> ## Documentation Index > Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt > Use this file to discover all available pages before exploring further. # TTS > Wandeln Sie Text mit KI-Modellen in natürliche Sprache um – mit verschiedenen Sprechstilen und Ausgabeformaten. ## 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](https://aihubmix.com/model/gpt-4o-audio-preview) — OpenAIs neuestes Audio-Generierungsmodell, unterstützt konversationelle Audioausgabe * [**gpt-4o-mini-tts**](https://aihubmix.com/model/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**](https://aihubmix.com/model/tts-1-hd) — TTS-Modell der vorherigen Generation in HD-Qualität * [**tts-1**](https://aihubmix.com/model/tts-1) — Standard-TTS-Modell mit ausgewogenem Verhältnis von Qualität und Geschwindigkeit ### Gemini-Modelle * [**gemini-2.5-flash-preview-tts**](https://aihubmix.com/model/gemini-2.5-flash-preview-tts) — Schnelles TTS-Modell von Gemini, unterstützt Einzel- und Mehrsprecher-Audio * [**gemini-2.5-pro-preview-tts**](https://aihubmix.com/model/gemini-2.5-pro-preview-tts) — Professionelles TTS-Modell von Gemini, unterstützt Einzel- und Mehrsprecher-Audio **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 ```shellscript theme={null} POST https://aihubmix.com/v1/audio/speech ``` ### Request-Header ```shellscript theme={null} Authorization: Bearer $AIHUBMIX_API_KEY Content-Type: application/json ``` ### 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. | Parameter | Typ | Pflicht | Beschreibung | | :--------------- | :----- | :------ | :-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | model | string | Ja | Zu verwendende Modell-ID. Mögliche Werte: `tts-1`, `tts-1-hd`, `gpt-4o-mini-tts`, `gemini-2.5-flash-preview-tts`, `gemini-2.5-pro-preview-tts` | | input | string | Ja | Zu vertonender Text, maximale Länge 4096 Zeichen | | voice | string | Ja | Verwendete Stimme. Siehe Stimmenliste unten. | | response\_format | string | Nein | Audio-Ausgabeformat. Unterstützt: `mp3`, `opus`, `aac`, `flac`, `wav`, `pcm`, Standard `mp3`. `Hinweis: Gemini-Modelle unterstützen nur wav und pcm.` | | speed | number | Nein | Wiedergabegeschwindigkeit, Bereich 0,25 bis 4,0, Standard 1,0. Hinweis: `gpt-4o-mini-tts` und `Gemini`-Modelle unterstützen diesen Parameter nicht; die Geschwindigkeit kann über natürlichsprachliche Beschreibungen gesteuert werden. | | instructions | string | Nein | Anweisungen zur Stimm-Erzeugung – kann Stimm-Stil, Intonation und emotionale Eigenschaften detailliert angeben; nur für `gpt-4o-mini-tts` und `Gemini`-Modelle. | #### gpt-4o-audio-preview-Parameter | Parameter | Typ | Pflicht | Beschreibung | | :--------- | :----- | :------ | :----------------------------------------------------------------- | | model | string | Ja | Auf `gpt-4o-audio-preview` setzen | | modalities | array | Ja | Auf `["text", "audio"]` setzen, um die Audio-Ausgabe zu aktivieren | | audio | object | Ja | Audio-Konfigurationsobjekt mit Feldern `voice` und `format` | | messages | array | Ja | Array von Chat-Nachrichten, ähnlich dem Standard-Chat-Format | ## 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: | Stimmenname | Stil | Stimmenname | Stil | Stimmenname | Stil | | :------------ | :------------ | :---------------- | :------------ | :--------------- | :------------ | | **Zephyr** | *Hell* | **Puck** | *Schwungvoll* | **Charon** | *Informativ* | | **Kore** | *Bestimmt* | **Fenrir** | *Aufgeregt* | **Leda** | *Jugendlich* | | **Orus** | *Bestimmt* | **Aoede** | *Luftig* | **Callirrhoe** | *Locker* | | **Autonoe** | *Hell* | **Enceladus** | *Hauchig* | **Iapetus** | *Klar* | | **Umbriel** | *Locker* | **Algieba** | *Geschmeidig* | **Despina** | *Geschmeidig* | | **Erinome** | *Klar* | **Algenib** | *Rauchig* | **Rasalgethi** | *Informativ* | | **Laomedeia** | *Schwungvoll* | **Achernar** | *Sanft* | **Alnilam** | *Bestimmt* | | **Schedar** | *Gleichmäßig* | **Gacrux** | *Gereift* | **Pulcherrima** | *Vorwärts* | | **Achird** | *Freundlich* | **Zubenelgenubi** | *Lässig* | **Vindemiatrix** | *Sanft* | | **Sadachbia** | *Lebendig* | **Sadaltager** | *Kompetent* | **Sulafat** | *Warm* | ### Stimmen-Mapping Bei Verwendung von Gemini-Modellen mit OpenAI-Stimmnamen mappt das System automatisch auf die entsprechende Gemini-Stimme: | OpenAI-Stimme | Gemini-Stimme | OpenAI-Stimme | Gemini-Stimme | | :------------ | :------------ | :------------ | :------------ | | alloy | Kore | ash | Fenrir | | ballad | Aoede | coral | Leda | | echo | Puck | fable | Zephyr | | onyx | Charon | nova | Orus | | sage | Algieba | shimmer | Callirrhoe | | verse | Enceladus | marin | Despina | | cedar | Iapetus | | | ## Anwendungsbeispiele ### Standard-TTS-Modell (OpenAI) ```curl theme={null} curl https://aihubmix.com/v1/audio/speech \ -H "Authorization: Bearer $AIHUBMIX_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "tts-1", "input": "The quick brown fox jumped over the lazy dog.", "voice": "alloy" }' \ --output speech.mp3 ``` ### Gemini-TTS-Modell (Einzelsprecher) ```curl theme={null} curl https://aihubmix.com/v1/audio/speech \ -H "Authorization: Bearer $AIHUBMIX_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gemini-2.5-flash-preview-tts", "input": "Say cheerfully: Have a wonderful day!", "voice": "Kore", "response_format": "wav" }' \ --output speech.wav ``` ### Gemini-TTS-Modell (Mehrsprecher, per Prompt gesteuert) ```curl theme={null} curl https://aihubmix.com/v1/audio/speech \ -H "Authorization: Bearer $AIHUBMIX_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gemini-2.5-flash-preview-tts", "input": "TTS the following conversation between Joe and Jane:\nJoe: How'\''s it going today Jane?\nJane: Not too bad, how about you?", "voice": "Kore", "response_format": "wav", "instructions": "Joe should sound firm and professional, Jane should sound upbeat and friendly" }' \ --output conversation.wav ``` ### Python-Beispiel (OpenAI-SDK) ```python theme={null} from openai import OpenAI client = OpenAI( api_key="your-aihubmix-api-key", base_url="https://aihubmix.com/v1" ) response = client.audio.speech.create( model="tts-1", voice="alloy", input="The quick brown fox jumped over the lazy dog." ) response.stream_to_file("speech.mp3") ``` ### Python-Beispiel (Gemini-TTS) ```python theme={null} from openai import OpenAI client = OpenAI( api_key="your-aihubmix-api-key", base_url="https://aihubmix.com/v1" ) # Single Speaker response = client.audio.speech.create( model="gemini-2.5-flash-preview-tts", voice="Kore", input="Say cheerfully: Have a wonderful day!", extra_body={ "response_format": "wav" } ) response.stream_to_file("speech.wav") # Multi-Speaker Dialogue conversation_response = client.audio.speech.create( model="gemini-2.5-flash-preview-tts", voice="Kore", input="""TTS the following conversation between Joe and Jane: Joe: How's it going today Jane? Jane: Not too bad, how about you?""", extra_body={ "response_format": "wav", "instructions": "Joe should sound firm, Jane should sound upbeat" } ) conversation_response.stream_to_file("conversation.wav") ``` ## 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 ```json theme={null} { "model": "gemini-2.5-flash-preview-tts", "input": "Say in a spooky whisper: By the pricking of my thumbs... Something wicked this way comes", "voice": "Enceladus", "response_format": "wav" } ``` ### Mehrsprecher-Stil-Steuerung ```json theme={null} { "model": "gemini-2.5-flash-preview-tts", "input": "Speaker1: So... what's on the agenda today?\nSpeaker2: You're never going to guess!", "voice": "Kore", "response_format": "wav", "instructions": "Make Speaker1 sound tired and bored, and Speaker2 sound excited and happy" } ``` ### Empfehlungen zur Prompt-Struktur Für beste Ergebnisse können Sie folgendes strukturiertes Prompt-Format verwenden: ```json theme={null} { "model": "gemini-2.5-flash-preview-tts", "input": "Your transcript here", "voice": "Kore", "instructions": "# AUDIO PROFILE: Character Name\n## Role Description\n\n## THE SCENE: Scene Name\nDescribe the environment and mood\n\n### DIRECTOR'S NOTES\nStyle: Describe the style\nPacing: Describe the pacing\nAccent: Specify the accent" } ``` ## Unterstützte Sprachen Die TTS-Modelle erkennen die Eingabesprache automatisch. Folgende 24 Sprachen werden unterstützt: | Sprache | BCP-47-Code | Sprache | BCP-47-Code | | :--------------------------- | :------------ | :----------------------- | :---------- | | Arabisch (Ägypten) | ar-EG | Deutsch (Deutschland) | de-DE | | Englisch (US) | en-US | Spanisch (US) | es-US | | Französisch (Frankreich) | fr-FR | Hindi (Indien) | hi-IN | | Indonesisch (Indonesien) | id-ID | Italienisch (Italien) | it-IT | | Japanisch (Japan) | ja-JP | Koreanisch (Südkorea) | ko-KR | | Portugiesisch (Brasilien) | pt-BR | Russisch (Russland) | ru-RU | | Niederländisch (Niederlande) | nl-NL | Polnisch (Polen) | pl-PL | | Thai (Thailand) | th-TH | Türkisch (Türkei) | tr-TR | | Vietnamesisch (Vietnam) | vi-VN | Rumänisch (Rumänien) | ro-RO | | Ukrainisch (Ukraine) | uk-UA | Bengalisch (Bangladesch) | bn-BD | | Englisch (Indien) | en-IN & hi-IN | Marathi (Indien) | mr-IN | | Tamil (Indien) | ta-IN | Telugu (Indien) | te-IN | ## Antwortformate ### Audioformate | Format | Content-Type | Beschreibung | Modell-Unterstützung | | :----- | :----------- | :------------------------------------- | :------------------- | | mp3 | audio/mpeg | Standardformat, weit kompatibel | OpenAI-Modelle | | opus | audio/opus | Geeignet für Internet-Streaming | OpenAI-Modelle | | aac | audio/aac | Digitale Audiokompression | OpenAI-Modelle | | flac | audio/flac | Verlustfreie Audiokompression | OpenAI-Modelle | | wav | audio/wav | Unkomprimiertes WAV-Audio | Alle Modelle | | pcm | audio/pcm | Rohes PCM-Audio (24 kHz, mono, 16 Bit) | Alle Modelle | **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: ```json theme={null} { "error": { "message": "Error description", "type": "error_type", "code": "error_code" } } ``` ## 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: ```json theme={null} { "model": "gemini-2.5-flash-preview-tts", "input": "Speaker1: Hello!\nSpeaker2: Hi there!", "instructions": "Speaker1 should sound professional, Speaker2 should sound casual" } ``` ### F: Wird Streaming-Ausgabe unterstützt? ## Aktuell liefert die TTS-API vollständige Audiodateien und unterstützt kein Streaming. Zuletzt aktualisiert: 2026-06-01