Text-to-Speech-API: OpenAI-kompatible Stimmen, verarbeitet in der EU

POST /v1/audio/speech erwartet einen JSON-Körper mit model, dem Text in input und einer voice und liefert als Antwort direkt die Audiodatei statt JSON. Speichern Sie sie unmittelbar, wie im curl-Beispiel mit --output, oder spielen Sie sie in Ihrer Anwendung ab. Der Header Content-Type nennt das Audioformat.

Offene Stimmmodelle unterscheiden sich in Sprachen und Stimmen. Jede Modellseite führt die verfügbaren Stimmen und Sprachen auf, und die Stimmen-IDs gelten nur für das jeweilige Modell. Eine OpenAI-Stimme wie alloy gibt es bei einem offenen Modell nicht; wählen Sie eine der modelleigenen Stimmen.

input ist der zu sprechende Text. Schreiben Sie ihn so, wie er klingen soll: Abkürzungen, Einheiten und ungewöhnliche Zahlen ausschreiben, wenn das Modell sie seltsam liest, und Pausen über Satzzeichen steuern. Lange Texte teilen Sie an Satzgrenzen auf mehrere Anfragen auf.

response_format legt das Format fest: mp3 ist ein guter Standard für Web und Apps, opus ist kompakt und eignet sich für Streaming und Telefonie, wav und pcm sind unkomprimiert für die Weiterverarbeitung, aac und flac bieten die meisten Modelle ebenfalls. speed ändert das Sprechtempo, 1.0 ist normal. Modelle mit Unterstützung dafür akzeptieren instructions für Tonfall und Vortragsweise.

Ein Sprachassistent verkettet drei Aufrufe: Spracherkennung für die Frage, Chat Completions für die Antwort und Sprachsynthese für die Ausgabe. Damit er flüssig reagiert, streamen Sie die Chat-Antwort, teilen sie beim Eintreffen in Sätze und schicken jeden Satz an den Speech-Endpunkt, während der nächste noch entsteht. Die Clips spielen Sie der Reihe nach ab.

Feste Ansagen wie Telefonmenüs oder Onboarding-Audio erzeugen Sie einmal und speichern sie zwischen, statt bei jeder Wiedergabe die API aufzurufen. Notieren Sie Modell und Stimme, damit spätere Ergänzungen gleich klingen.

Eine für das Modell unbekannte voice ergibt einen 400-Fehler mit dem Namen der Stimme; die Liste finden Sie auf der Modellseite oder bei uns. Leerer input oder Text über dem Limit pro Anfrage führen ebenfalls zu 400. Da eine erfolgreiche Antwort binäres Audio ist, prüfen Sie den HTTP-Status vor dem Speichern, sonst landet womöglich eine JSON-Fehlermeldung in Ihrer mp3-Datei.

Die Aussprache von Namen, Marken und gemischtsprachigem Text variiert je nach Modell. Testen Sie mit echten Inhalten und schreiben Sie hartnäckig falsch gesprochene Wörter in input lautgetreu. Kennzeichnen Sie KI-generierte Sprache, wo Gesetz oder eigene Richtlinien das verlangen.