV ist ein verlustfreies Audioformat, das oft für hohe Qualität verwendet wird. Die Dateien sind größer als MP3. WAV ist ideal, wenn Sie unverarbeitete Audio-Daten für weitere Bearbeitungen benötigen. Es wird direkt über die API als Antwortformat bereitgestellt.
Was ist OPUS?
OPUS ist ein modernes, effizientes Audioformat mit guter Qualität bei niedriger Bitrate. Es ist ein unterstütztes Format. OPUS wird von unserer API unterstützt und bietet eine gute Balance zwischen Dateigröße und Klangtreue.
Was ist FLAC?
FLAC (Free Lossless Audio Codec) ist ein verlustfreies Kompressionsformat. Es reduziert die Dateigröße ohne Qualitätsverlust. FLAC ist nützlich für Archivierung oder professionelle Audio-Workflows, wo Originalqualität wichtig ist. Es wird als Antwortformat in der API angeboten.
Was ist PCM?
PCM (Pulse Code Modulation) ist ein rohes, unkomprimiertes Audioformat. Die Dateien sind groß, aber enthalten die exakten Audio-Daten ohne Verarbeitung. PCM ist ideal für technische Analysen oder wenn Sie Audio später selbst komprimieren möchten. Es wird direkt ausgegeben.
Was ist Streaming?
Streaming bedeutet, Audio-Daten kontinuierlich zu empfangen, während sie generiert werden. Wir bieten kein Streaming oder WebSockets an. Sie erhalten die gesamte Audio-Datei nach Abschluss der Generierung.
Was ist SSML?
SSML (Speech Synthesis Markup Language) ist eine XML-basierte Sprache zur Steuerung der Sprachausgabe, z. B. für Pausen oder Betonung. Wir unterstützen kein SSML. Sie steuern die Ausgabe nur über Parameter wie Geschwindigkeit und Stimme. Komplexe Formatierungen sind nicht möglich.
Grundlagen
Text-to-Speech (TTS) wandelt geschriebenen Text in menschenähnliche Audiodateien um. KlangLeser bietet eine REST-API, die diesen Prozess automatisiert: Sie senden Text, das System synthetisiert die Sprache und liefert eine Audiodatei zurück. Diese Architektur ermöglicht die direkte Integration in Software, Websites oder Skripte, ohne dass eine benutzereigene App den Synthese-Prozess steuern muss.
Die API abstrahiert die komplexe Hintergrundtechnik. Entwickler müssen sich nicht mit Audioformaten oder Signalverarbeitung auseinandersetzen, sondern konzentrieren sich auf die Übergabe des Textes und die Auswahl der Stimme. Das Ergebnis ist eine sofort nutzbare Audiodateie, die in jedem Media-Player oder Web-Player wiedergegeben werden kann.
Was ist TTS?
TTS steht für Text-to-Speech und bezeichnet die Technologie, die schriftliche Zeichen in hörbaren Sprachausgabe umwandelt. Im Gegensatz zu einfachen Synthesizern erzeugt KlangLeser natürliche Intonation und Rhythmus, was für Language-Learning-Tools und barrierefreie Inhalte essenziell ist.
API vs. Anwendung
Bei einer API-Lösung läuft die Rechenleistung auf unseren Servern. Ihre Anwendung sendet nur den Text als JSON-Payload an die Endpunkte und erhält im Gegenzug die fertige Audio-Datei zurück. Dies entlastet die Client-Seite von CPU-intensiven Prozessen und ermöglicht eine einfache Skalierung bei steigender Nachfrage.
Synthese-Verfahren
KlangLeser nutzt neuronale Netzwerke, die auf lizenzierten Aufnahmen (LibriTTS-R) und öffentlichen Hörbüchern (LibriVox) trainiert wurden. Das Modell interpoliert zwischen diesen Vorbildern, um flüssige, natürlich klingende Sätze zu generieren, die keine typischen Roboter-Stimme aufweisen.
Technik
Die Text-zu-Sprache-Engine basiert auf vortrainierten neuronalen Mustern, die in einer Cloud-Appliance ausgeführt werden. Das Modell generiert Audio aus diesen Mustern, ohne auf externe Bibliotheken oder manuelle Phonem-Zuordnungen zurückzugreifen. Dies ermöglicht eine konsistente Wiedergabe über alle 8 verfügbaren Stimmen hinweg.
Neuronale Netze
Die Synthese erfolgt durch tiefe neuronale Netze, die direkt aus Textsequenzen Wellenformen ableiten. Im Gegensatz zu parametrischen Methoden, die Frequenz- und Envelope-Parameter berechnen, lernt das Modell die akustischen Eigenschaften der Trainingsdaten (LibriTTS-R) direkt. Dies sorgt für eine natürliche Intonation, ohne dass komplexe linguistische Regelwerke notwendig sind.
Modell-Architektur
Das System nutzt eine standardisierte Architektur, die in den Modellen 'tts-1' und 'tts-1-hd' implementiert ist. Beide Modelle verwenden dieselbe Engine, wobei 'tts-1-hd' höhere Abtastraten für detailliertere Ergebnisse liefert. Die Architektur ist auf niedrige Latenz und hohe Konsistenz bei der Wiedergabe von 23 Sprachen optimiert.
Audio-Generierung
Die Ausgabe erfolgt als digitale Audiodatei im gewählten Format (MP3, WAV, OPUS, FLAC oder PCM). Die Generierung erfolgt sequenziell: Der API-Endpunkt verarbeitet den Text input und gibt das fertige Audio-File zurück. Bei längeren Texten werden die Segmente nacheinander synthetisiert und können vom Client joined werden. Der Prozess ist deterministisch pro Seed, aber die Synthese selbst ist ein stochastischer Prozess basierend auf den neuronalen Mustern.
- Unterstützung für Formate: mp3, wav, opus, flac, pcm
- Modell-Optionen: tts-1 (standard) und tts-1-hd (high quality)
- Keine manuelle Phonem-Eingabe erforderlich
Prozess
Der Prozess beginnt mit der Eingabe eines Textes über die API. Der Input wird als JSON-Body an den Endpunkt gesendet und kann bis zu 4096 Zeichen umfassen. Für längere Texte wird die Aufteilung in Teile und die nachträgliche Verknüpfung der Audio-Dateien übernommen.
Nach der Validierung wird die Anfrage in die Warteschlange eingebunden und sequenziell verarbeitet. Die Synthese dauert bei kurzen Sätzen einige Sekunden. Bei Überlastung kann die Verarbeitung durch die Warteschlange verzögert werden, bis die TTS-Engine die Audio-Datei generiert hat.
Eingabe Text
Der Text wird als Feld input im JSON-Body übermittelt. Er kann maximal 4096 Zeichen lang sein, einschließlich Leerzeichen und Interpunktion. Bei Überschreitung dieses Limits muss der Text clientseitig oder serverseitig in kleinere Segmente aufgeteilt werden, die einzeln gesendet und später zu einer einzigen Audiodatei kombiniert werden.
- Maximale Länge: 4096 Zeichen pro Anfrage
- Leerzeichen und Satzzeichen zählen als Zeichen
- Automatische Segmentierung bei längeren Texten
Verarbeitung
Die API validiert das Format und die Authentifizierung. Anschließend wird die Synthese gestartet. Die Verarbeitung erfolgt sequenziell; Anfragen werden in einer Warteschlange abgearbeitet. Bei hoher Auslastung kann es zu Verzögerungen kommen, bevor die Generierung beginnt.
- Sequenzielle Abarbeitung der Requests
- Warteschlangenmechanismus bei hoher Last
- Prüfung auf Rate Limits (60 req/min)
Ausgabe Audio
Das Ergebnis ist die generierte Audiodatei im gewählten Format. Der Vorgang dauert bei kurzen Phrasen einige Sekunden. Die Generierung entspricht etwa der Echtzeitgeschwindigkeit bei längeren Texten (ca. 25 Zeichen pro Sekunde). Das Audio wird direkt in der HTTP-Antwort zurückgegeben und nicht gespeichert.
- Format: mp3, wav, opus, flac, pcm
- Verzögerung durch Warteschlange möglich
- Audio wird nicht auf Servern gespeichert
Stimmen
KlangLeser nutzt acht vordefinierte Stimmen, die auf lizenzierten Aufnahmen basieren. Jede Stimme hat einen festen Klangcharakter, der durch die Auswahl des Voice-Parameters im API-Request gesteuert wird.
Es gibt keine Möglichkeit, eigene Stimmen zu klonen oder Anpassungen vorzunehmen. Die Stimmen sind statisch und werden aus der Bibliothek ausgewählt.
Vorberechnete Stimmen
Die API bietet acht festgelegte Stimmen: vier weibliche (Aria, Nova, Luna, Sage) und vier männliche (Felix, Milo, Atlas, Orion). Jede Stimme ist auf spezifische Einsatzbereiche optimiert, von ruhiger Erzählung bis hin zu energetischen Promo-Texten.
- Aria: Warme, klare Erzählerin
- Nova: Hell, energiegeladen
- Luna: Sanft, märchenhaft
- Sage: Ruhig, instruktiv
- Felix: Dynamisch, werblich
- Milo: Freundlich, gesprächig
- Atlas: Neutral, nachrichtenartig
- Orion: Tief, dokumentarisch
Keine Cloning
Im Gegensatz zu einigen Wettbewerbern bietet KlangLeser kein Custom Voice Cloning an. Sie können keine eigene Stimme hochladen oder anpassen. Die vorhandenen acht Stimmen decken die meisten Standardanwendungen ab.
Stimm-Merkmale
Alle Stimmen basieren auf Aufnahmen aus LibriTTS-R (CC BY 4.0) und LibriVox. Jede generierte Audiodatei enthält einen unsichtbaren Wasserzeichen-Code, der die Synthese kennzeichnet. Die Stimmmerkmale sind festgelegt und ändern sich nicht durch Updates.
Sprachen
Die KlangLeser API unterstützt 23 Sprachen, darunter Englisch, Deutsch, Spanisch, Französisch, Chinesisch, Japanisch, Arabisch und Hindi. Jede der 8 verfügbaren Stimmen beherrscht alle unterstützten Sprachen. Das System ist nicht auf einzelne Sprachfamilien beschränkt, sondern bietet breite Abdeckung für internationale Projekte.
Nicht unterstützt werden unter anderem Vietnamesisch, Indonesisch, Thailändisch, Ukrainisch, Rumänisch, Tschechisch, Bengalisch sowie weitere Sprachen, die nicht in der Liste der 23 enthalten sind. Für die meisten gängigen europäischen und asiatischen Sprachen ist jedoch eine direkte Nutzung gewährleistet.
Spracherkennung
Wenn das Feld language in der API-Anfrage nicht gesetzt wird, versucht das System, die Sprache automatisch zu erkennen. Texte in lateinischer Schrift werden standardmäßig als Englisch interpretiert. Bei anderen lateinischen Texten (z. B. Deutsch oder Französisch) sollte das Feld language explizit gesetzt werden, um falsche Interpretationen zu vermeiden. Nicht-lateinische Skripte werden basierend auf den Zeichen identifiziert.
- Automatische Erkennung bei fehlender Angabe
- Standard: Englisch bei lateinischer Schrift
- Explizite Angabe bei Nicht-Englisch empfohlen
Mehrsprachigkeit
Da jede Stimme alle 23 Sprachen beherrscht, ist kein Wechsel der Stimme für Sprachwechsel nötig. Die Parameter voice und language sind unabhängig voneinander konfigurierbar. Dies ermöglicht konsistente Audio-Qualität bei multilingualen Texten, ohne dass zusätzliche Stimmen konfiguriert werden müssen. Die Mischung verschiedener Sprachen im selben Input-Text ist technisch möglich, solange die Zeichenbegrenzung von 4096 Zeichen pro Anfrage eingehalten wird.
Formate
Die API unterstützt mehrere Audioformate zur Anpassung an verschiedene Anwendungsfälle. Die Wahl des Formats beeinflusst Dateigröße, Qualität und Kompatibilität.
MP3 vs WAV
MP3 ist das Standardformat für die meisten Anwendungen. Es bietet eine gute Balance zwischen Qualität und Dateigröße. WAV liefert unverpackte, verlustfreie Audio-Daten, was die Dateigröße erhöht.
OPUS und FLAC
OPUS bietet Kompression bei hoher Qualität. FLAC ist verlustfrei und komprimiert, geeignet für Archivierung oder hochwertige Wiedergabe ohne Qualitätsverlust.
PCM Rohdaten
PCM liefert rohe Audio-Daten ohne Kompression. Dies ist nützlich für direkte Weiterverarbeitung in anderen Systemen oder für spezifische Hardware-Anforderungen, die keine Kompressions-Algorithmen unterstützen.

Limitierungen
Die API hat klare technische Grenzen, die für die Planung von Anfragen wichtig sind. Jedes Limit dient der Stabilität des Systems und der fairen Verteilung der Rechenleistung.
Zeichenlimit
Jeder API-Aufruf akzeptiert maximal 4096 Zeichen im Textfeld. Das Limit umfasst alle Leerzeichen, Satzzeichen und Umlaute. Texte, die länger sind, müssen im Client geteilt und die Audio-Dateien anschließend verbunden werden.
Ratenbegrenzung
Pro API-Schlüssel sind 60 Anfragen pro Minute erlaubt. Vor der ersten Top-up-Zahlung liegt das Limit bei 10 Anfragen pro Minute. Das Limit gilt pro Schlüssel und nicht pro IP-Adresse.
- 60 Requests/Minute nach Top-up
- 10 Requests/Minute vor Top-up
Warteschlange
Anfragen werden sequenziell verarbeitet. Bei hoher Auslastung kann eine Anfrage in einer Warteschlange stehen und länger dauern. Die typische Generierungsgeschwindigkeit entspricht etwa der Echtzeit (25 Zeichen/Sekunde), jedoch mit variabler Wartezeit im Backend.
Integration
Die Integration erfolgt über einfache HTTP-POST-Requests an den API-Endpunkt. Entwickler nutzen die Standard-OpenAI-SDKs oder plain HTTP, indem sie die base_url auf https://api.vz58.info/v1 setzen. Die Authentifizierung läuft über einen Bearer-Token im Header.
HTTP Requests
Senden Sie Text an POST /v1/audio/speech. Der Request muss JSON enthalten und einen gültigen API-Schlüssel im Authorization-Header tragen. Bei Erfolg erhalten Sie das Audio direkt im Antwort-Body.
JSON Struktur
Das Request-Body enthält model (tts-1 oder tts-1-hd), input (max. 4096 Zeichen), voice, response_format und optional speed (0.25–4.0). Geben Sie bei nicht-englischen Texten im Lateinalphabet language explizit an, um Fehlklassifikationen zu vermeiden.
Fehlerbehandlung
Bei Validierungsfehlern (z. B. ungültiger Voice-Name) erhalten Sie einen HTTP-Fehlercode und eine Fehlermeldung. Scheitert die Synthese, wird der Betrag vollständig erstattet, es fallen also keine Kosten an.
Daten
KlangLeser verarbeitet Ihre Eingabedaten streng zweckgebunden. Der eingegebene Text wird ausschließlich zur Generierung der Audioausgabe verwendet und nicht zur Verbesserung der Modelle oder für Trainingszwecke gesammelt. Die Synthese erfolgt in Echtzeit, wobei keine langfristige Verknüpfung zwischen Person und Text hergestellt wird.
Datenschutz
Die Verarbeitung folgt dem Prinzip der Datenminimierung. Da keine persönlichen Profile erstellt werden, ist die Anonymisierung der Rohdaten natürlich gewährleistet. Der Fokus liegt auf der reinen Konvertierung von Zeichenketten in Audiodateien ohne zusätzliche Metadatenerfassung.
Training
Im Gegensatz zu vielen anderen Anbietern nutzen wir Ihre generierten Audio-Dateien nicht für das Training unserer neuronalen Netze. Die 8 verfügbaren Stimmen basieren auf vorab lizenzierten Aufnahmen (LibriTTS-R, LibriVox) und entwickeln sich unabhängig von Ihren individuellen Nutzungsmustern weiter.
Speicherung
Die generierte Audio-Ausgabe wird nach der Übertragung an den Client nicht auf unseren Servern gespeichert. Lediglich die für die Abrechnung notwendigen Metadaten – wie Zeitpunkt, Zeichenanzahl und Status der Anfrage – werden für die korrekte Abbuchung Ihres Kontostands aufbewahrt.
Vergleich
Ein Vergleich mit lokalen Lösungen oder anderen Cloud-Anbietern zeigt klare Unterschiede in Infrastruktur und Kostenstruktur. Während lokale Modelle hohe Hardwarekosten verursachen, bleibt unsere Cloud-Lösung skalierbar und erfordert keine eigene Wartung.
Die Qualität ist durch die vorgegebenen Stimmen konsistent. Dies bietet eine zuverlässige Basis für Language-Learning-Tools ohne variable Ergebnisse.
Cloud vs. Lokale
Lokale TTS-Modelle erfordern eigene Hardware und Laufzeitumgebungen. Unsere Cloud-API übernimmt die Infrastruktur komplett. Entwickler müssen keine Server verwalten oder Updates manuell einspielen, was die Einstiegshürde senkt.
- Keine eigene Hardware erforderlich
- Automatische Skalierung
- Keine Wartung der Infrastruktur
Kosten
Im Gegensatz zu vielen Anbietern mit monatlichen Abos zahlen Sie nur für genutzte Zeichen. Der Preis liegt bei 10 $ pro 1 Million Zeichen. Fehlerhafte Anfragen werden nicht berechnet. Dies macht die API besonders kosteneffizient für variable Nutzungsmengen.
- 10 $ pro 1 Mio. Zeichen
- Keine monatlichen Fixkosten
- Zahlung nur bei Erfolg
Qualität
Die synthetische Stimme enthält einen unsichtbaren Wasserzeichen-Code. Die Qualität ist konsistent über alle 8 Stimmen hinweg. Im Vergleich zu benutzerdefinierten Klone fehlt die individuelle Anpassung.
- Konsistente Audioqualität
- Unsichtbares Wasserzeichen
- Keine individuelle Anpassung
Zukunft
Die API-Entwicklung konzentriert sich auf Stabilität und Präzision der Synthese. Wir optimieren kontinuierlich die Engine, um die Wartezeiten in der Warteschlange zu minimieren und die Verarbeitungsgeschwindigkeit bei hohen Lasten zu verbessern.
Updates
Updates werden regelmäßig bereitgestellt, um Fehler zu beheben und die Leistung zu stabilisieren. Änderungen an den Modellen oder Stimmen werden priorisiert, um die Qualität der Audioausgabe ohne Unterbrechung der bestehenden Integration zu sichern.
Roadmap
Es gibt keine öffentliche Roadmap oder festgelegten Release-Kalender. Neue Funktionen wie zusätzliche Sprachen oder Format-Optionen werden eingeführt, sobald sie technisch ausgereift und stabil sind. Kunden erhalten Updates automatisch über die API.
Entwicklung
Die technische Weiterentwicklung zielt auf Effizienz und Genauigkeit ab. Wir testen neue Modelle unter realen Bedingungen, um sicherzustellen, dass die Synthese auch bei komplexen Texten zuverlässig funktioniert. Die Architektur bleibt einfach und für Entwickler leicht integrierbar.
Hören Sie sich die 8 Stimmen an
Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Deutsch oder Spanisch) muss der ISO-Code explizit gesetzt werden.
23 Sprachen
Jede Stimme kann jede dieser Sprachen sprechen.
