Wie funktioniert die TTS-API und was kostet sie wirklich?

Von Sprachgeist Redaktionsteam · Aktualisiert 2026-11-18

Diese Seite erklärt dir, wie die TTS-API von Sprachgeist funktioniert und was sie dich kostet. Wir zeigen Schritt für Schritt, wie du Text in Audio umwandelst, welche technischen Anforderungen gelten und wie du die API in deine Indie-Games oder NPC-Dialoge integrierst. Du erfährst alles über die 23 unterstützten Sprachen, die 8 verfügbaren Stimmen und die transparente Preisstruktur.

Die Erklärung richtet sich speziell an Indie-Entwickler, die eine zuverlässige Lösung für Sprachausgabe suchen. Wir verzichten auf Hype und konzentrieren uns auf Fakten: von der JSON-Struktur über die Zeichenbegrenzung bis hin zur Abrechnung per USDT. Lies weiter, um zu verstehen, warum diese API sich gut eignet, wenn du dich auf das Spieldesign konzentrieren und nicht auf komplexe Infrastruktur verlassen möchtest.

Wie funktioniert die TTS-API und was kostet sie wirklich?

Häufig gestellte Fragen

Wie funktioniert die Synthese?

Sende Text per POST an https://api.playi44.com/v1/audio/speech und erhalte eine Audiodatei. Pro Anfrage sind maximal 4096 Zeichen erlaubt. Bei längeren Texten teilst du sie auf und verknüpfst die Audio-Enden manuell. Da die API Anfragen nacheinander verarbeitet, können unter Last Warteschlangen entstehen, was die Antwortzeiten beeinflusst. Knappe Texte dauern wenige Sekunden, lange Texte generieren sich etwa in Echtzeit.

Welche Sprachen werden unterstützt?

Wir unterstützen 23 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch, Japanisch und Arabisch. Jede Stimme kann jede dieser Sprachen sprechen. Wenn du die Sprache nicht explizit angibst, wird sie basierend auf dem Schriftbild erraten. Für lateinische Texte ohne Sprachangabe wird standardmäßig Englisch verwendet.

Sind die Stimmen lizenziert?

Ja, die Stimmen basieren auf Aufnahmen aus LibriTTS-R (CC BY 4.0) und stammen von LibriVox. Diese Quellen sind entweder gemeinfrei oder unter einer freien Lizenz veröffentlicht. Jede generierte Audiodatei enthält zudem einen unsichtbaren Wasserzeichen, das den synthetischen Ursprung der Stimme kennzeichnet.

Kann ich die Stimme anpassen?

Du kannst die Geschwindigkeit zwischen 0,25 und 4,0 anpassen. Eine direkte Anpassung von Tonfall, Emotion oder Lautstärke ist nicht möglich. Es gibt keine SSML-Unterstützung oder benutzerdefinierte Lexika. Die Wahl der Stimme erfolgt durch die Auswahl einer der acht vordefinierten Presets.

Wie wird die Qualität gewährleistet?

Die Qualität basiert auf der Engine und lizenzierten Aufnahmen. Wir garantieren keine spezifische Uptime oder SLA. Die Synthese ist konsistent, variiert aber je nach Textkomplexität. Fehlgeschlagene Anfragen werden vollständig erstattet, sodass du nur für erfolgreiche Ausgaben zahlst. Dies stellt sicher, dass du fair für die tatsächliche Leistung beiträgst, ohne Risiken für Ausfallzeiten zu tragen.

Gibt es Latenzprobleme?

Die Verarbeitung erfolgt sequenziell, sodass Anfragen unter Last in eine Warteschlange eingereiht werden können. Lange Texte werden mit etwa 25 Zeichen pro Sekunde generiert, was in etwa der Echtzeit entspricht. Kurze Sätze benötigen hingegen einige Sekunden. Die tatsächliche Latenz hängt daher von der aktuellen Serverauslastung und der Länge des Textes ab.

Sind die Audio-Dateien dauerhaft verfügbar?

Nein, generierte Audio-Dateien werden in der Antwort zurückgegeben, aber nicht dauerhaft auf unseren Servern gespeichert. Du musst die Dateien selbst speichern. Nur Metadaten wie Zeit, Zeichenanzahl und Status werden zur Abrechnung aufbewahrt. Es gibt keinen persistenten Speicher für deine generierten Audiodaten.

Wie viele Stimmen gibt es?

Es stehen acht vordefinierte Stimmen zur Verfügung: vier weibliche (Aria, Nova, Luna, Sage) und vier männliche (Felix, Milo, Atlas, Orion). Jede Stimme hat einen eigenen Klangcharakter, von warm bis tief. Du wählst die gewünschte Stimme einfach über den Parameter voice in deiner Anfrage.

Kann ich die Stimme mischen?

Ein direktes Mischen von Stimmen während der Generierung ist nicht möglich. Du kannst nur eine einzelne Stimme pro Anfrage auswählen. Um einen Misch-Effekt zu erzielen, musst du mehrere Audio-Dateien separat generieren und diese anschließend in deinem Audio-Editor oder Spiel zusammenführen.

Ist die API kostenlos?

Nein, die API kostet 10 US-Dollar pro eine Million Zeichen. Nach dem Registrieren erhältst du 0,50 $ Guthaben für sieben Tage. Danach zahlst du via USDT (TRC-20). Fehlgeschlagene Anfragen sind kostenlos. Es gibt keine monatlichen Grundgebühren oder Mindestumsätze.

Wie wird die Qualität gemessen?

Die Abrechnung erfolgt pro Zeichen, einschließlich Leerzeichen und Interpunktion. Ein Fehler führt zur vollständigen Rückerstattung. Die Qualität wird subjektiv durch die Stimme und die Engine bestimmt. Es gibt keine objektiven Metriken wie Word Error Rate. Wir liefern einfach die Audiodatei zurück.

Kann ich die API offline nutzen?

Nein, die API ist rein cloudbasiert. Du benötigst eine aktive Internetverbindung, um Text an https://api.playi44.com/v1 zu senden und die Audioantwort zu empfangen. Es gibt weder eine lokale Installation noch ein On-Premise-Modell. Auch keine mobilen SDKs für Offline-Nutzung ohne Serververbindung sind verfügbar.

Gibt es ein Format-Problem?

Du wählst zwischen MP3, WAV, OPUS, FLAC und PCM. Alle Formate werden direkt unterstützt. Es gibt keine weiteren Beschränkungen jenseits der technischen Spezifikation. Die Qualität hängt von den Einstellungen ab, doch die API liefert stets das korrekt generierte Audio im gewünschten Format zurück. Achte darauf, dass das Format zu deinem Use-Case passt, etwa PCM für Rohdaten oder MP3 für kompakte Dateien.

Definition

Schallwellenillustration für: Definition

Die Sprachgeist-API wandelt eingegebenen Text in synthetische Audio-Dateien um. Sie ist cloudbasiert und benötigt keine lokale Installation. Entwickler senden einfach Text und erhalten Audio.

Das System nutzt standardisierte Endpunkte. Dies ermöglicht eine nahtlose Integration in bestehende Workflows von Indie-Entwicklern ohne komplexe Infrastruktur.

Text zu Audio

Wir bieten eine Text-to-Speech-Lösung für Indie-Games. Du gibst Text ein und empfängst eine Audio-Datei. Die Synthese erfolgt serverseitig. Die Ausgabe ist sofort verfügbar.

Cloud-basiert

Die Verarbeitung findet auf unseren Servern statt. Du musst keine Hardware kaufen. Die Last liegt bei uns. Du konzentrierst dich auf das Spieldesign. Die Infrastruktur skaliert automatisch.

API-Endpunkte

Wir nutzen drei klare Endpunkte. POST /v1/audio/speech generiert Audio. GET /v1/voices listet verfügbare Stimmen. GET /v1/models zeigt die Modelle an. Die Struktur ähnelt OpenAI, aber wir sind unabhängig. Dies vereinfacht die Anbindung für Entwickler.

Funktionsweise

Schallwellenillustration für: Funktionsweise

Die TTS-API funktioniert als einfache Cloud-Lösung: Sie senden Text über eine JSON-Anfrage und erhalten eine Audiodatei zurück. Dies ermöglicht eine nahtlose Integration in Spiele-Engines, da die Daten direkt im Antwortkörper vorliegen und ohne komplexe Zwischenschritte verarbeitet werden können.

JSON-Anfrage

Die Kommunikation erfolgt über eine standardisierte POST-Anfrage an https://api.playi44.com/v1/audio/speech. Im JSON-Body definieren Sie Parameter wie model („tts-1“ oder „tts-1-hd“), input (Text, max. 4096 Zeichen), voice, response_format und optional speed sowie language. Die Authentifizierung erfolgt über einen Bearer-Token im Header.

  • Endpunkt: POST https://api.playi44.com/v1/audio/speech
  • Auth: Authorization: Bearer tts-...
  • Body: JSON mit model, input, voice, format

Audio-Rückgabe

Die API antwortet synchron mit der fertigen Audiodatei im Antwortkörper. Das Format entspricht der Angabe im Request (mp3, wav, opus, flac, pcm). Die Datei ist direkt abspielbar und kann in der Game-Engine gepuffert oder gespeichert werden, ohne dass zusätzliche Protokolle nötig sind.

Synthese-Engine

Hinter der Schnittstelle laufen die Anfragen durch unsere Synthese-Engine, die Texte in Echtzeit verarbeitet. Bei langen Dialogen wird der Text automatisch in Teile unter 4096 Zeichen gesplittet, synthetisiert und die Audio-Dateien später zusammengeführt. Die Verarbeitung erfolgt sequenziell, was bei hoher Last zu Warteschlangen führen kann.

Funktionsweise

Vorteile

Schallwellenillustration für: Vorteile

Die Cloud-Architektur der API entlastet deine Spielentwicklung von der Notwendigkeit, eigene Audio-Server zu verwalten. Das System verarbeitet Anfragen sequenziell und verarbeitet Texte in Echtzeit, wobei die Latenz bei kurzen Phrasen im Bereich weniger Sekunden liegt. Bei längeren Dialogmengen nähert sich die Generierungsgeschwindigkeit der Echtzeit an, was eine nahtlose Integration in Game-Engines ermöglicht, ohne dass du die Infrastruktur selbst skalieren musst.

Skalierbarkeit

Da die Synthese zentral in der Cloud stattfindet, kannst du die Anzahl der generierten NPC-Dialoge beliebig erhöhen, ohne die Performance deines eigenen Servers zu beeinträchtigen. Pro API-Key sind 60 Anfragen pro Minute erlaubt, was für die meisten Indie-Projekte ausreicht. Bei höherer Last warten Anfragen in einer Queue, was die Stabilität garantiert.

Kosteneffizienz

Du zahlst nur für verbrauchte Zeichen: 10 Dollar pro einer Million Zeichen. Das entspricht einem Preis von 0,01 Dollar pro 1.000 Zeichen. Gescheiterte Synthesen werden vollständig erstattet, sodass du kein Geld für fehlerhafte Ausgaben verlierst. Es gibt keine monatlichen Fixkosten oder Mindestumsätze, was das Budget-Risiko für kleine Teams minimiert.

Einfache Integration

Die API folgt dem Request-Shape der OpenAI-Speech-Endpunkte. Durch Änderung der base_url auf https://api.playi44.com/v1 funktionieren offizielle OpenAI-SDKs unverändert. Das bedeutet, du kannst bestehende Bibliotheken nutzen und musst nur den API-Key und die Endpunkt-URL anpassen. Das JSON-Format ist einfach strukturiert und erfordert nur ein POST-Request mit Text, Stimme und Format.

Anwendungsfälle

Schallwellenillustration für: Anwendungsfälle

Die API ermöglicht es, Dialogbäume dynamisch zu generieren, statt tausende Audio-Dateien manuell aufzunehmen. Durch die direkte Anbindung an das Spiel können NPCs auf Spieleraktionen reagieren, ohne dass vordefinierte Clips fehlen.

NPC-Dialoge

Statt fest eingeblendeter Audio-Dateien generiert die API Audio on-demand. Das skaliert mit der Textmenge, da jeder Dialog neu erstellt wird. Die Verarbeitung erfolgt sequentiell; kurze Sätze sind schnell verfügbar, längere Sequenzen folgen nach der Warteschlange.

Dies erlaubt unendliche Variationen von Dialogen, ohne dass jedes einzelne Wort separat aufgenommen werden muss.

  • Reaktion auf Spielerentscheidungen in Echtzeit
  • Keine manuelle Synchronisation von Lippen
  • Skalierbar bei wachsendem Dialogumfang

Audiobooks

Für Indie-Verlage ist die API eine praktikable Alternative zur teuren Studiomiete. Texte werden schnell in Audio umgewandelt, wobei 23 Sprachen und 8 Stimmen zur Verfügung stehen. Die Kosten bleiben transparent, da nur pro Zeichen abgerechnet wird.

Prototyping

Während der Spielentwicklung lässt sich so schnell ein funktionierender Sound-Prototyp erstellen. Entwickler testen verschiedene Stimmen und Geschwindigkeiten, ohne auf Audio-Designer warten zu müssen. Bei Änderungen im Text wird einfach die API erneut aufgerufen.

Technische Anforderungen

Schallwellenillustration für: Technische Anforderungen

Die Anbindung der Sprachgeist-API an dein Spiel oder deine Anwendung erfordert lediglich eine stabile Internetverbindung, da die Synthese vollständig in der Cloud stattfindet. Die Latenz beträgt bei kurzen Phrasen wenige Sekunden, bei längeren Texten etwa Echtzeit. Da Anfragen nacheinander verarbeitet werden, kann es unter Last zu Warteschlangen kommen, was für die meisten Indie-Projekte jedoch vernachlässigbar ist.

Für die Authentifizierung benötigst du deinen persönlichen API-Key, den du nach der Registrierung auf /get-api-key/ findest. Dieser wird im Header als Authorization: Bearer <key> übergeben. Die API verwendet ein JSON-basiertes Format, das exakt der Struktur des OpenAI Speech-Endpunkts entspricht. Du kannst daher bewährte OpenAI-SDKs nutzen, indem du lediglich die base_url auf https://api.playi44.com/v1 änderst.

Internetverbindung

Eine stabile Internetverbindung ist Voraussetzung, da die Synthese in der Cloud erfolgt. Die Antwortzeiten variieren: Kurze Sätze benötigen wenige Sekunden, längere Texte werden mit etwa 25 Zeichen pro Sekunde generiert. Unter hoher Last können Anfragen in eine Warteschlange gestellt werden, was die Gesamtberechnungszeit leicht erhöht, aber die Funktionalität nicht beeinträchtigt.

API-Key

Jeder Account besitzt einen aktiven Schlüssel, der im HTTP-Header Authorization: Bearer <key> übergeben wird. Du kannst jederzeit einen neuen Schlüssel ausstellen, wobei der alte sofort ungültig wird. Dies bietet maximale Sicherheit bei der Integration in deine Game-Engine oder Webanwendung.

JSON-Format

Das Request-Format orientiert sich an der OpenAI-Spezifikation. Dies ermöglicht die Nutzung bekannter SDKs oder einfacher HTTP-Clients ohne komplexe Anpassungen. Du sendest ein JSON-Objekt mit Parametern wie model, input, voice und response_format an den Endpunkt POST /v1/audio/speech.

  • Modell: tts-1 oder tts-1-hd
  • Audio-Format: mp3, wav, opus, flac, pcm
  • Stimme: Eine der 8 verfügbaren Presets
  • Geschwindigkeit: Faktor 0.25 bis 4.0

Unterschied zu anderen Methoden

Schallwellenillustration für: Unterschied zu anderen Methoden

Die Wahl der richtigen Technologie für NPC-Dialoge hängt von Ressourcen und Anforderungen ab. Während manuelle Aufnahme hohe Produktionskosten verursacht und lokale Software Rechenleistung bindet, bietet eine Cloud-API eine skalierbare Alternative mit transparenter Abrechnung.

Wir vergleichen unsere Lösung direkt mit etablierten Methoden, um die technischen und wirtschaftlichen Unterschiede für Indie-Entwickler klar darzustellen.

Vs. Aufnahme

Manuelle Aufnahmen benötigen Studiotime, Sprecher und Editor. Bei Änderungen müssen ganze Szenen neu eingesprochen werden. Die API generiert Audio on-demand, sodass Dialoge jederzeit angepasst oder erweitert werden können, ohne neue Aufnahmesessions.

Das Audio wird sofort nach der Texteingabe generiert, was iterative Designprozesse in der Spieleentwicklung beschleunigt, da kein Warten auf Postproduktion nötig ist.

  • Keine Abhängigkeit von Sprecherverfügbarkeit
  • Sofortige Änderungen am Text möglich
  • Keine Studio- oder Mietequipment-Kosten

Vs. Lokale Software

Lokale TTS-Engines binden CPU oder GPU des Servers oder Clients. Unsere Cloud-Lösung verlagert die Rechenlast auf unsere Infrastruktur, was Server-Ressourcen für das eigentliche Spiel freigibt.

Lokale Lösungen erfordern oft Updates zur Sprachverbesserung. Die Cloud-API wird zentral aktualisiert, ohne dass Clients patchen müssen.

  • Keine lokale Hardware-Belastung
  • Zentrale Updates ohne Client-Patches
  • Skalierbar bei vielen NPCs

Vs. Andere APIs

Viele Dienste sind teuer oder komplex in der Integration. Unser Ansatz nutzt das vertraute OpenAI-Endpunkt-Format und bietet klare, pro Zeichen abgerechnete Preise ohne monatliche Fixkosten.

Andere APIs verlangen oft Subscription-Modelle oder have hidden limits. Wir bieten 60 Requests pro Minute und eine einfache Abrechnung via USDT, was die Budgetplanung für Indie-Teams erleichtert.

  • Keine monatlichen Fixkosten
  • Transparente Preisgestaltung pro Zeichen
  • Vertrautes API-Format (OpenAI-kompatibel)
Unterschied zu anderen Methoden

Sprachen & Stimmen

Schallwellenillustration für: Sprachen & Stimmen

Die API unterstützt 23 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch, Arabisch, Chinesisch, Japanisch, Koreanisch, Hindi, Russisch, Polnisch, Niederländisch, Portugiesisch, Schwedisch, Norwegisch, Dänisch, Finnisch, Italienisch, Türkisch, Griechisch, Hebräisch, Malaiisch und Swahili. Jede der 8 verfügbaren Stimmen beherrscht alle 23 Sprachen flüssig, sodass du für NPCs oder internationale Inhalte keine separaten Stimmen kaufen musst.

23 Sprachen

Die Sprache wird automatisch anhand des Scripts erkannt. Bei lateinischem Text wird standardmäßig Englisch angenommen. Für andere Sprachen mit lateinischem Alphabet, wie etwa Deutsch oder Schwedisch, muss das Feld language optional im Request gesetzt werden.

8 Stimmen

Wir bieten acht fest definierte Stimmen: Aria, Nova, Luna und Sage (weiblich) sowie Felix, Milo, Atlas und Orion (männlich). Jede Stimme hat einen klaren Charakter, von ruhig bis energisch, ideal für unterschiedliche NPC-Typen in Indie-Games.

Lizenzierung

Die Stimmen basieren auf lizenzierten Aufnahmen von LibriTTS-R (CC BY 4.0) und öffentlichen Hörbuchaufzeichnungen von LibriVox. Jede generierte Audio-Datei enthält einen unsichtbaren Wasserzeichen, das sie als synthetische Sprache ausweist.

Datenschutz

Schallwellenillustration für: Datenschutz

Bei der Sprachgeist API bleibt dein Input privat. Die eingegebenen Texte werden ausschließlich zur Erzeugung der Audiodatei verwendet und fließen nicht in Trainingsdatensätze ein. Das bedeutet, dass deine spezifischen Dialoge oder Spielinhalte nicht genutzt werden, um die zugrunde liegenden Sprachmodelle zu verbessern oder anzupassen.

Nach der Auslieferung der Audioantwort im Response werden die generierten Audiodateien nicht auf unseren Servern gespeichert. Lediglich die Request-Metadaten (Zeitpunkt, Zeichenanzahl, Status) werden zur Abrechnung und Nachvollziehbarkeit verwaltet. Dies gewährleistet eine klare Trennung zwischen nutzungsbasierter Abrechnung und der eigentlichen Sprachsynthese.

Kein Training

Die eingegebenen Texte dienen ausschließlich der Erzeugung der Audioantwort und werden nicht für das Training der Sprachmodelle verwendet. Deine Inhalte bleiben somit isoliert und fließen nicht in die Verbesserung der zugrunde liegenden KI-Modelle ein.

Keine Speicherung

Generierte Audiodateien werden nach der Auslieferung an den Client nicht auf unseren Servern gespeichert. Lediglich die Request-Metadaten wie Zeitpunkt, Zeichenanzahl und Status werden zur Abrechnung und Nachvollziehbarkeit verwaltet. Es findet also keine langfristige Archivierung deiner generierten Audioinhalte statt.

Anonymität

Da keine Trainingsdaten aus deinen Input-Texten gewonnen werden und die Audioausgabe flüchtig ist, bleibt die Zuordnung zu spezifischen Projekten minimal. Dies bietet Indie-Entwicklern eine hohe Kontrolle über ihre geistigen Eigentumsrechte und Dialogdaten.

Die Verarbeitung erfolgt zustandslos: Sobald die Audiodatei übermittelt ist, liegt kein Zugriff mehr auf den Inhalt vor. Dies minimiert das Risiko unbemerkter Datennutzung für zukünftige Modellverbesserungen.

  • Input-Text nur für Synthese
  • Keine langfristige Audio-Speicherung
  • Metadaten nur zur Abrechnung
  • Kein Training mit User-Data

Kosten

Schallwellenillustration für: Kosten

Die Abrechnung erfolgt rein nutzungsbasiert: Ein Zeichen kostet 0,01 US-Dollar pro 1.000 Zeichen, was 10 US-Dollar pro eine Million Zeichen entspricht. Leerzeichen und Satzzeichen zählen als Zeichen. Gescheiterte Anfragen werden kostenlos berechnet; der Betrag wird voll erstattet.

Pro Zeichen

Die Kosten sind transparent und linear. Ein Free Trial von 0,50 US-Dollar (ca. 50.000 Zeichen) steht nach dem Google-Login für sieben Tage zur Verfügung. Konten mit E-Mail-Passwort starten ohne dieses Guthaben.

Keine Fixkosten

Es gibt keine monatlichen Pläne, keine Mindestumsätze und keine Abonnementgebühren. Du zahlst nur für das, was du generierst. Das Guthaben verfällt nicht und bleibt dauerhaft verfügbar.

USDT

Top-ups erfolgen ausschließlich per USDT im TRC-20 Netzwerk. Der Mindestbetrag liegt bei 5 US-Dollar. Die Gutschrift erfolgt automatisch innerhalb weniger Minuten nach dem Transfer.

Limitationen

Schallwellenillustration für: Limitationen

Die API verarbeitet Texte in einzelnen Anfragen mit einer maximalen Länge von 4096 Zeichen. Längere Dialoge müssen im Client aufgeteilt und die Audio-Dateien anschließend verknüpft werden. Dies erfordert eine einfache Logik in der Spiel-Engine, ist aber vollständig dokumentiert.

Im Gegensatz zu einigen anderen Lösungen gibt es keine WebSockets oder Echtzeit-Audio-Streams. Die Synthese erfolgt asynchron: Die API gibt die fertige Audiodatei zurück, sobald die Verarbeitung abgeschlossen ist. Für kurze Phrasen kann dies einige Sekunden dauern, bei längeren Texten ist die Geschwindigkeit annähernd Echtzeit.

4096 Zeichen

Jede einzelne API-Anfrage akzeptiert maximal 4096 Zeichen. Dies schließt Leerzeichen und Satzzeichen mit ein. Für längere NPC-Monologe oder Audiobooks muss die Texteingabe im Client-Code in kleinere Blöcke aufgeteilt werden. Die Audio-Enden der einzelnen Teilaufgaben werden dann sequenziell oder parallel kombiniert, um den vollständigen Dialog zu erzeugen.

Kein Streaming

Es gibt keine WebSockets oder Echtzeit-Audio-Streams. Die Datenübertragung erfolgt im klassischen Request-Response-Modus. Die Synthesemaschine verarbeitet die Anfrage in der Warteschlange und liefert das vollständige Audioformat (MP3, WAV, etc.) zurück. Dies ist für die meisten Indie-Games ausreichend, da Dialoge meist vor der Wiedergabe bereits geladen werden können.

Kein SSML

Die API unterstützt kein Speech Synthesis Markup Language (SSML). Es gibt keine Möglichkeit, Pausen, Betonungen oder Sprachmodulationen durch XML-Tags direkt im Text zu steuern. Die Intonation wird automatisch durch die gewählte Stimme und den Kontext des Textes bestimmt. Für präzise Timing-Kontrollen müssen Entwickler die Audiodateien im Editor nachbearbeiten oder die Pausen im Spiellogik-Code handhaben.

Limitationen

Zukunft

Schallwellenillustration für: Zukunft

Die API-Infrastruktur wurde mit Fokus auf Stabilität und einfache Skalierbarkeit für Indie-Entwickler konzipiert. Während sich die Marktlandschaft weiterentwickelt, bleibt das Kernversprechen der zuverlässige Empfang von Audiodaten bei klar definierten Kostenstrukturen bestehen.

Erweiterungen

Das System ist darauf ausgelegt, flexibel auf neue Anforderungen in der Game-Entwicklung zu reagieren. Durch die cloud-basierte Architektur entfällt die Notwendigkeit lokaler Updates, wenn sich die Nutzungsbedingungen ändern.

Bessere Stimmen

Die aktuellen 8 Stimmen basieren auf Lizenzierungen aus LibriTTS-R und LibriVox. Es gibt keine Garantie dafür, dass diese Stimmen in ihrer Qualität oder ihrem Klangprofil überarbeitet oder erweitert werden; sie bleiben als feste Presets verfügbar.

Mehr Sprachen

Aktuell sind 23 Sprachen verfügbar. Es wird keine zukünftige Erweiterung der Sprachliste versprochen. Entwickler müssen sich auf diese feststehende Liste verlassen, da keine neuen Sprachen in Aussicht gestellt werden.

Hören Sie sich die 8 Stimmen an

Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Die NPC-Dialoge lebten auf, als wir sie mit feinen Nuancen und subtilem Emotionsspiel versehen haben.

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. TRON developer hub: TRC-20
  4. openai-python on GitHub
  5. Creative Commons Attribution 4.0
  6. LibriVox public-domain audiobooks
  7. curl documentation
  8. Python documentation
  9. LibriTTS-R paper (arXiv 2305.18802)
  10. Tether (USDT)
  11. MDN: Web Speech API
  12. IETF RFC 7845: Ogg Opus

Mehr auf dieser Website