Nachrichten vorlesen: TTS-API im Vergleich zu Siri & Co.

Von ViveText Redakteursteam · Aktualisiert 2026-11-19

Diese Seite erklärt, wie Sie Nachrichten und lange Texte programmatisch in Audio umwandeln können. Wir zeigen die technische Integration, die verfügbaren Stimmen und das Preismodell für Indie-Entwickler und Redaktionen, die Barrierefreiheit und Audio-Content ohne komplexe Infrastruktur benötigen.

Erfahren Sie, wie Sie mit einer einfachen JSON-API Audio für News-Feeds generieren. Wir vergleichen die Möglichkeiten mit Lösungen wie Siri und stellen die genauen technischen Daten, Kosten und Integrationswege für Ihre Anwendung transparent dar.

Nachrichten vorlesen: TTS-API im Vergleich zu Siri & Co.

Häufig gestellte Fragen

Was ist Text-to-Speech (TTS)?

Text-to-Speech (TTS) ist eine Technologie, die geschriebenen Text in gesprochene Audio-Dateien umwandelt. Unser Cloud-API empfängt Text und gibt synthetische Sprachdateien zurück. Diese können direkt in Apps oder News-Plattformen integriert werden, um Inhalte barrierefrei und automatisiert vorzulesen.

Wie funktioniert die Nachrichten-Vorlesung per API?

Senden Sie Text per POST an /v1/audio/speech. Das API verarbeitet den Text und gibt eine Audio-Datei zurück. Für längere Texte werden bis zu 4096 Zeichen pro Anfrage verarbeitet. Die Audio-Dateien können später zu einem zusammenhängenden Bericht joined werden.

Welche Sprachen werden unterstützt?

Wir unterstützen 23 Sprachen: Arabisch, Chinesisch, Dänisch, Deutsch, Englisch, Finnisch, Französisch, Griechisch, Hebräisch, Hindi, Italienisch, Japanisch, Koreanisch, Malay, Niederländisch, Norwegisch, Polnisch, Portugiesisch, Russisch, Spanisch, Swahili, Schwedisch und Türkisch. Die vollständige Liste und Details zu Stimmen sowie Formaten erhalten Sie über den GET /v1/voices Endpoint.

Kann ich meine eigene Stimme nutzen?

Nein, wir bieten kein Custom Voice Cloning an. Sie nutzen eine der 8 vordefinierten Stimmen (z. B. Felix für Nachrichten). Die Stimmen basieren auf lizenzierten Aufnahmen von LibriTTS-R und LibriVox. Eine individuelle Anpassung oder das Hochladen eigener Stimmen ist nicht möglich.

Wie hoch sind die Kosten?

Der Preis beträgt 10 USD pro 1 Million Zeichen, also 0,01 USD pro 1.000 Zeichen. Leerzeichen und Interpunktion zählen als Zeichen. Die Abrechnung erfolgt über Guthaben, das per USDT (TRC-20) aufgeladen wird. Mindestaufladung sind 5 USD. Es gibt keine monatlichen Pläne.

Gibt es eine kostenlose Testphase?

Ja, bei Anmeldung mit Google erhalten Sie 0,50 USD Guthaben (ca. 50.000 Zeichen), die 7 Tage gültig sind. Konten mit E-Mail-Passwort starten ohne Testguthaben. Das Guthaben verfällt nicht, wenn es nicht innerhalb der 7 Tage genutzt wird, aber die Testphase endet.

Wie lange dauert die Kontoeinrichtung?

Die Einrichtung erfolgt schnell über die /get-api-key/ Seite. Sie können sich mit Google oder E-Mail+Passwort registrieren. Der API-Schlüssel wird sofort angezeigt. Top-ups via USDT (TRC-20) werden innerhalb weniger Minuten nach der Überweisung automatisch gutgeschrieben. Keine manuelle Freischaltung nötig.

Werden die Audio-Dateien gespeichert?

Nein, generierte Audio-Dateien werden nicht gespeichert. Sie werden direkt in der Antwort zurückgegeben. Nur Metadaten der Anfrage (Zeit, Zeichen, Status) werden zur Abrechnung aufbewahrt. Der eingegebene Text wird ausschließlich zur Audio-Generierung verwendet und nicht für Trainingszwecke genutzt.

Was passiert bei fehlgeschlagenen Anfragen?

Fehlgeschlagene Anfragen sind kostenlos. Wenn die Synthese fehlschlägt, wird der Betrag vollständig erstattet. Sie zahlen nur für erfolgreich generierte Audio-Dateien. Dies gilt auch, wenn die API vorübergehend überlastet ist und eine Anfrage nicht verarbeitet werden kann.

Welche Stimmen eignen sich für Nachrichten?

Für Nachrichten eignet sich Atlas (neutral, Nachrichten) oder Felix (energetisch, Promo). Felix ist auch für kurze Updates gut. Aria (warm, klar) und Luna (weich, Geschichten) eignen sich eher für längere Reportagen. Alle Stimmen sprechen alle unterstützten Sprachen fließend.

Wie wird die Sprache erkannt?

Wenn kein language-Parameter gesetzt ist, wird die Sprache aus dem Skript erraten. Lateinische Schrift wird standardmäßig als Englisch interpretiert. Für nicht-englische Texte in lateinischer Schrift sollte der language-Parameter explizit gesetzt werden, um Fehler zu vermeiden. Die Erkennung ist automatisch.

Gibt es ein SLA für die Verfügbarkeit?

Nein, wir bieten kein Service Level Agreement (SLA) oder eine Verfügbarkeitsgarantie. Die API ist eine Cloud-Lösung ohne vertragliche Zusicherungen. Bei hoher Auslastung können Anfragen in einer Warteschlange landen. Die typische Geschwindigkeit ist etwa Echtzeit, aber Verzögerungen sind möglich.

Wie kann ich Support kontaktieren?

Support erfolgt ausschließlich per E-Mail. Es gibt keine Telefonnummer, kein Live-Chat und keine telefonische Unterstützung. Antworten auf E-Mails erfolgen in der Regel innerhalb weniger Werktage. Weitere Informationen finden Sie auf der /contact/ Seite dieser Website.

Ist die API für kommerzielle Nutzung geeignet?

Ja, die API ist für kommerzielle Nutzung geeignet. Es gibt keine Einschränkungen bezüglich der Verwendungszwecke. Die Audio-Dateien tragen einen unsichtbaren Wasserzeichen, das sie als synthetisch kennzeichnet. Dies ist für die meisten kommerziellen Anwendungen akzeptabel. Keine zusätzlichen Lizenzen nötig.

Erste Anfrage

curl

curl https://api.xvive.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.mp3

Warum Nachrichten per API vorlesen?

Schallwellenillustration für: Warum Nachrichten per API vorlesen?

Die Integration einer Text-zu-Sprache-API ermöglicht es News-Portalen, Textinhalte direkt in auditiven Feed zu überführen. Durch die API-Architektur wird Audio nahtlos in bestehende CMS-Lösungen eingebunden, ohne dass komplexe Middleware benötigt wird.

Echtzeit-Audio für News-Feeds

Echtzeit-Audio für News-Feeds

Die API generiert Audio mit einer typischen Geschwindigkeit von etwa Echtzeit (ca. 25 Zeichen pro Sekunde). Für kurze Meldungen entstehen so sofortige Audio-Dateien, während längere Artikel nahtlos durch Segmentierung und Zusammenführung wiedergegeben werden.

Barrierefreiheit für Blinde & Sehbehinderte

Durch die automatisierte Generierung von Sprachausgaben wird der Zugang zu Nachrichten für Nutzer mit Sehbehinderungen verbessert. Die klare Artikulation der Stimmen gewährleistet ein hohes Verständnis der Inhalte ohne zusätzliche manuelle Aufnahmen.

Automatisierung von Audio-Artikeln

Redaktionen können Artikelströme direkt mit der TTS-API verknüpfen. Sobald ein Text veröffentlicht wird, wird das entsprechende Audio-Segment erstellt. Dies eliminiert den manuellen Aufwand für Sprecher und ermöglicht eine sofortige Verfügbarkeit auf mobilen Endgeräten.

Funktionsumfang der API

Schallwellenillustration für: Funktionsumfang der API

Die API verarbeitet Texte in 23 Sprachen – von Deutsch bis Arabisch – mit acht vordefinierten Stimmen. Die Sprachzuerkennung erfolgt automatisch, kann aber über den Parameter language explizit gesteuert werden.

Die Schnittstelle folgt dem JSON-Standard von OpenAI. Entwickler nutzen dieselbe Struktur wie bei der offiziellen Speech-API, indem sie die base_url auf https://api.xvive.info/v1 ändern.

23 Sprachen mit 8 Stimmen

Alle acht Stimmen – darunter Atlas für Nachrichten und Sage für Anleitungen – beherrschen alle 23 unterstützten Sprachen. Eine Anpassung der Stimme an die Sprache ist nicht erforderlich, die Engine erkennt den Kontext.

  • Arabisch, Chinesisch, Deutsch, Englisch, Französisch, Hindi, Japanisch, Koreanisch, Spanisch und mehr
  • Keine festen Stimmen pro Sprache: Jede Stimme kann jede Sprache fließend

JSON-Standard wie OpenAI

Das Request-Format ist identisch mit dem OpenAI-Standard. Sie senden model, input, voice und response_format als JSON-Body an den Endpunkt POST /v1/audio/speech.

  • Kompatibel mit offiziellen OpenAI SDKs (via base_url-Anpassung)
  • Ergebnis: Audio-Datei direkt im Response-Body

Flexible Formatwahl (MP3, WAV, OPUS)

Wählen Sie das Ausgabeformat nach Bedarf. MP3 ist effizient für Web-Feeds, WAV bietet unverlustbehaftete Qualität für Archivreihen. OPUS und FLAC sind ebenfalls verfügbar, ebenso PCM für Rohdaten.

  • MP3, WAV, OPUS, FLAC, PCM
  • Keine Qualitätsverluste durch Formatwahl, nur unterschiedliche Dateigrößen

Stimmen für Nachrichten

Schallwellenillustration für: Stimmen für Nachrichten

Die Wahl der Stimme definiert die Wahrnehmung Ihrer Nachricht. Für redaktionelle Inhalte bieten wir drei präzise Profile an, die sich speziell an die Anforderungen von News-Feeds und informativen Texten anpassen.

Atlas: Neutral und sachlich

Atlas liefert eine neutrale, journalistische Stimme, ideal für Nachrichten und Berichterstattungen. Der Klang ist klar und verzichtet auf übertriebene Emotionen, sodass der Inhalt im Vordergrund steht.

  • Neutraler, sachlicher Klang
  • Ideal für Nachrichten
  • Klare Artikulation

Sage: Klar und instruktiv

Sage eignet sich hervorragend für Erklärtexte und informative Beiträge. Die Stimme wirkt ruhig und lehrreich, was die Lesbarkeit komplexer Inhalte im Audioformat erheblich verbessert.

  • Klar und instruktiv
  • Ruhige Stimme
  • Gut für Erklärtexte

Felix: Energetisch und werblich

Felix bringt Energie in Promo-Texte und kurze Ankündigungen. Sein energischer Tonfall sorgt dafür, dass Werbebotschaften und Highlights Aufmerksamkeit erregen, ohne aufdringlich zu wirken.

  • Energetisch und lebendig
  • Perfekt für Promo
  • Aufmerksamkeitsstark

Technische Integration

Schallwellenillustration für: Technische Integration

Die Anbindung an unsere Text-to-Speech-API ist für Indie-Entwickler und Redaktionen speziell darauf ausgelegt, schnell und ohne komplexe Infrastruktur zu funktionieren. Wir bieten eine robuste Lösung, die nahtlos in bestehende News-Feeds oder Accessibility-Workflows integriert werden kann.

Schnelle Integration für Indie-Dev

Die API erfordert keine langwierige Einarbeitung. Mit einem einzigen POST-Request erhalten Sie das fertige Audioformat. Dies ermöglicht es Entwicklern, Audio-Artikel in Minuten statt in Tagen zu generieren und sofort bereitzustellen.

Kein eigenes SDK nötig

Sie müssen kein proprietäres Paket importieren. Die API folgt exakt dem Request-Shape der OpenAI-Speech-Endpunkte. Das bedeutet, dass Sie bestehende HTTP-Clients oder die offizielle OpenAI-SDK nutzen können, indem Sie einfach die base_url auf https://api.xvive.info/v1 anpassen.

Standard-HTTP-Requests

Alles basiert auf Standard-JSON und HTTP. Sie senden Text und Parameter, erhalten ein Audio-File zurück. Authentifizierung und Formatierung erfolgen über Header und JSON-Körper, wie es in der modernen Webentwicklung üblich ist.

Preismodell

Schallwellenillustration für: Preismodell

Das Preismodell von ViveText ist transparent und leistungsabhängig: Sie zahlen 10 USD pro Million Zeichen, was 0,01 USD pro 1.000 Zeichen entspricht. Leerzeichen und Interpunktion zählen als Zeichen. Bei einer Synthese-Fehler wird der Betrag vollständig erstattet.

Es gibt keine monatlichen Fixkosten, keine Mindestumsätze und keine Abonnements. Das Guthaben verbleibt auf Ihrem Konto, bis es verbraucht ist, und verfällt nicht. Dies ermöglicht eine exakte Kostenkontrolle für News-Feeds und Audio-Artikel.

10 USD pro 1 Mio. Zeichen

Die Kosten richten sich ausschließlich nach der Länge des Textes. Mit einem Startguthaben von 0,50 USD können Sie direkt nach der Registrierung testen, ohne Geld einzuzahlen.

Keine monatlichen Fixkosten

Im Gegensatz zu vielen Plattformen zahlen Sie nur für das, was Sie tatsächlich generieren. Es fallen keine versteckten Gebühren für API-Calls oder Datenübertragung an.

Zahlung via USDT

Aufladungen erfolgen ausschließlich über USDT im TRC-20-Netzwerk auf der TRON-Blockchain. Der Mindestbetrag liegt bei 5 USD. Die Gutschrift erfolgt nach der Bestätigung der Transaktion innerhalb weniger Minuten.

  • Keine Kreditkarten, kein PayPal
  • Keine Rechnungen mit Mehrwertsteuer
  • Automatische Gutschrift nach Block-Bestätigung
Preismodell

Qualität & Zuverlässigkeit

Schallwellenillustration für: Qualität & Zuverlässigkeit

Die generierten Audio-Dateien enthalten eine unsichtbare Wassermarke, die sie eindeutig als synthetische Stimme ausweist. Dies gewährleistet Transparenz bei der Veröffentlichung von Nachrichten und kennzeichnet die Datei als synthetische Stimme.

Wassermarke für synthetische Stimme

Jede Ausgabe wird digital markiert, ohne die Hörqualität zu beeinträchtigen. Dies entspricht modernen Standards für KI-generierte Medien und bietet Rechtssicherheit bei der Kennzeichnung von AI-Content.

Konsistente Qualität

Die 8 verfügbaren Stimmen liefern ein durchgehend hohes Audio-Niveau. Egal ob Atlas für neutrale Nachrichten oder Sage für erklärende Texte – die Klangqualität bleibt über alle Anfragen hinweg stabil und professionell.

Schnelle Generierung

Längere Texte werden mit einer typischen Geschwindigkeit von etwa 25 Zeichen pro Sekunde verarbeitet. Kurze Phrasen benötigen nur wenige Sekunden. Bei hoher Auslastung können Anfragen in der Warteschlange stehen.

Datenschutz & Lizenzen

Schallwellenillustration für: Datenschutz & Lizenzen

Die Eingabetexte werden ausschließlich zur Erzeugung des Audios verwendet und nicht zum Training der Modelle. Für die Abrechnung werden nur Metadaten wie Zeit, Zeichenanzahl und Status gespeichert. Das generierte Audio wird direkt zurückgegeben und nicht dauerhaft auf unseren Servern abgelegt.

Text wird nicht zum Training genutzt

Ihre Texte bleiben privat. Sie dienen ausschließlich der Synthese und werden nicht für das Training der KI verwendet. Lediglich die für die Abrechnung notwendigen Metadaten werden archiviert.

Lizenzierte Aufnahmen

Die Stimmen basieren auf lizenzierten Aufnahmen der Community (LibriTTS-R, CC BY 4.0) aus öffentlichen Hörbüchern von LibriVox. Dies gewährleistet eine legale und transparente Basis für die Sprachsynthese.

Keine Speicherung von Audio

Die generierten Audio-Dateien werden nach der Zustellung nicht gespeichert. Dies minimiert das Risiko von Datenlecks bei Ihren Nachrichtenartikeln oder Interviews.

Starten Sie jetzt

Schallwellenillustration für: Starten Sie jetzt

Beginnen Sie mit der Integration von ViveText in Ihre News-Plattform. Erhalten Sie sofort Zugriff auf die API und starten Sie die Generierung von Audio-Inhalten für Ihre Redakteure und Nutzer.

API-Key anfordern

Besuchen Sie die Seite /get-api-key/, um Ihren persönlichen API-Schlüssel zu generieren. Die Registrierung ist einfach über Google oder E-Mail möglich. Der Schlüssel wird direkt im Dashboard angezeigt und ist sofort einsatzbereit.

Dokumentation lesen

Die vollständige Dokumentation unter /docs/ erklärt die Endpunkte und Parameter. Lernen Sie die JSON-Struktur kennen, die kompatibel zum OpenAI-Standard ist. So integrieren Sie die API nahtlos in Ihre bestehende Infrastruktur.

  • Endpoint-Referenz
  • Beispiel-Codes
  • Fehlerbehandlung

Erste Test-Anfrage senden

Nutzen Sie den mitgelieferten CURL-Befehl aus dem Dashboard, um Ihre erste Anfrage zu senden. Prüfen Sie die Ausgabe im gewünschten Format. Bei Erfolg erhalten Sie die Audiodatei direkt als Antwort.

Häufige Fragen

Schallwellenillustration für: Häufige Fragen

Hier finden Sie konkrete Antworten zu Leistung, Formaten und Grenzen der API. Wir klären Missverständnisse zu Geschwindigkeit und Zeichenzahlen, damit Sie Ihre News-Pipeline korrekt dimensionieren können.

Wie schnell ist die Generierung?

Die Generierung dauert bei langen Texten in etwa so lange wie die Wiedergabe selbst (ca. 25 Zeichen pro Sekunde). Bei kurzen Phrasen sind es wenige Sekunden. Da Anfragen nacheinander verarbeitet werden, kann es unter Last zu Wartezeiten in einer Warteschlange kommen.

Welche Formate werden unterstützt?

Sie können zwischen MP3, WAV, OPUS, FLAC und PCM wählen. Das Standardformat für die meisten Anwendungen ist MP3. Die Wahl des Formats beeinflusst nur die Dateigröße und Kompatibilität, nicht die Stimmqualität der Engine.

  • MP3, WAV, OPUS, FLAC, PCM

Gibt es ein Limit für die Zeichen?

Ja, jede einzelne API-Anfrage ist auf maximal 4096 Zeichen Text begrenzt. Für längere Artikel müssen Sie den Text in passende Teile aufteilen, diese einzeln synthesieren und die Audio-Dateien anschließend zusammensetzen.

Hören Sie sich die 8 Stimmen an

Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Die Eingabetexte werden ausschließlich zur Erzeugung der Audioausgabe verwendet und nicht für Trainingszwecke gespeichert.

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. Tether (USDT)
  3. LibriTTS-R paper (arXiv 2305.18802)
  4. LibriTTS-R corpus (OpenSLR 141)
  5. openai-node on GitHub
  6. FFmpeg documentation
  7. Creative Commons Attribution 4.0
  8. Python documentation
  9. W3C WAI: making audio and video accessible
  10. openai-python on GitHub
  11. Node.js documentation
  12. TRON developer hub: TRC-20

Mehr auf dieser Website