Die Text-to-Speech API von Vesper: Einfach integrieren, fair bezahlen

Von Klangbuch Redaktion · Aktualisiert 2026-11-19

Willkommen bei Klangbuch, der unabhängigen Text-to-Speech-API für Startups, die Audiobooks und Content in Rekordzeit erstellen möchten. Auf dieser Seite erfährst du, wer hinter der Entwicklung steckt und wie wir die Lizenzierung der Stimmen durch den LibriTTS-R-Datensatz sicherstellen.

Wir sind ein kleines, agiles Team aus Enthusiasten, das Wert auf Ehrlichkeit und Transparenz legt. Hier findest du detaillierte Informationen zu unserer Datenrichtlinie, unserer Speicherstrategie und wie du uns bei Fragen direkt erreichen kannst – ohne Schnickschnack, aber mit allen technischen Details, die Entwickler brauchen.

Die Text-to-Speech API von Vesper: Einfach integrieren, fair bezahlen

Häufig gestellte Fragen

Was ist TTS?

Text-to-Speech (TTS) wandelt geschriebenen Text in synthetische Sprachausgabe um. Unsere API nimmt Text entgegen und liefert Audiodateien zurück. Das Ergebnis ist eine natürliche Stimme, die für Audiobooks, Erklärvideos oder Content-Erstellung genutzt werden kann. Die Generierung erfolgt serverseitig über eine einfache API-Anfrage, ohne dass lokale Hardware benötigt wird.

Wie funktioniert die API?

Sende einen POST-Request an https://api.vespertina.info/v1/audio/speech mit deinem API-Key im Header. Das JSON-Body enthält Text, Stimme und Format. Du erhältst die Audiodatei direkt zurück. Für längere Texte splittest du den Input in Blöcke von maximal 4096 Zeichen und fügst die Audio-Enden zusammen. Die Struktur ist kompatibel zu bekannten OpenAI-Endpoints.

Welche Sprachen werden unterstützt?

Wir unterstützen 23 Sprachen: Arabisch, Chinesisch, Dänisch, Deutsch, Englisch, Finnisch, Französisch, Griechisch, Hebräisch, Hindi, Italienisch, Japanisch, Koreanisch, Malay, Norwegisch, Polnisch, Portugiesisch, Russisch, Spanisch, Swahili, Schwedisch und Türkisch. Jede Stimme kann jede dieser Sprachen sprechen. Setze das Feld language explizit, wenn der Text nicht englisch ist, um falsche Erkennung zu vermeiden.

Welche Stimmen gibt es?

Es gibt 8 vordefinierte Stimmen: Aria, Nova, Luna, Sage (weiblich) sowie Felix, Milo, Atlas und Orion (männlich). Jede Stimme hat einen eigenen Klangcharakter, von warm bis dokumentarisch. Die Stimmen basieren auf lizenzierten Aufnahmen aus LibriTTS-R und LibriVox. Jede generierte Datei enthält einen unsichtbaren Wasserzeichen, das die synthetische Herkunft kennzeichnet.

Was kostet die API?

Der Preis beträgt 10 US-Dollar pro einer Million Zeichen, also 0,01 Dollar pro 1.000 Zeichen. Leerzeichen und Interpunktion zählen als Zeichen. Fehlerhafte Anfragen werden kostenlos zurückgegeben. Es gibt keine monatlichen Grundgebühren oder Mindestumsätze. Der Kontostand verfällt nicht. Ein Startguthaben von 0,50 Dollar steht nach Google-Login für sieben Tage zur Verfügung.

Wie hoch sind die Limits?

Du darfst 60 Anfragen pro Minute pro API-Key senden. Vor der ersten Aufladung sind es nur 10 Anfragen pro Minute. Der eingegebene Text pro Anfrage darf maximal 4096 Zeichen umfassen. Bei längeren Texten musst du diese selbst in passende Blöcke aufteilen. Die Geschwindigkeit beträgt etwa Echtzeit, also 25 Zeichen Text pro Sekunde Audiodauer.

Wie funktioniert die Zahlung?

Wir akzeptieren nur USDT auf dem TRON-Netzwerk (TRC-20). Der Mindestbetrag für eine Aufladung liegt bei 5 US-Dollar. Die Gutschrift erfolgt automatisch innerhalb weniger Minuten nach der Transaktion. Es gibt keine Kreditkarten, kein PayPal und keine Rechnungen mit Mehrwertsteuer. Du erhältst einen API-Key, den du jederzeit neu generieren kannst, falls er verloren geht.

Welche Formate werden unterstützt?

Du kannst die Ausgabe als MP3, WAV, OPUS, FLAC oder PCM anfordern. Das Format wird im Feld response_format im JSON-Body festgelegt. Alle Formate werden direkt in der API-Antwort zurückgegeben. Es gibt keine Möglichkeit, mehrere Formate gleichzeitig in einer einzigen Anfrage zu generieren. Wähle das Format, das am besten in deinen Tech-Stack passt.

Werden Daten für Training genutzt?

Nein. Der eingegebene Text wird ausschließlich zur Generierung der Audiodatei verwendet und nicht für das Training von Modellen verwendet. Die generierte Audiodatei wird nach der Auslieferung nicht auf unseren Servern gespeichert. Lediglich Metadaten wie Zeitpunkt, Zeichenanzahl und Status werden für die Abrechnung und Abrechnungsnachweise aufbewahrt. Deine Daten bleiben also privat.

Gibt es ein kostenloses Testkonto?

Ja, beim Anmelden mit Google erhältst du 0,50 Dollar Startguthaben, das etwa 50.000 Zeichen entspricht. Dieses Guthaben gilt sieben Tage lang. Konten, die mit E-Mail und Passwort erstellt wurden, erhalten dieses Startguthaben nicht. Nach Ablauf der Zeit oder Erschöpfung des Guthabens musst du über USDT (TRC-20) aufladen, um weiterzuarbeiten.

Wie schnell ist die Generierung?

Die Generierung dauert bei langen Texten etwa in Echtzeit, was ca. 25 Zeichen Text pro Sekunde Audiodauer entspricht. Bei kurzen Phrasen kann die Verarbeitung einige Sekunden dauern. Anfragen werden nacheinander verarbeitet, sodass es bei hoher Auslastung zu Warteschlangen kommen kann. Die Geschwindigkeit ist also von der aktuellen Serverlast abhängig, aber zuverlässig.

Kann ich eigene Stimmen hochladen?

Nein. Wir bieten keine benutzerdefinierte Stimmklonung an. Du kannst keine eigene Stimme hochladen oder anpassen. Du wählst aus den 8 vordefinierten Stimmen aus. Diese basieren auf lizenzierten Aufnahmen aus der Community. Eine individuelle Anpassung der Stimme oder das Hochladen eigener Audio-Dateien zur Nachbildung ist nicht Teil des Angebots.

Gibt es SSML-Unterstützung?

Nein. Die API unterstützt kein SSML (Speech Synthesis Markup Language). Es gibt auch keine phonemischen Wörterbücher oder eigene Aussprachelexika zur Feinjustierung. Du übergibst reinen Text. Die Betonung und Pausen werden automatisch durch die Stimme interpretiert. Für komplexe Formatierungen musst du den Text vor der Übergabe entsprechend aufbereiten.

Wie funktioniert die Spracherkennung?

Die API führt Text-zu-Sprache aus, keine Spracherkennung. Sie wandelt Text in Audio um. Die Sprache wird entweder erraten (bei lateinischem Skript standardmäßig Englisch) oder explizit über das Feld language festgelegt. Es gibt keine Funktion, um gesprochene Sprache in Text umzuwandeln. Für nicht-englische Texte mit lateinischem Alphabet solltest du das Feld language immer manuell setzen.

Unser Team

Schallwellenillustration für: Unser Team

Klangbuch entsteht aus der Begeisterung für klare Audio-Qualität und pragmatische Software. Wir sind kein großes Corporate-Konsortium, sondern ein kleines, fokussiertes Team aus Entwicklern und Audio-Enthusiasten, das die Lücke zwischen komplexer TTS-Technologie und einfachen Startups schließt.

Redaktion und Entwicklung

Redaktion und Entwicklung

Unsere Entwickler verstehen die Bedürfnisse von Android-, Python- und Node.js-Entwicklern. Wir bauen Tools, die sich nahtlos in bestehende Pipelines einfügen, statt neue Silos zu errichten.

Enthusiasten für Audio

Enthusiasten für Audio

Wir lieben es, wenn Text in lebendige Stimme verwandelt wird. Jedes Voice-Preset wurde sorgfältig ausgewählt, um natürliche Leseströme für Audiobooks und Content zu garantieren.

Unabhängig und agil

Unabhängig und agil

Als unabhängiges Storefront agieren wir schnell und ohne überflüssige Hierarchien. Unsere Entscheidungen dienen direkt der Verbesserung der API und der Fairness für unsere Kunden.

Stimmen-Lizenzierung

Schallwellenillustration für: Stimmen-Lizenzierung

Die Qualität unserer Klangbuch-API basiert auf transparenten Quellen. Wir nutzen keine Black-Box-Stimmen, sondern bauen auf etablierten, lizenzierten Aufnahmen, die Entwicklern und Startups volle Kontrolle über die rechtliche Basis ihrer Audio-Produkte geben.

LibriTTS-R Datensatz

LibriTTS-R Datensatz

Unsere Stimmen stammen aus dem LibriTTS-R-Datensatz. Dies ist eine Sammlung von Sprachaufnahmen, die als verlässliche Grundlage für unsere synthetische Sprachgenerierung dient.

  • Verwendet für die 8 verfügbaren Stimmen
  • Hohe Sprachqualität und Klarheit

CC BY 4.0 Lizenz

Die zugrunde liegenden Aufnahmen stehen unter der Creative-Commons-Lizenz CC BY 4.0. Das bedeutet für dich als Entwickler: Du kannst die Daten kommerziell nutzen, solange du die Quelle korrekt angibst. Keine versteckten Lizenzgebühren, keine komplexen Rechtsstreitigkeiten.

LibriVox Quellen

Die Stimmen basieren auf Aufnahmen von freiwilligen Lesern des Projekts LibriVox. Diese Texte und Stimmen sind öffentlich zugänglich und bilden die Basis für unsere Presets wie Aria, Felix oder Luna. Wir vereinfachen nur den Zugriff über unsere API.

Datenrichtlinie

Schallwellenillustration für: Datenrichtlinie

Wir nutzen deinen eingegebenen Text ausschließlich, um die gewünschte Audioausgabe zu erzeugen. Sobald die Synthese abgeschlossen ist, wird der Rohtext nicht für andere Zwecke wie Marketing oder Analyse aufbewahrt.

Text nur zur Generierung

Der eingegebene Text durchläuft unseren Prozess nur einmalig zur Erstellung der Audiodatei. Er wird nicht archiviert, nachdem die Antwort an dich gesendet wurde. Dies gewährleistet, dass deine Inhalte privat bleiben und nicht für zukünftige Zwecke verfügbar sind.

Kein Training der KI

Im Gegensatz zu vielen anderen Diensten verwenden wir deine Eingaben nicht, um unsere Modelle weiter zu trainieren. Jeder Satz, den du sendest, bleibt Teil deines individuellen Generierungsprozesses und fließt nicht in den allgemeinen Lernprozess der Sprachmodelle ein.

Keine Speicherung des Audios

Die generierte Audioantwort wird direkt an deinen Client zurückgegeben und dort nicht dauerhaft auf unseren Servern gespeichert. Nach dem Transfer ist die Audiodatei nur noch in deiner Infrastruktur vorhanden. Dies gibt dir die volle Kontrolle über deine erstellten Audiobooks und Content.

Datenspeicherung

Schallwellenillustration für: Datenspeicherung

Wir speichern nur das, was für den Betrieb und die Abrechnung zwingend erforderlich ist. Deine Eingabetexte werden ausschließlich zur Generierung der Audio-Datei verwendet und nicht für das Training unserer Modelle verwendet. Generierte Audiodateien werden nach der Auslieferung nicht auf unseren Servern gespeichert.

Metadaten für Abrechnung

Für die korrekte Abrechnung deiner Nutzung speichern wir Zeitstempel, die Anzahl der verarbeiteten Zeichen und den Status jeder Anfrage. Diese Metadaten ermöglichen es uns, deine Nutzung präzise nachzuverfolgen und bei einem Fehler die Gutschrift schnell zu gewährleisten.

Zeitstempel und Status

Jeder API-Aufruf wird mit einem genauen Zeitstempel versehen, der den Zeitpunkt der Anforderung und den Bearbeitungstatus dokumentiert. Dies hilft uns, Performance-Probleme zu identifizieren und sicherzustellen, dass deine Anfragen korrekt verarbeitet wurden.

Benötigte Informationen

Wir erheben nur die minimal notwendigen Informationen, um deine API-Schlüssel zuzuordnen und deine Konten zu verwalten. Deine persönlichen Daten werden streng vertraulich behandelt und nicht an Dritte weitergegeben. Die Speicherung erfolgt so lange, wie dein Konto aktiv ist.

Datenspeicherung

Kontakt & Support

Schallwellenillustration für: Kontakt & Support

Wir sind ein kleines, unabhängiges Team aus Entwickler:innen und Audio-Enthusiasten. Unsere Stärke liegt in der direkten Kommunikation ohne riesige Support-Schleifen, damit du bei Fragen schnell eine klare Antwort bekommst.

Email Support

Alle Anfragen laufen zentral über unsere E-Mail-Adresse. Das erlaubt uns, komplexe technische Details präzise zu bearbeiten und auf deine spezifische Integration einzugehen. Schreibe uns einfach an, wenn du Hilfe bei der API-Integration oder Fragen zum Voice-Design brauchst.

Kein Telefon

Wir bieten keine telefonische Hotline an. Das passt zu unserer agilen Arbeitsweise und ermöglicht es uns, Ressourcen direkt in die Entwicklung der API zu stecken. E-Mails schaffen zudem eine nachvollziehbare Dokumentation für beide Seiten.

Schnelle Antwortzeiten

Wir bearbeiten deine E-Mails zeitnah. Die meisten Anfragen werden innerhalb weniger Stunden beantwortet. Da wir keine Warteschleifen pflegen müssen, konzentrieren wir uns darauf, deine Nachrichten präzise und freundlich zu beantworten.

Offenheit & Ehrlichkeit

Schallwellenillustration für: Offenheit & Ehrlichkeit

Wir nennen, was wir können. Unsere API generiert Audio per HTTP-Request – kein versprochenes Streaming, kein SSML, keine Emotion-Tags. Wenn du es nicht in der Dokumentation siehst, existiert es nicht.

Keine übertriebenen Versprechen

Wir liefern synthetische Sprache mit unsichtbarem Wasserzeichen. Kein Voice Cloning, keine eigenen SDKs, kein SLA. Die Engine ist stabil, aber wir garantieren keine 99,9 % Uptime.

Klare Limits

Pro Request max. 4096 Zeichen. Bei längeren Texten musst du selbst splitten. Der Durchsatz liegt bei etwa 25 Zeichen pro Sekunde; unter Last kann es zu Warteschlangen kommen.

Faire Preise

10 $ pro Million Zeichen. Fehler werden zurückgebucht. Keine versteckten Kosten, keine Abonnements. Du zahlst nur für das, was wirklich generiert wurde.

  • Kein Mindestumsatz
  • Guthaben verfällt nicht
  • Nur USDT (TRC-20)

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.

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

Mehr auf dieser Website