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:
- Akzent
- Emotionale Bandbreite
- Intonation
- Stilimitationen
- Sprechgeschwindigkeit
- Tonlage
- 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
- gemini-2.5-flash-preview-tts — Schnelles TTS-Modell von Gemini, unterstützt Einzel- und Mehrsprecher-Audio
- gemini-2.5-pro-preview-tts — Professionelles TTS-Modell von Gemini, unterstützt Einzel- und Mehrsprecher-Audio
- Für schnellste Reaktionszeit
wavoderpcmals Antwortformat verwenden - Für hochwertiges Audio
tts-1-hdnutzen - Für höhere Generierungsgeschwindigkeit
tts-1verwenden - Für intelligente Sprachanwendungen
gpt-4o-mini-ttsempfohlen - 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 Parameterinput 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 Parameterresponse_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
wavundpcm - Gemini-TTS-Modelle unterstützen den Parameter
speednicht (Steuerung per Prompt) - Kontextfenster-Limit: 32k Token (Gemini-Modelle)
Häufig gestellte Fragen
F: Wie wähle ich das richtige Modell?
- Schnelle Generierung →
tts-1odergemini-2.5-flash-preview-tts - Hochwertiges Audio →
tts-1-hd - Intelligente Stimmsteuerung →
gpt-4o-mini-ttsoder 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 Sieinput als Dialog und legen Sie in instructions den Stil für jeden Sprecher fest: