---
title: "Text-to-Speech-API aus der EU · OpenAI-kompatibel"
description: "Erzeugen Sie natürliche Sprache aus Text mit einer OpenAI-kompatiblen Text-to-Speech-API. Offene Stimmmodelle für Apps und Hotlines, Verarbeitung in der EU."
canonical: "https://inference.eu/de/api/audio-speech/"
language: "de"
---

POST /v1/audio/speech

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

Der Speech-Endpunkt wandelt Text mit offenen Sprachsynthese-Modellen in gesprochenes Audio um. Er nutzt dieselbe Anfrage wie \`/v1/audio/speech\` bei OpenAI. Sprachfunktionen, die für diese API gebaut sind, von der Vorlesefunktion über Telefonmenüs bis zum Sprachagenten, wechseln so auf Modelle in europäischen Rechenzentren, indem Sie Basis-URL, Schlüssel, Modell und Stimme ändern.

[Vertrieb kontaktieren](https://inference.eu/de/kontakt/)[Beispielanfrage](#example)

1.  01API-Format: OpenAI
2.  02Rechenzentren in der EU
3.  03Durch einen AV-Vertrag abgedeckt

POST /v1/audio/speech

```
curl https://api.inference.eu/v1/audio/speech \
  -H "Authorization: Bearer $INFERENCE_EU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kokoro-82m",
    "voice": "bf_emma",
    "input": "Your parcel has left our depot in Rotterdam and will arrive tomorrow between nine and twelve.",
    "response_format": "mp3",
    "speed": 1.0
  }' \
  --output delivery-update.mp3
```

## Was der Endpunkt leistet

`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.

## Die wichtigsten Felder der Anfrage

`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 bewährtes Muster für Sprachfunktionen

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.

## Fehler und Sonderfälle

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.

## Text to speech

Endpunkt

POST /v1/audio/speech

Kategorie

Endpunkte

API-Format

OpenAI

Base URL

api.inference.eu/v1

Verarbeitung

Rechenzentren in der EU

Training mit Ihren Daten

Nie

## Text to speech: häufige Fragen

Die Fragen, die uns Einkauf, Entwicklung und Rechtsabteilungen am häufigsten stellen. Etwas fehlt? Fragen Sie uns direkt.

Ja. Pfad, JSON-Felder und binäre Antwort folgen \`/v1/audio/speech\` von OpenAI, daher funktioniert \`client.audio.speech.create\` in den OpenAI-SDKs mit Basis-URL und Schlüssel von inference.eu. Ändern Sie \`model\` auf ein offenes Stimmmodell und \`voice\` auf eine Stimme dieses Modells.

Nein. Stimmen werden von jedem Modell selbst definiert, und die OpenAI-Stimmen gehören zu OpenAIs Modellen. Wählen Sie eine Stimme des offenen Modells, das Sie aufrufen; jede Modellseite listet sie auf. Legen Sie die Stimme pro Sprache und Einsatzzweck in der Konfiguration ab, damit Sie sie später ändern können.

Das hängt vom Modell ab. Manche offenen Stimmmodelle konzentrieren sich auf Englisch und wenige weitere Sprachen, andere decken mehr europäische Sprachen ab. Prüfen Sie die unterstützten Sprachen auf der Modellseite und testen Sie die Aussprache mit echten Sätzen aus Ihrem Produkt, bevor Sie sich entscheiden.

Setzen Sie \`response\_format\` auf \`mp3\`, \`opus\`, \`aac\`, \`flac\`, \`wav\` oder \`pcm\`, je nachdem, was das Modell unterstützt. \`mp3\` passt für die meisten Apps, \`opus\` ist effizient für Streaming und Telefonate, \`wav\` oder \`pcm\` sind ideal, wenn Sie das Audio weiterverarbeiten.

Warten Sie nicht auf die vollständige Chat-Antwort. Streamen Sie den Text, schneiden Sie ihn in Sätze und senden Sie jeden fertigen Satz sofort an den Speech-Endpunkt. Der erste Satz läuft schon, während die nächsten entstehen, und der Sprachassistent wirkt deutlich reaktionsschneller.

Jede Anfrage hat eine maximale Eingabelänge, die von Modell und Tarif abhängt und mit Ihnen abgestimmt wird. Lange Artikel oder Dokumente teilen Sie an Satz- oder Absatzgrenzen, erzeugen jeden Teil einzeln und fügen die Audiodateien in der richtigen Reihenfolge zusammen.

Die Rechte richten sich nach der Lizenz des Stimmmodells, die auf jeder Modellseite steht. Die meisten offenen Stimmmodelle erlauben kommerzielle Nutzung, prüfen Sie aber Lizenz und etwaige Regeln zur Nachahmung realer Personen. Wo Nutzer KI-Sprache hören, kennzeichnen Sie sie gemäß Gesetz oder Ihren Richtlinien.

Nein. Der Text wird in Rechenzentren in der EU verarbeitet, um das Audio zu erzeugen, und nicht zum Training von Modellen verwendet. Das Audio erhalten Sie in der Antwort; Speicherung und Verbreitung liegen bei Ihnen.

[Frage stellen](https://inference.eu/de/kontakt/)

## Verwandte Seiten

[API-Überblick](https://inference.eu/de/api/)

-   [Speech to textTranskribieren Sie Audio mit Whisper über eine OpenAI-kompatible Speech-to-Text-API. Meetings, Telefonate und Sprachnotizen, verarbeitet in der EU.Endpunkte](https://inference.eu/de/api/audio-transcriptions/)
-   [Chat completionsSenden Sie Chat-Nachrichten im OpenAI-Format an Open-Weight-Modelle. Verarbeitung in Rechenzentren in der EU, keine Nutzung Ihrer Daten für Training.Endpunkte](https://inference.eu/de/api/chat-completions/)
-   [StreamingStreamen Sie Tokens offener Modelle während der Generierung, mit Server-Sent Events im OpenAI- und Anthropic-Format. Beispiele, Chunk-Format, Fehler.Anleitungen](https://inference.eu/de/api/streaming/)

## Verlagern Sie Ihre KI-Workloads auf europäische Infrastruktur

Sagen Sie uns, welche Modelle Sie nutzen und wie viel Verkehr Sie ungefähr haben. Wir antworten innerhalb eines Werktags mit Preisen und nächsten Schritten.

-   Antwort innerhalb eines Werktags
-   Preise für Ihr Volumen
-   AV-Vertrag unterschriftsreif