Häufig gestellte Fragen
Was ist TTS?
Text-to-Speech (TTS) wandelt geschriebenen Text in hörbare Audio-Dateien um. Unsere Cloud-API nimmt deinen Text entgegen und liefert das Audiomaterial zurück. Dies ermöglicht Startups, Inhalte schnell in Audio umzuwandeln, ohne eigene Infrastruktur aufbauen zu müssen. Der Prozess ist einfach: Sende Text, erhalte Audio. Ideal für Audiobooks und digitale Inhalte.
Wie funktioniert die API?
Sende eine POST-Anfrage an https://api.vespertina.info/v1/audio/speech mit deinem JSON-Body. Du gibst Text, Stimme und Format an. Die API verarbeitet die Anfrage und gibt die Audio-Datei zurück. Für längere Texte teilst du den Input in Blöcke von maximal 4096 Zeichen auf. Die API ist kompatibel mit der OpenAI-Struktur, was die Integration erleichtert.
Welche Sprachen werden unterstützt?
Wir unterstützen 23 Sprachen, darunter Deutsch, Englisch, Spanisch, Französisch, Chinesisch und Japanisch. Jede Stimme kann jede dieser Sprachen sprechen. Wenn du keine Sprache angibst, wird sie automatisch erraten (Lateinisch standardisiert auf Englisch). Vietnamesisch, Thailändisch und Ukrainisch werden aktuell noch nicht unterstützt. Achte bei nicht-englischem Latein-Text auf die Sprachangabe.
Welche Stimmen gibt es?
Es gibt 8 vordefinierte Stimmen: Aria, Nova, Luna, Sage (weiblich) und Felix, Milo, Atlas, Orion (männlich). Jede hat einen eigenen Klangcharakter, von warm bis tief. Die Stimmen basieren auf lizenzierten Aufnahmen. Jede generierte Datei enthält einen unsichtbaren Wasserzeichen, das sie als synthetische Sprache ausweist. Du wählst die Stimme einfach im API-Request.
Was kostet die API?
Der Preis beträgt 10 US-Dollar pro 1 Million Zeichen. Das sind 0,01 USD pro 1.000 Zeichen. Leerzeichen und Satzzeichen zählen als Zeichen. Fehlgeschlagene Anfragen werden kostenlos erstattet. Es gibt keine monatlichen Pläne oder versteckten Gebühren. Du zahlst nur für das, was du tatsächlich generierst. Das Guthaben verfällt nicht.
Wie hoch sind die Limits?
Du darfst 60 Anfragen pro Minute senden. Vor der ersten Aufladung sind es nur 10 pro Minute. Jede Anfrage kann maximal 4096 Zeichen Text enthalten. Bei längeren Texten musst du sie selbst aufteilen. Die Requests werden nacheinander verarbeitet, was bei hoher Last zu Warteschlangen führen kann. Die Generierung dauert bei kurzen Sätzen einige Sekunden.
Wie funktioniert die Zahlung?
Zahlungen erfolgen ausschließlich per USDT im TRON-Netzwerk (TRC-20). Das Minimum sind 5 USD. Das Guthaben wird nach der Überweisung innerhalb weniger Minuten automatisch gutgeschrieben. Es gibt keine Kreditkarten, kein PayPal und keine Rechnungen mit Mehrwertsteuer. Du kannst jederzeit einen neuen API-Key generieren, wobei der alte sofort ungültig wird.
Welche Formate werden unterstützt?
Du kannst Audio in den Formaten MP3, WAV, OPUS, FLAC und PCM anfordern. Wähle das gewünschte Format im Feld response_format deiner API-Anfrage. Die Audio-Dateien werden direkt in der Antwort zurückgegeben. Es gibt kein Streaming über WebSockets. Die Dateien sind fertig generiert und können sofort genutzt werden.
Werden Daten für Training genutzt?
Nein. Der eingegebene Text wird ausschließlich zur Erstellung der Audio-Datei verwendet und nicht zum Training von Modellen verwendet. Die generierte Audio-Datei wird nicht gespeichert, sondern direkt an dich zurückgegeben. Nur Metadaten wie Zeit, Zeichenanzahl und Status werden für die Abrechnung aufbewahrt. Deine Daten bleiben also privat und werden nicht für KI-Modelle genutzt.
Gibt es ein kostenloses Testkonto?
Ja, du erhältst 0,50 USD Guthaben, wenn du dich mit Google anmeldest. Das entspricht etwa 50.000 Zeichen und ist 7 Tage gültig. Konten, die mit E-Mail und Passwort erstellt wurden, starten ohne dieses Testguthaben. Du kannst dich auf /get-api-key/ registrieren, um deinen Schlüssel und dein Guthaben zu sehen.
Wie schnell ist die Generierung?
Bei langen Texten entspricht die Geschwindigkeit etwa der Echtzeit (ca. 25 Zeichen Text pro Sekunde Audio). Kurze Sätze dauern einige Sekunden. Da Anfragen nacheinander verarbeitet werden, kann es unter Last zu Wartezeiten in der Queue kommen. Die API ist für Batch-Verarbeitung optimiert, nicht für Echtzeit-Streaming. Plane also Pufferzeiten ein.
Kann ich eigene Stimmen hochladen?
Nein, du kannst keine eigenen Stimmen hochladen oder klonen. Wir bieten keine benutzerdefinierte Stimmklonerei oder Voice-Design an. Du wählst aus den 8 vordefinierten Presets aus. Jede Stimme ist auf lizenzierten Aufnahmen basierend.
Gibt es SSML-Unterstützung?
Nein, unsere API unterstützt kein SSML (Speech Synthesis Markup Language). Es gibt auch keine Phonem-Wörterbücher oder benutzerdefinierte Ausspracheregeln. Du kannst nur Text und Parameter wie Geschwindigkeit und Stimme angeben. Für detaillierte Steuerung der Aussprache musst du den Text vorbearbeiten oder das Audio nachträglich bearbeiten.
Erste Anfrage
curl
curl https://api.vespertina.info/v1/audio/speech \
-H "Authorization: Bearer $TTS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
--output hello.mp3Warum Klangbuch für deine Android-App?
Klangbuch gibt Startups die Werkzeuge, um Audiobooks und Content in Rekordzeit zu erstellen. Unsere API passt sich deinem Tech-Stack an, egal ob du Android, Python oder Node.js nutzt. Du schickst Text und erhältst Audio-Dateien zurück – schnell und zuverlässig.
Native Integration über REST
Wir setzen auf einfache POST-Requests an https://api.vespertina.info/v1/audio/speech. Das bedeutet, du musst keine schweren Bibliotheken in deine Android-App einbinden. Sende einfach JSON mit deinem Text und erhalte eine Audio-Datei zurück. Die Architektur ist leichtgewichtig und passt sich nahtlos in deine bestehende Infrastruktur ein.
- Keine externen Abhängigkeiten für die Kernfunktionalität
- Standard-HTTP-Verben für maximale Kompatibilität
- Einfache Fehlerbehandlung durch klare Responses
Keine komplexen SDKs nötig
Du brauchst kein proprietäres SDK von uns. Da die API der Struktur der OpenAI-Schnittstelle folgt, kannst du bewährte Tools nutzen. Das hält deine App schlank und reduziert die Abhängigkeiten. Du steuerst alles über einfache HTTP-Calls, die auf jedem Android-Gerät und in jeder modernen Entwicklungsumgebung funktionieren.
Sofort startklar mit OpenAI SDK
Nutze einfach das offizielle OpenAI SDK und ändere nur die base_url auf https://api.vespertina.info/v1. Mit deinem API-Schlüssel (Bearer Token) funktioniert die Integration sofort. Das bedeutet weniger Code für die Anbindung und weniger Zeit für das Debugging. Du startest schneller mit der ersten Audiogeneration.
Unsere 8 einzigartigen Stimmen
Wir bieten acht klare, lizenzierte Stimmen für deine Audiobooks. Die Basis sind Aufnahmen aus LibriTTS-R (CC BY 4.0). Jede generierte Datei enthält ein unsichtbares Wasserzeichen, das sie als synthetische Sprache ausweist.
Aria: Warme Erzählerin
Aria ist die klare Erzählerin für deine Inhalte. Ihre Stimme ist warm und natürlich, perfekt für narratives Storytelling in deiner Android-App.
- Warme, klare Erzählerin
Nova: Energetisch & hell
Nova liefert eine helle, energiegeladene Stimme. Sie eignet sich hervorragend für dynamische Inhalte und moderne Audiobooks, die Aufmerksamkeit erzeugen sollen.
- Helle, energetische Stimme
Luna: Sanft & storytelling
Luna ist sanft und ideal für Geschichten. Ihre weiche Stimme schafft eine intime Atmosphäre, die Leser direkt abholt und bindet.
- Weiche Storytelling-Stimme
Unterstützte Sprachen & Formate
Unsere API unterstützt 23 Sprachen, darunter Deutsch, Englisch, Spanisch und Französisch. Jede Stimme kann jede dieser Sprachen flüssig sprechen, was die Mehrsprachigkeit in deinen Android-Audiobooks erleichtert.
Du kannst Audio in verschiedenen Formaten generieren: MP3, WAV, OPUS, FLAC und PCM. Wähle das Format, das am besten zu deiner App und deinen Speicherbedürfnissen passt.
23 Sprachen inklusive Deutsch
Wir unterstützen 23 Sprachen, darunter Arabisch, Chinesisch, Deutsch, Englisch, Französisch, Hindi, Japanisch, Koreanisch und viele andere. Jede der 8 Stimmen kann jede dieser Sprachen sprechen.
- Arabisch, Chinesisch, Dänisch, Deutsch, Englisch, Finnisch, Französisch, Griechisch, Hebräisch, Hindi, Italienisch, Japanisch, Koreanisch, Malay, Niederländisch, Norwegisch, Polnisch, Portugiesisch, Russisch, Spanisch, Swahili, Schwedisch, Türkisch
MP3, WAV, OPUS, FLAC, PCM
Du kannst zwischen MP3, WAV, OPUS, FLAC und PCM wählen. Jedes Format hat seine eigenen Vorteile, je nach deinem Anwendungsfall.
Automatische Spracherkennung
Wenn du keine Sprache angibst, versucht die API, die Sprache automatisch zu erkennen. Für nicht-englische Texte mit lateinischem Alphabet empfehlen wir, die Sprache manuell zu setzen.
Einfache Integration in deine App
Die Integration in deine Android-App ist dank des standardisierten REST-Endpoints schnell erledigt. Sende einen POST-Request an /v1/audio/speech und erhalte direkt die Audiodatei zurück. Du musst kein komplexes, eigenes SDK installieren; nutze einfach das etablierte OpenAI SDK und passe die base_url auf https://api.vespertina.info/v1 an.
Das API erwartet einen JSON-Body, der Text und Stimme definiert. Du gibst den zu sprechenden Text (max. 4096 Zeichen) und die gewünschte Stimme an. Die Audio-Generierung erfolgt serverseitig, sodass du die fertige Datei direkt in deiner App abspielen oder speichern kannst. Das spart Entwicklungszeit und Rechenleistung auf dem Gerät.
POST Request an /v1/audio/speech
Der Kern der Integration ist ein einfacher HTTP POST-Request an den Endpunkt /v1/audio/speech. Du authentifizierst dich mit deinem API-Key im Header. Das System verarbeitet die Anfrage und gibt die Audio-Datei im gewählten Format zurück.
JSON Body mit Text und Voice
Das JSON-Objekt enthält das Feld input für deinen Text und voice für die Stimme (z. B. 'nova' oder 'aria'). Du kannst optional model, response_format und speed anpassen. Alles andere wird standardmäßig gesetzt.
- Textmaximal: 4096 Zeichen pro Request.
- Stimmen: aria, nova, luna, sage, felix, milo, atlas, orion.
- Formate: mp3, wav, opus, flac, pcm.
Antwortzeiten
Die Generierung dauert je nach Textlänge. Bei kurzen Phrasen sind es wenige Sekunden, bei längeren Texten entsteht Audio in Echtzeitgeschwindigkeit (ca. 25 Zeichen pro Sekunde). Bei hoher Auslastung kann es zu Wartezeiten in der Queue kommen.
Transparente Preise für Startups
Klangbuch bietet ein einfaches, vorhersagbares Preismodell: $10 pro 1 Million Zeichen. Das entspricht $0,01 pro 1.000 Zeichen. Leerzeichen und Satzzeichen zählen als Zeichen. Fehlschläge werden kostenlos erstattet.
Startups zahlen nur für das, was sie tatsächlich verbrauchen. Keine versteckten Gebühren, keine monatlichen Grundgebühren. Du startest mit einem kostenlosen Testguthaben von $0,50, das 7 Tage gültig ist.
$10 pro 1 Mio. Zeichen
Die Kosten betragen exakt $10 für eine Million Zeichen Text. Das sind $0,01 pro 1.000 Zeichen. Leerzeichen und Interpunktion werden voll angerechnet. Bei Fehlschlägen der Synthese wird der Betrag sofort erstattet.
Keine monatlichen Fixkosten
Es gibt keine Abonnements, keine Mindestumsätze und keine Fixkosten. Du behältst die volle Kontrolle über deine Ausgaben. Das Guthaben verfällt nicht, auch wenn du längere Zeit pausierst.
Pay-as-you-go Modell
Bezahle nur für verbrauchte Zeichen. Top-ups erfolgen bequem mit USDT (TRC-20) ab einem Mindestbetrag von $5. Die Gutschrift erfolgt automatisch innerhalb weniger Minuten nach dem Transfer.
- Mindest-Topup: $5
- Zahlung: USDT auf TRON (TRC-20)
- Guthaben: unbefristet gültig
- Auszahlung: nicht möglich

Technische Details & Limits
Die API verarbeitet Texte in Blöcken von maximal 4.096 Zeichen. Für längere Manuskripte müssen die Teile getrennt angefordert und später zu einer Audio-Datei kombiniert werden. Dies gewährleistet eine stabile Leistung auch bei umfangreichen Audiobooks.
Max. 4096 Zeichen pro Request
Jeder API-Aufruf akzeptiert Texte bis zu einer Länge von 4.096 Zeichen. Dies umfasst auch Leerzeichen und Satzzeichen. Bei längeren Texten teilt dein Backend die Eingabe in passende Segmente auf, sendet die Requests nacheinander und fügt die Audio-Ausgaben am Ende zusammen.
60 Requests pro Minute
Pro API-Key sind 60 Requests pro Minute erlaubt. Vor dem ersten Top-Up beträgt das Limit 10 Requests pro Minute. Dies reicht für die meisten Integrations-Szenarien aus, erfordert aber bei Batch-Verarbeitungen eine entsprechende Warteschleife in deiner Android-App.
Queue-Verarbeitung unter Last
Anfragen werden sequenziell verarbeitet. Bei hoher Auslastung kann es zu Wartezeiten in der Queue kommen. Die typische Generierungsgeschwindigkeit entspricht etwa der Echtzeit (25 Zeichen pro Sekunde). Kurze Sätze dauern daher wenige Sekunden, während längere Passagen entsprechend länger benötigen.
Audio-Dateien & Wasserzeichen
Jede von Klangbuch generierte Audio-Datei trägt ein unsichtbares digitales Wasserzeichen. Dies markiert den Inhalt eindeutig als synthetische Sprache, ohne die Hörqualität zu beeinträchtigen. Es ist für das menschliche Ohr nicht wahrnehmbar, bietet aber eine klare Zuordnung der Quelle.
Invisibles Wasserzeichen
Das inaudible Wasserzeichen wird direkt in den Audiodaten verankert. Es dient der Transparenz und kennzeichnet die Datei als KI-generiert, ohne die Wiedergabe auf Android-Geräten oder in Audiobook-Playern zu stören.
Lizenzierte Aufnahmen
Unsere 8 Stimmen basieren auf lizenzierten Aufnahmen aus LibriTTS-R (CC BY 4.0). Diese stammen von öffentlichen Hörbüchern im Urheberrechtsstatus Public Domain. Die Qualität ist damit professionell und rechtlich klar abgedeckt.
Keine Speicherung der Audio-Dateien
Die generierte Audio-Datei wird direkt in der API-Antwort zurückgegeben und nicht auf unseren Servern gespeichert. Lediglich Metadaten wie Zeitpunkt und Zeichenanzahl werden zur Abrechnung verwaltet. Deine Inhalte bleiben so dezentral.
Support & Dokumentation
Unsere Dokumentation ist das Herzstück deiner Integration. Du findest hier alle Endpunkte, Parameter und Antwortformate detailliert beschrieben, damit du schnell und ohne Trial-and-Error in deine Android-App einsteigen kannst.
Der Support läuft exklusiv per E-Mail. Wir sind nicht telefonisch erreichbar und bieten auch keinen Live-Chat, was dir ermöglicht, deine Fragen präzise zu formulieren und mit allen technischen Details zu beantworten.
Email Support
Für alle Fragen zu deinem Account, deinen API-Keys oder technischen Hürden erreichst du uns ausschließlich per E-Mail. Es gibt keine Telefonnummer und keinen Live-Chat, was dir mehr Raum für detaillierte technische Diskussionen lässt.
Ausführliche API Docs
Unsere Dokumentation unter /docs/ listet alle Endpunkte, verfügbare Stimmen und Format-Optionen auf. Du kannst dort direkt sehen, welche Sprachen unterstützt werden und wie die Request-Struktur aussieht.
Beispiel-Curl-Befehle
Damit du sofort loslegen kannst, findest du in der Dokumentation fertige curl-Beispiele. Diese zeigen dir genau, wie du einen POST-Request an /v1/audio/speech sendest, um Audio-Dateien zu generieren.
Kostengünstig skalieren
Startups brauchen flexible Zahlungsmodelle, die mit dem Wachstum Schritt halten. Bei Klangbuch entfällt die Komplexität monatlicher Abos oder festgelegter Kontingente. Du zahlst nur für das, was du tatsächlich generierst, und behältst so die volle Kontrolle über deine Entwicklungs-Budgets.
Top-up mit USDT (TRC-20)
Die Aufladung deines Kontos erfolgt ausschließlich über USDT im TRC-20-Standard. Ein Minimum von 5 US Dollar genügt, um dein Guthaben zu aktivieren. Die Gutschrift erfolgt in der Regel innerhalb weniger Minuten nach Bestätigung der Transaktion im Netzwerk.
Keine Credit Card nötig
Wir verzichten auf Kreditkarten, PayPal oder Abonnements. Dadurch entfallen sowohl die Rückerstattungsgebühren als auch der Verwaltungsaufwand für wiederkehrende Lastschriften. Deine Zahlungsmethode bleibt simpel und direkt, was die Integration in deine Finanzprozesse als Startup deutlich erleichtert.
Guthaben verfällt nicht
Dein Kontostand ist dauerhaft gültig und verällt nicht nach einem festen Zeitraum. Du kannst zu beliebigen Zeitpunkten Top-ups vornehmen, ohne dass alte Beträge verfallen. Dies ermöglicht es dir, größere Projekte zu planen und Kosten über längere Zeiträume zu streuen.
Hören Sie sich die 8 Stimmen an
Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Dies ist besonders wichtig, wenn mehrere Requests nacheinander verarbeitet werden.
23 Sprachen
Jede Stimme kann jede dieser Sprachen sprechen.
Quellen und weiterführende Literatur
- Wikipedia
- openai-python on GitHub
- LibriTTS-R corpus (OpenSLR 141)
- openai-node on GitHub
- Creative Commons Attribution 4.0
- Python documentation
- curl documentation
- Node.js documentation
- ISO 639 language codes
- LibriTTS-R paper (arXiv 2305.18802)
- TRON developer hub: TRC-20
- W3C WAI: making audio and video accessible
