Häufig gestellte Fragen
Was ist TTS?
TTS steht für Text-to-Speech und bezeichnet unsere Cloud-API. Du sendest Text an einen Endpunkt und erhältst eine Audiodatei zurück. Das System wandelt deinen Text in natürliche Sprachausgabe um, ohne dass du eigene Hardware oder Software installieren musst. Es ist ein einfaches POST-Verfahren für Entwickler.
Wie funktioniert die API?
Sende eine POST-Anfrage an https://api.vespertina.info/v1/audio/speech mit deinem API-Schlüssel im Header. Das JSON-Body enthält Modell, Text, Stimme und Format. Die API verarbeitet die Anfrage und gibt die Audiodatei zurück. Für längere Texte musst du diese in Blöcke von maximal 4096 Zeichen aufteilen und die Audio-Dateien später zusammenfügen.
Welche Sprachen werden unterstützt?
Wir unterstützen 23 Sprachen: Arabisch, Chinesisch, Dänisch, Niederländisch, Englisch, Finnisch, Französisch, Deutsch, Griechisch, Hebräisch, Hindi, Italienisch, Japanisch, Koreanisch, Malay, Norwegisch, Polnisch, Portugiesisch, Russisch, Spanisch, Swahili, Schwedisch und Türkisch. Jede Stimme kann jede dieser Sprachen sprechen. Wenn keine Sprache gesetzt ist, wird sie erraten.
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, z. B. warm, klar oder tief. Die Stimmen basieren auf lizenzierten Aufnahmen aus LibriTTS-R und LibriVox. Jede generierte Datei enthält einen unsichtbaren Wasserzeichen.
Was kostet die API?
Der Preis beträgt 10 US-Dollar pro 1 Million Zeichen. Das sind 0,01 US-Dollar pro 1.000 Zeichen. Leerzeichen und Interpunktion zählen als Zeichen. Fehlgeschlagene Anfragen werden kostenlos berechnet. Es gibt keine monatlichen Pläne oder Mindestumsätze. Der Kontostand verfällt nicht.
Wie hoch sind die Limits?
Du darfst 60 Anfragen pro Minute senden. Vor der ersten Aufladung sind es nur 10 Anfragen pro Minute. Jeder Text darf maximal 4096 Zeichen lang sein. Bei längeren Texten musst du sie in Teile von maximal 4096 Zeichen aufteilen und die Audio-Dateien später zusammenführen.
Wie funktioniert die Zahlung?
Wir akzeptieren nur USDT im TRC-20-Standard (TRON-Netzwerk). Der Mindestbetrag für eine Aufladung liegt bei 5 US-Dollar. Die Gutschrift erfolgt automatisch innerhalb weniger Minuten nach dem Transfer. Es gibt keine Kreditkarten, PayPal-Abos oder Rechnungen mit Mehrwertsteuer. Ein Guthaben bleibt dauerhaft verfügbar.
Welche Formate werden unterstützt?
Du kannst zwischen MP3, WAV, OPUS, FLAC und PCM wählen. Das Format wird im request-Feld response_format festgelegt. Alle Formate werden direkt als Antwort auf deine API-Anfrage zurückgegeben. Es gibt keine Streaming-Optionen oder WebSockets für Echtzeit-Audio. Die Dateien werden vollständig generiert und zurückgegeben.
Werden Daten für Training genutzt?
Nein. Der eingegebene Text wird ausschließlich zur Erzeugung der Audiodatei verwendet. Er kommt nicht in Trainingsdatenbanken. Die generierte Audiodatei wird ebenfalls nicht gespeichert, sondern nur als Antwort auf deine Anfrage zurückgegeben. Nur Metadaten wie Zeit, Zeichenanzahl und Status werden zur Abrechnung aufbewahrt.
Gibt es ein kostenloses Testkonto?
Ja, du erhältst 0,50 US-Dollar Guthaben (ca. 50.000 Zeichen), wenn du dich mit Google anmeldest. Dieses Guthaben ist 7 Tage gültig. Bei der Anmeldung mit E-Mail und Passwort gibt es kein Testguthaben. Das Guthaben kann für beliebige API-Anfragen genutzt werden.
Wie schnell ist die Generierung?
Die Generierung dauert bei langen Texten etwa so lange wie die Wiedergabezeit (ca. 25 Zeichen pro Sekunde). Kurze Sätze benötigen einige Sekunden. Anfragen werden nacheinander verarbeitet, sodass es bei hoher Auslastung zu Warteschlangen kommen kann. Die Geschwindigkeit ist also realistisch, aber nicht instantan.
Kann ich eigene Stimmen hochladen?
Nein, wir bieten kein Custom Voice Cloning an. Du kannst keine eigenen Stimmen hochladen oder designen. Du wählst aus den 8 vordefinierten Stimmen aus. Es gibt auch keine Möglichkeit, Emotionen oder individuelle Ausspracheregeln direkt zu konfigurieren. Die Stimmen sind fest vorgegeben.
Gibt es SSML-Unterstützung?
Nein, unsere API unterstützt kein SSML. Du kannst auch keine Phonem-Wörterbücher oder benutzerdefinierte Ausspracheregeln nutzen. Die Steuerung erfolgt über die Parameter model, input, voice, response_format, speed und language. Mehr Details zur Syntax findest du in der Dokumentation.
Wie funktioniert die Spracherkognition?
Q: Wie funktioniert die Spracherkennung?
A: Wir bieten Text-to-Speech, keine Spracherkennung. Wir wandeln also Text in Audio um, statt Sprache aus Audio zu erkennen. Die Sprache wird automatisch erkannt; bei lateinischem Text ist Englisch die Voreinstellung. Du kannst das Feld language jedoch explizit setzen, um eine andere Sprache wie Deutsch oder Französisch zu erzwingen.
Kostenrechner
Preisstruktur pro Zeichen
Unsere Abrechnung ist transparent und einfach: Du zahlst nur für das, was tatsächlich generiert wird. Der Preis liegt bei festen $10 pro 1.000.000 Zeichen, was exakt $0,01 pro 1.000 Zeichen entspricht. Diese Einheitlichkeit macht die Kostenplanung für dein Startup vorhersehbar und fair.
$10 pro 1.000.000 Zeichen
Die Basisberechnung orientiert sich strikt an der Zeichenanzahl des Eingabetextes. Ob du ein kurzes Dialog-Skript oder ein umfangreiches Buchmanuskript verarbeitetst, der Einheitssatz bleibt konstant. Dies ermöglicht eine präzise Budgetierung für deine Audio-Produktionen ohne unerwartete Kostensteigerungen bei komplexeren Modellen.
- Fester Preis von $10 pro Million Zeichen
- Äquivalent zu $0,01 pro 1.000 Zeichen
- Keine Preisdifferenz zwischen tts-1 und tts-1-hd
Spaces und Interpunktion zählen
Jedes einzelne Zeichen wird gezählt, einschließlich Leerzeichen und Satzzeichen. Ein Text mit 10.000 Zeichen inklusive Leerzeichen und Punktuation verbraucht also exakt diese Menge. Diese klare Definition sorgt dafür, dass deine Kalkulation im Voraus mit hoher Genauigkeit erfolgt und keine versteckten Mengenfallen entstehen.
Klare Kalkulation möglich
Durch die lineare Abrechnung lässt sich der Preis pro Audio-Minute leicht abschätzen. Bei einer typischen Geschwindigkeit von ca. 25 Zeichen pro Sekunde entstehen für eine Minute Audio etwa 1,50 $. Diese Vorhersagbarkeit unterstützt dich dabei, die Wirtschaftlichkeit deiner Audiobook-Produktion genau zu planen.
- Vorhersagbare Kosten pro Audio-Minute
- Einfache Multiplikation der Zeichenanzahl mit dem Faktor 0,00001
- Keine komplexen Stufungen oder Rabattmodelle
Kostenlose Testphase
Mit der kostenlosen Testphase erhalten Sie sofort Zugang zur Klangbuch API, um die Qualität unserer Text-zu-Sprache-Synthese ohne finanzielle Verpflichtung zu prüfen. Dies ist ideal für Startups, die schnell evaluieren möchten, ob unsere Stimme-Presets wie Aria oder Nova in ihre Audiobook-Produktion passen.
Das Startguthaben wird Ihnen direkt nach der Anmeldung zur Verfügung gestellt, sodass Sie sofort mit der ersten Generierung beginnen können. So testen Sie die API-Funktionen in Ihrer eigenen Entwicklungsumgebung, bevor Sie in die bezahlte Nutzung wechseln.
$0.50 Startguthaben
Sie erhalten $0.50 Startguthaben für Ihre erste Nutzung. Dieser Betrag entspricht etwa 50.000 Zeichen Text und reicht aus, um verschiedene Stimmen und Formate wie MP3 oder WAV zu testen.
- Kostenlos bei Registrierung mit Google
- Entspricht ca. 50.000 Zeichen
- Sofort nach der Anmeldung verfügbar
7 Tage gültig mit Google Login
Das Testguthaben ist 7 Tage lang gültig, wenn Sie sich mit Ihrem Google-Konto anmelden. Dieser Zeitraum reicht aus, um die API in Ihren Prototypen zu integrieren und die Ergebnisse zu bewerten.
50.000 Zeichen zum Ausprobieren
Nutzen Sie die 50.000 Zeichen, um unterschiedliche Modelle (tts-1 oder tts-1-hd) und Geschwindigkeiten zu testen. Da gescheiterte Requests kostenlos sind, können Sie ohne Risiko Experimente durchführen.
- Testen Sie alle 8 Stimmvorlagen
- Prüfen Sie verschiedene Sprachausgaben
- Kein Risiko bei fehlgeschlagenen Requests
Zahlung mit Kryptowährung
Deine Zahlung erfolgt ausschließlich über USDT auf dem TRON-Netzwerk (TRC-20). Das System ist darauf optimiert, dass du keine teuren Kreditkartengebühren oder komplexen Zahlungsprozeduren für jedes kleine Top-Up aufbringen musst.
Die Gutschrift erfolgt automatisch und in der Regel innerhalb weniger Minuten nach deinem Transfer. Du siehst dein neues Guthaben sofort verfügbar, um direkt mit der Generierung deiner Audiobooks oder Inhalte zu beginnen.
USDT auf TRON (TRC-20)
Wir nutzen das TRC-20-Netzwerk für schnelle und kosteneffiziente Transaktionen. Dies ermöglicht dir, direkt mit deiner USDT-Wallet zu bezahlen, ohne Umwege über klassische Banken.
- Nur USDT (TRC-20) akzeptiert
- Keine PayPal- oder Kreditkarten-Verarbeitung
Automatische Gutschrift
Sobald die Blockchain-Transaktion bestätigt ist, wird dein Kontostand automatisch aktualisiert. Du musst nicht auf manuelle Freischaltungen warten, die Tage dauern könnten.
Keine Kreditkarte nötig
Verbinde deine Kreditkarte nicht mit deinem API-Konto. Die Abrechnung erfolgt rein über deinen Krypto-Balance. Das hält deine Finanzen transparent und unabhängig von externen Zahlungsdienstleistern.
Mindestbetrag & Gebühren
Das Top-up mit USDT (TRC-20) erfordert einen Mindestbetrag von 5 $. Dieser niedrige Einstiegswert ermöglicht es Startups, flexibel zu testen, ohne große Vorabkosten zu binden. Die Währung wird direkt auf dein Konto gebucht, sobald die Transaktion bestätigt ist.
Mindesttop-up: 5 $
Du lädst dein Konto ab einem Betrag von 5 $ auf. Das reicht bereits für 500.000 Zeichen Audio-Generierung. Dieser Betrag ist flexibel und passt sich deinem Cashflow als Startup an, ohne feste monatliche Verpflichtungen.
Keine Transaktionsgebühren
Wir berechnen keine zusätzlichen Gebühren für die Einzahlung oder die Nutzung des Kontos. Der volle Betrag, den du über das TRON-Netzwerk sendest, steht dir sofort zur Verfügung. Die Abrechnung erfolgt strikt nach Verbrauch.
Sofortige Verfügbarkeit
Nach Bestätigung der Blockchain-Transaktion ist dein Guthaben in der Regel innerhalb weniger Minuten verfügbar. Du kannst sofort mit der Generierung deiner Audiobooks oder Inhalte beginnen, ohne auf manuelle Freischaltungen zu warten.

Beispielrechnung für Audiobooks
Die Abrechnung erfolgt rein nach Zeichenanzahl, unabhängig von der Audio-Dauer. Da kurze Sätze oft mehrere Sekunden Processing-Zeit benötigen, lohnt sich die Betrachtung der Gesamtlänge. Bei einem langen Roman mit 100.000 Zeichen fallen so nur $1.00 an, während kurze Werbetexter kaum Kosten verursachen.
Texte über 4.096 Zeichen müssen in Teile von maximal 4.096 Zeichen aufgeteilt und die Audio-Dateien später zusammengefügt werden. Dies ermöglicht eine präzise Kostenkontrolle ohne unerwartete Gebühren für lange Passagen. Startups können so das Budget für komplette Hörbücher exakt kalkulieren.
Kurztexte vs. lange Romane
Die Kosten richten sich ausschließlich nach der Zeichenzahl, nicht nach der Sprechdauer. Ein kurzer Marketing-Slogan von 100 Zeichen kostet weniger als ein Cent, während ein ganzer Roman mit 100.000 Zeichen bereits $1.00 kostet. Dies macht die API sowohl für kurze Promo-Beiträge als auch für umfangreiche Self-Publishing-Projekte kalkulierbar.
- 1.000 Zeichen = $0.01
- 100.000 Zeichen (Kurzroman) = $1.00
- 1.000.000 Zeichen = $10.00
Aufteilung in Chunks
Da jede Anfrage maximal 4.096 Zeichen umfassen darf, werden längere Manuskripte im Hintergrund automatisch segmentiert. Die API verarbeitet jeden Teil einzeln. Du musst die Audio-Dateien später zusammenfügen. Für Entwickler bedeutet dies keine komplexe Logik, sondern einfaches Senden des gesamten Textes.
Effiziente Kostenkontrolle
Da Leerzeichen und Interpunktion als Zeichen zählen, lässt sich der Verbrauch vorab genau berechnen. Für die Aufteilung und das Zusammenfügen fallen keine zusätzlichen Gebühren an. Dies erlaubt eine transparente Kalkulation für Budgets kleiner Startups.
Fehlerhafte Requests sind kostenlos
Bei der Audiobook-Erstellung kann es vorkommen, dass Synthesen fehlschlagen. In solchen Fällen erhalten Sie den vollen Betrag für die fehlgeschlagene Anfrage zurück. Sie zahlen nur für erfolgreich generierte Audiodateien.
Dies schützt Sie vor unnötigen Kosten, wenn technische Probleme oder Formatfehler auftreten. Die Abrechnung erfolgt streng nach erfolgreichem Output.
Volle Rückerstattung bei Fehlern
Sollte die Synthese fehlschlagen, wird die Belastung von Ihrem Guthaben sofort entfernt. Sie müssen nicht warten oder einen Antrag stellen.
Dies gilt für alle Modelle und Sprachoptionen. Die Rückerstattung ist vollständig und automatisch.
Keine Belastung bei Misserfolg
Fehlerhafte Requests werden nicht in Abrechnung oder Nutzungszähler aufgenommen. Ihr Kontostand bleibt unverändert, wenn keine Audioausgabe generiert wurde.
Dies bietet Planungssicherheit für Ihre Projektbudgets, insbesondere bei der Verarbeitung großer Textmengen.
Zuverlässige Abrechnung
Sie sehen im Dashboard genau, welche Requests erfolgreich waren und welche fehlschlugen. Die Transparenz ist jederzeit nachvollziehbar.
So behalten Sie die volle Kontrolle über Ihre Ausgaben für Audio-Content.
Keine versteckten Kosten
Unsere Abrechnung ist klar: Du zahlst nur für das, was du tatsächlich generierst. Es gibt keine festen monatlichen Kosten oder Verpflichtungen, die deine Budgetplanung verkomplizieren. Egal ob du ein paar Test-Sätze oder hunderte Stunden Audiobooks erstellst – die Kosten steigen linear mit deinem Verbrauch an.
Keine monatlichen Abonnements
Wir verzichten auf wiederkehrende Gebührenmodelle. Du bist nicht an einen festen Plan gebunden, der dich ausbremst, wenn du mal mehr oder weniger Volumen hast. Das Guthaben bleibt so lange erhalten, wie du es brauchst.
Keine Seat-Lizenzen
Im Gegensatz zu vielen anderen Tools zwingen wir dich nicht, Lizenzen für jedes Teammitglied zu kaufen. Die API-Schlüssel sind der einzige Zugang. Ob dein Entwickler, dein Toningenieur oder dein Projektmanager die Schnittstelle nutzt – alle teilen sich denselben Kontext ohne zusätzliche Lizenzkosten pro Kopf.
Flexible Nutzung
Starte klein mit dem kostenlosen Testguthaben und skaliere, wenn dein Startup wächst. Da keine Mindestmengen oder Laufzeiten erforderlich sind, passt sich die Nutzung exakt deinem Cashflow an. Du behältst die volle Kontrolle über deine Ausgaben.
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
- ISO 639 language codes
- W3C WAI: making audio and video accessible
- openai-python on GitHub
- Creative Commons Attribution 4.0
- curl documentation
- LibriTTS-R paper (arXiv 2305.18802)
- TRON developer hub: TRC-20
- Python documentation
- Node.js documentation
- OpenAI API reference: create speech
- LibriTTS-R corpus (OpenSLR 141)
