Zum Hauptinhalt springen

Einführung

Die Text-to-Speech (TTS)-API basiert auf modernen generativen KI-Modellen und kann eingegebenen Text in realistische Sprachausgaben umwandeln. Sie unterstützt verschiedene Anwendungsfälle:
  • Vorlesen geschriebener Blogartikel
  • Erzeugen von Sprachaudios in mehreren Sprachen
  • Bereitstellen von Echtzeit-Audio-Ausgabestreams

Verfügbare Modelle

OpenAI-Modelle

  • gpt-4o-audio-preview — OpenAIs neuestes Audio-Generierungsmodell, unterstützt konversationelle Audioausgabe
  • gpt-4o-mini-tts — Das bevorzugte Modell für intelligente Echtzeit-Anwendungen mit erweiterter Stimmsteuerung; verschiedene Stimmcharakteristika lassen sich per Prompt steuern:
    1. Akzent
    2. Emotionale Bandbreite
    3. Intonation
    4. Stilimitationen
    5. Sprechgeschwindigkeit
    6. Tonlage
    7. Flüstern
  • tts-1-hd — TTS-Modell der vorherigen Generation in HD-Qualität
  • tts-1 — Standard-TTS-Modell mit ausgewogenem Verhältnis von Qualität und Geschwindigkeit

Gemini-Modelle

Performance-Empfehlungen:
  1. Für schnellste Reaktionszeit wav oder pcm als Antwortformat verwenden
  2. Für hochwertiges Audio tts-1-hd nutzen
  3. Für höhere Generierungsgeschwindigkeit tts-1 verwenden
  4. Für intelligente Sprachanwendungen gpt-4o-mini-tts empfohlen
  5. Für Mehrsprecher-Dialogszenarien Gemini-TTS-Modelle empfohlen

API-Endpoint

Request-URL

Request-Header

Request-Parameter

Standard-TTS-Parameter

Folgende Standardparameter gelten für TTS-Modelle: tts-1, tts-1-hd, gpt-4o-mini-tts, gemini-2.5-flash-preview-tts und gemini-2.5-pro-preview-tts.

gpt-4o-audio-preview-Parameter

Stimmenliste

OpenAI-Stimmen

Unterstützt folgende Stimmen:
  • alloy – Neutral, ausgewogen
  • ash – Klar, professionell
  • ballad – Warm, narrativ
  • coral – Freundlich, zugänglich
  • echo – Klar, hell
  • fable – Ausdrucksstark, dramatisch
  • onyx – Tief, autoritativ
  • nova – Lebendig, energisch
  • sage – Reif, kompetent
  • shimmer – Sanft, beruhigend
  • verse – Klar, vielseitig
  • marin – Natürlich, freundlich
  • cedar – Stabil, zuverlässig

Gemini-Stimmen

Unterstützt folgende 30 Stimmen:

Stimmen-Mapping

Bei Verwendung von Gemini-Modellen mit OpenAI-Stimmnamen mappt das System automatisch auf die entsprechende Gemini-Stimme:

Anwendungsbeispiele

Standard-TTS-Modell (OpenAI)

Gemini-TTS-Modell (Einzelsprecher)

Gemini-TTS-Modell (Mehrsprecher, per Prompt gesteuert)

Python-Beispiel (OpenAI-SDK)

Python-Beispiel (Gemini-TTS)

Stimm-Stil steuern (Gemini-Modelle)

Gemini-TTS-Modelle unterstützen die Steuerung von Stimm-Stil, Tonlage, Akzent und Geschwindigkeit über natürlichsprachliche Prompts. Anweisungen können im Parameter input oder instructions übergeben werden.

Einzelsprecher-Stil-Steuerung

Mehrsprecher-Stil-Steuerung

Empfehlungen zur Prompt-Struktur

Für beste Ergebnisse können Sie folgendes strukturiertes Prompt-Format verwenden:

Unterstützte Sprachen

Die TTS-Modelle erkennen die Eingabesprache automatisch. Folgende 24 Sprachen werden unterstützt:

Antwortformate

Audioformate

Hinweis: Das Gemini-Modell gibt nativ PCM-Format (24 kHz, mono, 16 Bit) zurück; das System konvertiert es automatisch in WAV. Für andere Formate werden OpenAI-Modelle empfohlen.

Response Body

Im Erfolgsfall wird ein Audiostream (Binärdaten) zurückgegeben, und der Content-Type entspricht dem Parameter response_format. Im Fehlerfall wird eine JSON-Fehlermeldung zurückgegeben:

Abrechnungsinformationen

Die TTS-API wird nach Zeichenanzahl abgerechnet:
  • Anzahl der Zeichen des Eingabetexts ist die Abrechnungseinheit
  • Verschiedene Modelle haben unterschiedliche Preisfaktoren
  • Maximale Eingabelänge: 4096 Zeichen

Einschränkungen

  • Maximale Eingabelänge: 4096 Zeichen
  • Gemini-TTS-Modelle unterstützen nur die Ausgabeformate wav und pcm
  • Gemini-TTS-Modelle unterstützen den Parameter speed nicht (Steuerung per Prompt)
  • Kontextfenster-Limit: 32k Token (Gemini-Modelle)

Häufig gestellte Fragen

F: Wie wähle ich das richtige Modell?

  • Schnelle Generierung → tts-1 oder gemini-2.5-flash-preview-tts
  • Hochwertiges Audio → tts-1-hd
  • Intelligente Stimmsteuerung → gpt-4o-mini-tts oder Gemini-TTS-Modelle
  • Mehrsprecher-Dialoge → Gemini-TTS-Modelle

F: Was sind die Unterschiede zwischen Gemini-TTS und OpenAI-TTS?

  • Gemini-TTS: Unterstützt Stimm-Stil-Steuerung über natürlichsprachliche Prompts und mehrere Sprecher, jedoch nur WAV/PCM-Formate
  • OpenAI-TTS: Unterstützt mehrere Audioformate mit festen Stimmen und parametrisierbarer Geschwindigkeit

F: Wie implementiere ich Mehrsprecher-Dialoge?

Verwenden Sie ein Gemini-TTS-Modell, formatieren Sie input als Dialog und legen Sie in instructions den Stil für jeden Sprecher fest:

F: Wird Streaming-Ausgabe unterstützt?

Aktuell liefert die TTS-API vollständige Audiodateien und unterstützt kein Streaming.

Zuletzt aktualisiert: 2026-06-01