Wie nutze ich die TTS-API für YouTube-Videos effektiv?

Von KlangFaden Redaktion · Aktualisiert 2026-11-18

Diese Seite erklärt dir Schritt für Schritt, wie du die KlangFaden-API für deine YouTube-Videos und Agentur-Projekte nutzt. Du lernst, wie Texteffizient in professionelle Audio-Dateien umgewandelt wird, welche der acht verfügbaren Stimmen für welchen Inhalt passt und wie du lange Skripte technisch korrekt aufteilt. Wir klären alles von der API-Struktur über die Sprachauswahl bis hin zur Abrechnung mit USDT (TRC-20).

Ideal für Creator und Agenturen, die große Textmengen ohne Qualitätsverlust verarbeiten müssen. Wir zeigen dir konkrete Workflows: von der Zeichenzählung über die Integration mit dem OpenAI SDK bis zur Post-Produktion. Ohne Hype, sondern mit klaren technischen Details zu Latenz, Formaten und rechtlichen Aspekten wie Lizenzen und Watermarks – damit du sofort loslegen kannst.

Wie nutze ich die TTS-API für YouTube-Videos effektiv?

Häufig gestellte Fragen

Wie funktioniert die API?

Sende Text per POST an /v1/audio/speech und erhalte eine Audiodatei. Die API nutzt das gleiche Request-Format wie OpenAI, sodass bestehende SDKs mit angepasster base_url funktionieren. Du sendest JSON mit Modell, Text, Stimme und Format. Das Ergebnis ist eine sofort nutzbare Audio-Datei für deine Videos.

Welche Stimmen gibt es?

Wir bieten acht vordefinierte Stimmen: Aria, Nova, Luna und Sage (weiblich) sowie Felix, Milo, Atlas und Orion (männlich). Jede Stimme hat einen eigenen Klangcharakter, von warm bis tief. Du kannst jede Stimme für jeden Text verwenden, ohne dass du eigene Stimmen klonen musst. Die Auswahl erfolgt einfach über den Voice-Parameter.

Welche Sprachen werden unterstützt?

Die API unterstützt 23 Sprachen, darunter Deutsch, Englisch, Spanisch, Französisch, Arabisch, Chinesisch, Japanisch und Hindi. Du kannst jede Stimme für jede dieser Sprachen nutzen. Sprachen wie Vietnamesisch oder Thailändisch werden aktuell noch nicht unterstützt. Die Liste ist fest definiert und umfasst keine weiteren Dialekte oder Varianten.

Wie hoch ist der Preis?

Der Preis beträgt 10 US-Dollar pro eine Million Zeichen. Das entspricht 0,01 US-Dollar pro 1.000 Zeichen. Leerzeichen und Interpunktion zählen als Zeichen. Gescheiterte Anfragen werden kostenlos berechnet (die Gebühr wird vollständig erstattet). Es gibt keine monatlichen Pläne oder versteckten Gebühren, du zahlst nur für das tatsächlich verbrauchte Volumen.

Welche Audioformate gibt es?

Du kannst zwischen MP3, WAV, OPUS, FLAC und PCM wählen. MP3 ist für die meisten Web- und Videoanwendungen geeignet. WAV bietet verlustfreie Qualität. OPUS und FLAC sind effiziente Komprimierungen. PCM bietet unkomprimierte Rohdaten. Das Format wird im Request-Body über das Feld response_format festgelegt.

Wie lange dauert die Generierung?

Lange Texte werden in Echtzeit generiert, etwa 25 Zeichen Text pro Sekunde Audio. Kurze Sätze benötigen einige Sekunden. Bei hoher Auslastung kann es zu Warteschlangen kommen, da Anfragen nacheinander verarbeitet werden. Die Geschwindigkeit ist also direkt vom Textumfang und der aktuellen Serverlast abhängig.

Sind die Audios urheberrechtsfrei?

Die Stimmen basieren auf lizenzierten Aufnahmen aus LibriTTS-R (CC BY 4.0) und LibriVox. Die generierten Audio-Dateien sind synthetisch und enthalten einen unsichtbaren Wasserzeichen. Du kannst die Audios für deine YouTube-Videos nutzen, ohne weitere Lizenzen erwerben zu müssen. Die Nutzungsrechte sind klar geregelt.

Kann ich die Geschwindigkeit ändern?

Ja, du kannst die Geschwindigkeit zwischen 0,25 und 4,0 festlegen. Dies ermöglicht es dir, die Sprechgeschwindigkeit an den Kontext deines Videos anzupassen. Schnelligkeit ist ein Parameter im Request. Ändere den Wert einfach, um schnellere oder langsamere Aussprache zu erzeugen, ohne den Text neu eingeben zu müssen.

Was ist ein ISO-Sprachcode?

Ein ISO-Sprachcode ist ein standardisierter Code, der eine Sprache eindeutig identifiziert, z. B. de für Deutsch oder en für Englisch. Du gibst diesen Code im Feld language an, um die Sprache explizit festzulegen. Dies ist besonders wichtig, wenn der Text nicht eindeutig aus dem Skript erkennbar ist.

Wie erkenne ich die Sprache?

Wenn du keinen Sprachcode angibst, wird die Sprache automatisch erraten. Text in lateinischer Schrift wird standardmäßig als Englisch interpretiert. Für andere Sprachen mit lateinischem Alphabet solltest du den language-Parameter setzen, um Fehler zu vermeiden. Die Erkennung basiert auf dem verwendeten Schriftbild und Kontext.

Gibt es Pausen?

Es gibt keine expliziten SSML-Tags für Pausen. Pausen entstehen natürlich durch Satzzeichen und Absätze im eingegebenen Text. Die API verarbeitet den Text sequenziell. Für längere Pausen kannst du einfach Leerzeichen oder Zeilenumbrüche im Text verwenden, die die Sprechpause beeinflussen. Es gibt keine detaillierten Steuerungsparameter.

Kann ich Emotionen hinzufügen?

Nein, es gibt keine Emotion-Tags oder -Parameter. Jede Stimme hat einen festen Klangcharakter, der sich nicht dynamisch ändern lässt. Du wählst die passende Stimme für die gewünschte Stimmung aus. Eine individuelle Anpassung der Emotionen während der Generierung ist nicht möglich. Die Auswahl der Stimme ist entscheidend.

Sind die Stimmen echt?

Die Stimmen basieren auf lizenzierten Aufnahmen aus LibriTTS-R und sind synthetisch. Sie sind nicht von echten Menschen nachgeahmt, sondern basieren auf lizenzierten Aufnahmen (LibriTTS-R). Jede Audio-Datei enthält ein unsichtbares Wasserzeichen, das sie als synthetisch kennzeichnet. Es handelt sich um vordefinierte Presets, die auf realen Sprachdaten trainiert wurden.

Wie wird die Qualität garantiert?

Es gibt keine SLA oder Uptime-Garantie. Die Qualität ist konsistent, da fest definierte Modelle verwendet werden. Bei Auslastung kann es zu Verzögerungen kommen. Die Ausgabe ist immer eine vollständige Audiodatei. Fehlerhafte Anfragen werden kostenlos zurückgesetzt (die Gebühr wird vollständig erstattet). Die Qualität hängt von der gewählten Stimme und dem Text ab.

Grundlagen der API

Schallwellenillustration für: Grundlagen der API

Die TTS-API wandelt Text in Audio um, indem Sie eine JSON-Anfrage an den Endpunkt senden. Das System verarbeitet den Input und liefert eine Audiodatei zurück. Dieser Prozess ist ideal für YouTube-Ersteller, die große Textmengen effizient in Audio-Inhalte umwandeln müssen.

Wir bieten zwei Modelle an: tts-1 und tts-1-hd, beide mit derselben Engine und Preisgestaltung. Die Anfrage-Struktur entspricht der OpenAI-Schnittstelle, sodass Sie bestehende SDKs nutzen können. Die Endpunkte /v1/audio/speech für die Generierung und /v1/voices zur Übersicht der verfügbaren Stimmen, Sprachen, Formate und Preise sind zentral für Ihre Workflows.

Wie Text in Audio umgewandelt wird

Sie senden Text über einen POST-Request an https://api.play9999k.com/v1/audio/speech. Das System konvertiert den Text in eine Audiodatei, die Sie direkt verwenden können. Dieser Mechanismus ist speziell darauf ausgelegt, große Volumina für Video-Produktionen zu bewältigen.

Die Verarbeitung erfolgt serverseitig in der Cloud. Sie müssen keine lokale Hardware für die Synthese nutzen, was die Integration in Agentur-Workflows erleichtert. Der Fokus liegt auf der zuverlässigen Umwandlung Ihrer Skripte in hörbare Inhalte.

  • JSON-Body für die Anfrage erforderlich
  • Empfangen einer Audiodatei als Antwort
  • Cloud-basierte Verarbeitung ohne lokale Hardware

Die Modelle tts-1 und tts-1-hd

Wir stellen zwei Modell-Optionen bereit: tts-1 und tts-1-hd. Beide nutzen die gleiche Engine und haben denselben Preis. Die Wahl des Modells liegt bei Ihnen, da die technische Basis identisch ist. Für die meisten YouTube-Projekte reicht die Standard-Leistung völlig aus.

Es gibt keinen Preisunterschied zwischen den beiden Optionen. Sie können daher jederzeit zwischen den Modellen wechseln, ohne Ihre Kostenstruktur neu berechnen zu müssen. Die Einfachheit dieser Entscheidung beschleunigt Ihren Produktionsprozess.

Anfrage-Struktur und Endpunkte

Der Hauptendpunkt ist POST https://api.play9999k.com/v1/audio/speech. Die Anfrage-Struktur ist identisch mit der OpenAI-Schnittstelle. Dies ermöglicht die Nutzung offizieller OpenAI-SDKs durch Anpassung der base_url. Andere Endpunkte wie GET /v1/voices liefern Informationen zu verfügbaren Stimmen und Sprachen.

Die Authentifizierung erfolgt über einen Bearer-Token. Sie benötigen einen aktiven Schlüssel pro Konto, den Sie auf /get-api-key/ verwalten können. Die klare Struktur der Endpunkte erleichtert die Automatisierung und die Integration in bestehende Tools.

Stimmen und Sprachen

Schallwellenillustration für: Stimmen und Sprachen

Unsere TTS-API bietet acht vordefinierte Stimmen, die auf lizenzierten Aufnahmen basieren. Diese Stimmen decken ein breites Spektrum an Stilen ab, von warmen Erzählstimmen bis hin zu energischen Verkaufssprachen, ideal für unterschiedliche YouTube-Formate.

Die 8 verfügbaren Stimmen

Wählen Sie aus vier weiblichen und vier männlichen Stimmen. Aria eignet sich gut für klare Narrationen, während Nova sich durch einen hellen, engagierten Ton auszeichnet. Für dokumentarische Inhalte ist Orion mit seiner tiefen Stimme eine gute Wahl, und Atlas liefert eine neutrale, nachrichtenartige Stimme.

  • Aria: Warme, klare Erzählerin
  • Nova: Heller, fröhlicher Stil
  • Luna: Sanfte Geschichtenerzählerin
  • Sage: Ruhig, anweisend
  • Felix: Energetisch, Werbesprache
  • Milo: Freundlich, gesprächig
  • Atlas: Neutral, Nachrichtenstil
  • Orion: Tief, dokumentarisch

Unterstützte Sprachen und ISO-Codes

Die API unterstützt 23 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch, Arabisch, Chinesisch und Japanisch. Jede Stimme kann jede dieser Sprachen flüssig sprechen. Für optimale Ergebnisse empfiehlt sich die Angabe des ISO-Code im Anfrage-Header, insbesondere bei lateinischer Schrift, die nicht Englisch ist.

Automatische Spracherkennung

Wird kein Sprachcode angegeben, versucht die API, die Sprache am Skript zu erkennen. Lateinische Texte werden standardmäßig als Englisch interpretiert. Für nicht-englische Texte in lateinischer Schrift sollten Sie den Parameter language manuell setzen, um falsche Zuordnungen zu vermeiden.

Technische Details

Schallwellenillustration für: Technische Details

Jeder API-Aufruf akzeptiert maximal 4096 Zeichen. Das Skript muss bei längeren Texten manuell geteilt werden, da die Zeichenbegrenzung pro Request bei 4096 Zeichen liegt. Dies vereinfacht die Integration in bestehende Workflows erheblich.

Maximale Zeichenlänge pro Request

Die API verarbeitet Texte bis zu einer Grenze von 4096 Zeichen pro einzelner Anfrage. Zeichen, Leerzeichen und Interpunktion werden gezählt. Für längere Skripte ist eine Aufteilung in kleinere Blöcke erforderlich, die im Anschluss zusammengeführt werden.

Handhabung langer Skripte

Bei längeren Videos müssen Skripte in Segmente unterteilt werden. Die Audio-Enden der einzelnen Requests werden nahtlos aneinandergereiht. Dies ermöglicht die Erstellung stundenlanger Inhalte ohne technische Begrenzung der Gesamtlänge durch einen einzelnen API-Aufruf.

Latenz und Verarbeitungszeit

Die Generierung dauert bei langen Texten etwa so lange wie die Wiedergabe selbst (ca. 25 Zeichen pro Sekunde). Kurze Phrasen benötigen einige Sekunden. Bei hoher Auslastung können Anfragen in einer Warteschlange liegen.

Formate und Qualität

Schallwellenillustration für: Formate und Qualität

Die API unterstützt MP3, WAV, OPUS, FLAC und PCM, was eine flexible Integration in verschiedene Bearbeitungsumgebungen ermöglicht. MP3 ist für die meisten YouTube-Uploads ausreichend, während WAV für unverlustbehaftete Zwischenstufen nützlich ist.

Das Geschwindigkeitsverhältnis lässt sich flexibel zwischen 0,25 und 4,0 anpassen, sodass du Tempo und Rhythmus deiner Voiceover präzise an den Videotakt anpassen kannst.

Audioformate: MP3, WAV, OPUS

Wähle MP3 für kleine Dateigrößen oder WAV/FLAC für maximale Qualität. OPUS bietet ein gutes Gleichgewicht zwischen Kompression und Qualität.

Geschwindigkeitsanpassung

Pass die Sprechgeschwindigkeit mit dem speed-Parameter an. Ein Wert von 1,0 entspricht der normalen Geschwindigkeit.

Invisible Watermark

Jede generierte Audiodatei enthält einen unsichtbaren Wasserzeichen, das den synthetischen Ursprung kennzeichnet. Dies hilft bei der Transparenz gegenüber deiner Zuschauer.

Kosten und Abrechnung

Schallwellenillustration für: Kosten und Abrechnung

Das API berechnet 10 USD pro Million Zeichen, was 0,01 USD pro 1.000 Zeichen entspricht. Leerzeichen und Satzzeichen zählen dabei als Zeichen. Die Abrechnung erfolgt nutzungsbasiert ohne monatliche Grundgebühren oder Mindestumsätze.

Preis pro Zeichen

Jeder gesendete Text wird nach Zeichen gezählt. Da 4.096 Zeichen pro Request die Grenze sind, werden längere Skripte automatisch aufgeteilt. Die Kosten summieren sich aus allen erfolgreichen Synthesen.

  • 1.000 Zeichen = 0,01 USD
  • Keine monatlichen Fixkosten
  • Leerzeichen und Interpunktion werden mitgezählt

Top-up mit USDT

Zahlungen erfolgen ausschließlich über USDT im TRC-20 Netzwerk (TRON). Ein Minimum von 5 USD wird benötigt. Die Gutschrift erfolgt automatisch innerhalb weniger Minuten nach Bestätigung der Transaktion auf der Blockchain.

  • Zahlungsmethode: USDT (TRC-20)
  • Mindestbetrag: 5 USD
  • Automatische Gutschrift nach Bestätigung

Kostenlose Requests

Schlägt die Synthese aufgrund eines technischen Fehlers fehl, werden die Zeichen nicht berechnet. Der Betrag wird vollständig erstattet. Dies betrifft nur echte Fehler, nicht jedoch erfolgreiche Generierungen.

Rechtliches

Schallwellenillustration für: Rechtliches

Die Stimmen basieren auf lizenzierten Aufnahmen aus LibriTTS-R (CC BY 4.0) und öffentlichen Hörbüchern von LibriVox. Diese Grundlage erlaubt die kommerzielle Nutzung der generierten Audioinhalte für YouTube-Produktionen ohne zusätzliche Lizenzgebühren pro Video.

Lizenzen der Aufnahmen

Die zugrunde liegenden Aufnahmen unterliegen der CC BY 4.0-Lizenz. Dies gewährleistet eine saubere Rechtsgrundlage für die Synthese, ohne dass komplexe Verträge für jede einzelne Ausgabe erstellt werden müssen.

Nutzung für YouTube

Die generierten Dateien sind frei nutzbar für YouTube-Videos. Es gibt keine Einschränkungen durch Content-ID-Systeme, da es sich um synthetisch erzeugte Dateien handelt, die ein unsichtbares Wasserzeichen tragen.

Kennzeichnung als synthetisch

Jede generierte Audiodatei enthält einen unsichtbaren Wasserzeichen-Code, der sie als KI-generierte Stimme ausweist. Dies erfüllt zunehmend die Anforderungen von YouTube und anderen Plattformen zur Transparenz bei KI-Inhalten.

Rechtliches

Integration

Schallwellenillustration für: Integration

Unsere API ist vollständig mit der offiziellen OpenAI SDK kompatibel. Ändern Sie einfach die base_url auf https://api.play9999k.com/v1 und verwenden Sie Ihren API-Schlüssel. So nutzen Sie bestehende Entwickler-Workflows ohne zusätzliche Bibliotheken.

OpenAI SDK Kompatibilität

Durch die Anpassung der Basis-URL arbeiten Sie mit derselben Anfragestruktur wie bei der OpenAI-Sprach-API. Dies ermöglicht eine nahtlose Integration in vorhandene Python- oder Node.js-Skripte für YouTube-Produktionen.

cURL-Beispiel

Ein einfacher POST-Request an /v1/audio/speech mit JSON-Body reicht aus. Übergeben Sie Modell, Text, Stimme und Format direkt im Request-Körper.

  • Ersetzen Sie tts-... durch Ihren Schlüssel.
  • Passen Sie input und voice an.

Automatisierung

Integrieren Sie die API in Ihre CI/CD-Pipeline oder Skripte, um Audio-Dateien automatisch zu generieren. Skriptieren Sie die Textaufteilung und das Zusammenführen der Dateien für lange Videos.

Häufige Fragen

Schallwellenillustration für: Häufige Fragen

Für YouTube-Produktionen ist oft wichtig zu wissen, welche technischen Grenzen und Möglichkeiten die API bietet. Hier finden Sie Antworten auf die häufigsten Fragen zu Streaming, Formatunterstützung und Stimme.

Diese Informationen helfen Ihnen, Ihre Workflows effizient zu gestalten und unerwartete Überraschungen bei der Integration zu vermeiden.

Streaming verfügbar?

Nein, wir bieten kein Streaming über WebSocket oder Echtzeit-Teilstücke. Sie senden einen vollständigen Text (bis zu 4096 Zeichen) und erhalten im Antwort-Body eine Audiodatei. Für lange Skripte müssen Sie die API mehrfach aufrufen und die Dateien selbst verknüpfen.

SSML Support?

SSML wird nicht unterstützt. Sie können keine detaillierten Ausspracheanweisungen oder Pausen via Markup steuern. Die Stimme interpretiert den Text basierend auf dem Sprachkontext. Für präzise Kontrolle empfehlen wir, die Texte kurz und klar zu halten oder die Geschwindigkeit über den Parameter speed anzupassen.

Voice Cloning?

Ein Custom Voice Cloning, bei dem Sie Ihre eigene Stimme hochladen, ist nicht verfügbar. Wir nutzen acht festgelegte Presets, die auf lizenzierten Aufnahmen basieren. Sie können zwischen den 8 verfügbaren Stimmen wählen, aber keine neuen Stimmen für spezifische Kunden erstellen.

Vorbereitung des Skripts

Schallwellenillustration für: Vorbereitung des Skripts

Effiziente YouTube-Produktion beginnt mit der Vorbereitung des Textes. Da jedes Zeichen – auch Leerzeichen und Satzzeichen – berechnet wird, hilft präzises Skripting, Kosten und Request-Limits im Griff zu behalten. Ein klarer Aufbau spart Zeit bei der Batch-Verarbeitung.

Zeichenzählung und Grenzen

Jeder Request ist auf 4096 Zeichen begrenzt. Längere Skripte müssen automatisch in Teile zerlegt und später zu einer Audiodatei zusammengefügt werden. Dies sorgt für konsistente Qualität, ohne dass die API an Stabilität verliert.

  • Maximale Länge pro Request: 4096 Zeichen
  • Leerzeichen und Interpunktion zählen voll
  • Automatische Aufteilung für lange Videos

Sprachauswahl für lateinische Schrift

Ohne Angabe wird bei lateinischem Text Englisch vorausgesetzt. Für andere Sprachen wie Deutsch oder Französisch muss das ISO-Code-Parameter gesetzt werden, damit die Stimme die Aussprache korrekt erkennt. So vermeiden Sie Fehlinterpretationen.

  • Standard: Englisch bei lateinischer Schrift
  • Explizite Spracheinstellung empfohlen
  • Vermeidung falscher Aussprache

Optimierung für YouTube

Strukturieren Sie Texte in kurze Absätze für natürliche Pausen. Die Geschwindigkeit kann zwischen 0,25 und 4,0 angepasst werden, um den Rhythmus an den Content anzupassen. So bleibt die Aufmerksamkeit Ihrer Zuschauer erhalten.

  • Kurze Absätze für bessere Pausen
  • Geschwindigkeitsanpassung für Rhythmus
  • Optimierung für Watch-Time

Workflow-Integration

Schallwellenillustration für: Workflow-Integration

Die API integriert sich nahtlos in bestehende Produktionsketten, da sie standardkonform mit dem OpenAI SDK arbeitet. Entwickler können die Basis-URL einfach auf https://api.play9999k.com/v1 anpassen, um Skripte zur automatischen Generierung zu erstellen.

Automatisierte Generierung

Skripte können Texte direkt an die API senden und die Audiodateien zurück erhalten. Dies ermöglicht eine nahtlose Integration in CMS-Plattformen oder Video-Tools, ohne manuelle Zwischenschritte.

Batch-Verarbeitung

Für lange Skripte müssen Texte in Blöcke von maximal 4.096 Zeichen aufgeteilt werden. Die API verarbeitet Anfragen sequenziell, daher kann es bei hoher Last zu Warteschlangen kommen. Das Zusammenführen der Audio-Teile erfolgt nach der Generierung.

Skripte und Tools

Das offizielle OpenAI SDK oder einfache HTTP-Requests reichen aus. Ein fertiges cURL-Beispiel ist auf der /get-api-key/ Seite verfügbar. So lassen sich Prozesse schnell in Python oder Node.js automatisieren.

Post-Produktion

Schallwellenillustration für: Post-Produktion

Die synthetische Stimme ist direkt nutzbar, doch kurze Pausen oder Hintergrundgeräusche können die Klarheit im Video erhöhen. Da das API keine SSML-Steuerung für Pausen bietet, empfiehlt sich die Nachbearbeitung in Ihrer Standard-Software, um Atmung oder Betonung fein anzupassen.

Für YouTube-Podcasts oder Erklärvideos passt du die Lautstärke an und fügst ggf. leise Musik unter, damit die Stimme nicht zu trocken wirkt. Das Audio wird als einzelne Datei geliefert; Schnitte oder Looping müssen extern erfolgen.

Audio-Bearbeitung

Nutze deine bevorzugte DAW oder Schnittsoftware, um die Audio-Datei zu trimmen. Da keine externen Tonspuren integriert sind, kannst du frei eigene Effekte hinzufügen. Die Qualität reicht für direkte Nutzung, aber leichte Kompression verbessert oft die Verständlichkeit in lauten Umgebungen.

Optional fügst du Hintergrundmusik hinzu, die nicht mit der Stimme konkurriert. Da das Format je nach Wahl (MP3, WAV, OPUS) variiert, achte auf die Kompatibilität deines Editors.

  • Schnitt und Trimmen der Audio-Datei
  • Hinzufügen von Hintergrundmusik oder SFX
  • Anpassen der Lautstärke für YouTube-Normen

Einbindung in Videos

Synchronisiere das Audio mit den visuellen Elementen im Editor. Da die Generierung in Echtzeit fast erfolgt, ist die Synchronisation meist einfach, aber lange Texte können Warteschlangen verursachen, plane also Puffer ein.

Binde das Audio als separate Spur ein, damit du es später bei Änderungen des Skripts einfach austauschen kannst, ohne das gesamte Video neu rendern zu müssen.

  • Sync mit visuellen Clips
  • Separate Spur für einfache Updates

Qualitätskontrolle

Höre dir die Ausgabe vor dem Upload auf Fehler an. Prüfe die Aussprache von Eigennamen oder Fachbegrichen, die das API möglicherweise nicht perfekt erkennt, da es keine Lexika gibt.

Achte auf die Invarianz des Watermarks; es ist unsichtbar und stört die Wiedergabe nicht, markiert aber den Inhalt als KI-generiert, was für Transparenz auf YouTube ratsam ist.

  • Prüfung der Aussprache
  • Transparenz durch Watermark
  • Lautstärkencheck

Hören Sie sich die 8 Stimmen an

Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Luna eignet sich sanft für Storytelling-Formate, während Sage mit ihrer ruhigen, instruktiven Art perfekt für E-Learning oder Tutorials ist.

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. Creative Commons Attribution 4.0
  3. OpenAI API reference: create speech
  4. Python documentation
  5. LibriVox public-domain audiobooks
  6. curl documentation
  7. LibriTTS-R corpus (OpenSLR 141)
  8. TRON developer hub: TRC-20
  9. W3C WAI: making audio and video accessible
  10. LibriTTS-R paper (arXiv 2305.18802)
  11. MDN: Web Speech API
  12. openai-python on GitHub

Mehr auf dieser Website