Live10 Modelle

Text-to-Speech-API – natürliche KI-Stimmen

Die Text-to-Speech-API von Muapi wandelt geschriebene Texte über eine einheitliche REST-Integration in natürlich klingende Sprache um. Wählen Sie für Einzelstimmen-Erzählungen oder Dialoge mit mehreren Sprechern aus MiniMax, Google Gemini, ElevenLabs (einschließlich der Eleven v4 API) und Fish Audio (Fish Audio S2.1 Pro API).Nutzen Sie Studioqualität oder besonders schnelle Turbo-Generierung mit Einstellungen für Stimme, Emotion, Tempo, Stabilität und Ähnlichkeit. Alle Modelle verwenden denselben asynchronen Ablauf aus Übermittlung und Statusabfrage. Die Preise beginnen bei $0.015 pro 1,000 Zeichen.

Text-to-Speech-API-Schlüssel erhalten MiniMax Speech HD ausprobieren Gemini Flash TTS ausprobieren Text-to-Speech API examples and comparison on GitHub

Text-to-Speech ist jetzt auf Muapi verfügbar

Wählen Sie ein Modell mit Einzelstimme oder mehreren Sprechern, übermitteln Sie Ihr Skript und fragen Sie die zurückgegebene Request-ID ab, um die Audiodatei herunterzuladen.

MiniMax Speech

Erzählungen mit Einzelstimme in Studio- und Turboqualität2 Modelle

TTSLive

MiniMax

MiniMax Speech 2.6 HD

Sprache in Studioqualität mit klarer Aussprache, flüssigem Tempo und authentischer Emotion – ideal für Hörbücher, Podcasts und Erzählungen.

Text → audio

$0.13/1,000 chars

Modell ausprobieren

TTSLive

MiniMax

MiniMax Speech 2.6 Turbo

Schnelle, ressourcenschonende Sprachgenerierung mit natürlichem Klang und anpassbarer Geschwindigkeit, Lautstärke, Tonhöhe und Emotion für Audio mit kurzer Produktionszeit.

Text → audioSchnell

$0.07/1,000 chars

Modell ausprobieren

Gemini TTS

Ausdrucksstarke Dialoge mit mehreren Sprechern sowie Stimm- und Tonsteuerung4 Modelle

TTSLive

Google Gemini

Gemini 3.1 Flash TTS

Kostengünstige Sprachgenerierung mit mehreren Sprechern, unterscheidbaren Stimmen, Akzenten, Gefühlslagen und Inline-Tonmarkierungen wie [whispers].

Dialogue → audioSchnell

$0.035/1,000 chars

Modell ausprobieren

TTSLive

Google Gemini

Gemini 2.5 Pro TTS

Hochwertige Sprachgenerierung mit mehreren Sprechern für Hörbücher, filmische Dialoge und lange Erzählungen mit besonders originalgetreuer Wiedergabe.

Dialogue → audio

$0.035/1,000 chars

Modell ausprobieren

TTSnew

Google Gemini

Dialogue → audioSchnell

$0.015/1,000 chars

Modell ausprobieren

TTSnew

Google Gemini

Dialogue → audioSchnell

$0.01/1,000 chars

Modell ausprobieren

ElevenLabs

Ausdrucksstarke Sprache mit Eleven v4, schnelle Einzelstimmen und mehrsprachige Dialoge3 Modelle

TTSLive

ElevenLabs

ElevenLabs TTS Turbo 2.5

Schnelle Sprachgenerierung mit Einzelstimme und einstellbarer Stabilität, Ähnlichkeit und Sprechgeschwindigkeit – für Voiceovers, IVR und hohe Durchsatzraten.

Text → audioSchnell

$0.05/1,000 chars

Modell ausprobieren

TTSLive

ElevenLabs

ElevenLabs Text to Dialogue V3

Mehrsprachige Dialoge mit mehreren Sprechern auf Basis eines strukturierten Skripts, individuellen Voice-IDs und natürlich wirkendem Sprecherwechsel.

Dialogue → audio

$0.10/1,000 chars

Modell ausprobieren

TTSnew

ElevenLabs

Eleven v4

Text-to-Speech mit ElevenLabs Eleven v4 für ausdrucksstarke Erzählungen mit Einzelstimme: bis zu 2,000 Zeichen pro Anfrage für $0.08/1,000 characters, Ausgabe als MP3.

Text → audio

$0.08/1,000 chars

Modell ausprobieren

Fish Audio S2.1 Pro

Lange Erzählungen mit bis zu 10,000 Zeichen pro Anfrage1 Modelle

TTSnew

Fish Audio

Fish Audio S2.1 Pro

Text-to-Speech für lange Inhalte: bis zu 10,000 Zeichen pro Anfrage, Abrechnung mit $15 per 1M UTF-8 bytes (etwa $0.015/1,000 English characters), Ausgabe als MP3.

Text → audio

$15/1M UTF-8 bytes

Modell ausprobieren

Was ist eine Text-to-Speech-API?

Eine Text-to-Speech-API (TTS) wandelt geschriebene Texte mit einer einzigen HTTP-Anfrage in gesprochene Sprache um. Übermitteln Sie ein Skript, wählen Sie Stimme und Sprechstil aus und erhalten Sie eine herunterladbare Audiodatei – ganz ohne eigene Audioverarbeitungspipeline.

Muapi stellt die verfügbaren TTS-Endpunkte über ein einheitliches REST-Verfahren bereit: ein API-Schlüssel, ein Ablauf aus Anfrage und Statusabfrage sowie nutzungsbasierte Abrechnung. Wählen Sie Erzählungen mit Einzelstimme für Voiceovers und IVR (einschließlich Eleven v4 API und Fish Audio S2.1 Pro API) oder Dialoge mit mehreren Sprechern für Figuren, Podcasts und Hörbücher.

Funktionen der Text-to-Speech-API

Dialoge mit mehreren Sprechern

Gemini TTS und ElevenLabs Text to Dialogue V3 weisen den einzelnen Gesprächsbeiträgen eines Skripts eigene Stimmen, Akzente und Sprechstile zu.

Emotion und Ton direkt im Text

Gemini-Modelle unterstützen Inline-Markierungen wie [whispers], [shouting] und [determination], um den Ausdruck innerhalb einer Zeile gezielt zu steuern.

Studio- und Turbo-Varianten

Nutzen Sie MiniMax Speech 2.6 HD oder Gemini 2.5 Pro TTS für hohe Klangtreue oder die schnelleren Varianten, wenn Latenz und Kosten wichtiger sind.

Anpassbare Stimmparameter

Passen Sie Geschwindigkeit, Lautstärke, Tonhöhe, Emotion, Stabilität, Ähnlichkeit und weitere modellspezifische Einstellungen an.

Eigene und geklonte Stimmen

ElevenLabs-Endpunkte akzeptieren eine eigene Voice-ID. Erstellen Sie zunächst mit einem kompatiblen Voice-Cloning-Ablauf eine wiederverwendbare Stimme.

Vier Anbieter, eine API

MiniMax, Google Gemini, ElevenLabs und Fish Audio nutzen dieselbe Muapi-Authentifizierung, asynchrone Aufgaben, Ergebnisabfragen und Abrechnung.

Anwendungsfälle für Text-to-Speech

Erzählungen und Voiceovers

Erstellen Sie aus Skripten Hörbuchkapitel, Videokommentare, Werbung, Erklärvideos und Social-Media-Clips.

Figuren und Podcasts

Vertonen Sie Gespräche mit mehreren Hosts und Dialoge zwischen Figuren mit individuellen Stimmen und gezielter emotionaler Gestaltung.

IVR und App-Audio

Erzeugen Sie Telefonansagen, Benachrichtigungen, barrierefreie Audioinhalte und weitere dynamische Sprachinhalte in großem Umfang.

Lokalisierung

Nutzen Sie mehrsprachige Dialoge und Spracheinstellungen für internationale Inhalte und Lernmaterialien.

Text-to-Speech-Modelle im Vergleich: Eleven v4 API und Fish Audio S2.1 Pro API

Modell	Anbieter	Preis	Ideal für
MiniMax Speech 2.6 HD	MiniMax	$0.13/1,000 characters	Erzählungen mit Einzelstimme in Studioqualität
MiniMax Speech 2.6 Turbo	MiniMax	$0.07/1,000 characters	Schnelle Sprachgenerierung mit Einzelstimme
ElevenLabs TTS Turbo 2.5	ElevenLabs	$0.05/1,000 characters	Erzählungen mit hohem Durchsatz und IVR
Gemini 3.1 Flash TTS	Google	$0.035/1,000 characters	Schnelle Dialoge mit mehreren Sprechern
Gemini 2.5 Pro TTS	Google	$0.035/1,000 characters	Dialoge mit mehreren Sprechern in Studioqualität
ElevenLabs Text to Dialogue V3	ElevenLabs	$0.10/1,000 characters	Mehrsprachige Gespräche mit mehreren Sprechern
Eleven v4	ElevenLabs	$0.08/1,000 characters	Ausdrucksstarke Erzählungen mit Einzelstimme, bis zu 2,000 Zeichen pro Anfrage
Fish Audio S2.1 Pro	Fish Audio	$15/1M UTF-8 bytes (~$0.015/1,000 English characters)	Lange Erzählungen, bis zu 10,000 Zeichen pro Anfrage

Fish Audio S2.1 Pro wird pro UTF-8-Byte abgerechnet: Englischer Text belegt etwa ein Byte pro Zeichen, nicht-lateinische Schriftsysteme hingegen drei bis vier Bytes pro Zeichen.

Beispiele für die Text-to-Speech-API

Übermitteln Sie mit Ihrem Muapi-API-Schlüssel einfachen Text oder einen strukturierten Dialog, speichern Sie die Request-ID und fragen Sie den üblichen Ergebnisendpunkt ab, um die Audio-URL zu erhalten.

Sprache mit Einzelstimme erzeugen

curl -X POST https://api.muapi.ai/api/v1/minimax-speech-2.6-hd \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to Muapi. Your workspace is ready.","voice_id":"Friendly_Person","speed":1,"emotion":"happy","format":"mp3"}'

# Response: {"request_id":"REQUEST_ID"}

Verwenden Sie einen MiniMax- oder ElevenLabs-Endpunkt für Einzelstimmen mit prompt, Stimme und optionalen Parametern für den Sprechstil.

Gemini-Dialog erzeugen

curl -X POST https://api.muapi.ai/api/v1/gemini-3-1-flash-tts \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"speakers":[{"speaker_id":"Speaker 1","voice_name":"Kore","accent":"Neutral","style":"Empathetic","pace":"Natural"},{"speaker_id":"Speaker 2","voice_name":"Puck","accent":"British (RP)","style":"Deadpan","pace":"Natural"}],"dialogue_turns":[{"speaker_id":"Speaker 1","text":"[warmly] Welcome to the show."},{"speaker_id":"Speaker 2","text":"[whispers] Let us begin."}]}'

Legen Sie Sprecher und die Reihenfolge der Dialogbeiträge fest. Jeder Beitrag verweist auf die zu verwendende Stimmkonfiguration.

Sprache mit der Eleven v4 API erzeugen

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-v4 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the future of voice. This is Eleven v4, speaking with natural rhythm and emotion.","voice_id":"voice_daniel"}'

# Response: {"request_id":"REQUEST_ID"}

Übermitteln Sie bis zu 2,000 Zeichen in prompt und wählen Sie voice_daniel oder voice_liam. Eleven v4 kostet $0.08 per 1,000 characters.

Lange Sprachinhalte mit der Fish Audio S2.1 Pro API erzeugen

curl -X POST https://api.muapi.ai/api/v1/fish-s2-1-pro \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the show. Today we look at how voice models have changed the way we tell stories.","voice_id":"voice_fish_narrator"}'

# Response: {"request_id":"REQUEST_ID"}

Übermitteln Sie bis zu 10,000 Zeichen in prompt mit voice_fish_narrator. Die Abrechnung beträgt $15 per 1M UTF-8 bytes.

ElevenLabs-Dialog erzeugen

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-text-to-dialogue-v3 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"dialogue":[{"text":"Welcome to the show.","voice_id":"ZQe5CZNOzWyzPSCn5a3c"},{"text":"Let us begin.","voice_id":"EXAVITQu4vr4xnSDxMaL"}],"language_code":"en","stability":0.5}'

Übergeben Sie ein strukturiertes Dialogarray mit einer Voice-ID pro Beitrag, um mehrsprachige Ausgaben mit mehreren Sprechern zu erhalten.

Audioergebnis abfragen

curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result \
  -H "x-api-key: YOUR_API_KEY"

# Read the generated audio URL after status becomes completed.

Fragen Sie den Status ab, bis er completed lautet, und lesen Sie anschließend die herunterladbare Audio-URL aus der Antwort.

Häufige Fragen zur Text-to-Speech-API

Was ist die Text-to-Speech-API?

Die TTS-API von Muapi wandelt geschriebene Texte über MiniMax-, Google-Gemini-, ElevenLabs- und Fish-Audio-Endpunkte in natürlich klingende Sprache um – für Erzählungen mit Einzelstimme und Dialoge mit mehreren Sprechern.

Welches Modell eignet sich für Dialoge mit mehreren Sprechern?

Verwenden Sie Gemini 3.1 Flash TTS oder Gemini 2.5 Pro TTS für Sprecherprofile und Inline-Tonmarkierungen. Für mehrsprachige, strukturierte Gespräche mit individuellen Voice-IDs eignet sich ElevenLabs Text to Dialogue V3.

Was kostet Text-to-Speech?

Die Preise beginnen bei $0.015 pro 1,000 englische Zeichen für Fish Audio S2.1 Pro (Abrechnung mit $15 per 1M UTF-8 bytes), $0.035 pro 1,000 Zeichen für Gemini 3.1 Flash und 2.5 Pro TTS, $0.05 für ElevenLabs TTS Turbo 2.5, $0.08 für Eleven v4, $0.10 für ElevenLabs Dialogue V3, $0.07 für MiniMax Turbo und $0.13 für MiniMax HD. Gemini 3.8 Flash und Flash Lite kosten $0.015 beziehungsweise $0.01 pro 1,000 Zeichen.

Wie verwende ich die Eleven v4 API und wie lang darf der Text sein?

Rufen Sie den elevenlabs-v4-Endpunkt mit prompt (bis zu 2,000 Zeichen) und einer voice_id von voice_daniel oder voice_liam auf und fragen Sie anschließend die Request-ID für eine MP3-Datei ab. Eleven v4 kostet $0.08 pro 1,000 Zeichen.

Was ist die Fish Audio S2.1 Pro API?

Die Fish Audio S2.1 Pro API (fish-s2-1-pro) ist ein Text-to-Speech-Endpunkt für lange Inhalte. Er akzeptiert bis zu 10,000 Zeichen pro Anfrage mit voice_fish_narrator und gibt eine MP3-Datei zurück. Abgerechnet wird mit $15 per 1M UTF-8 bytes, also etwa $0.015 pro 1,000 englische Zeichen.

Kann ich eine eigene oder geklonte Stimme verwenden?

Ja. ElevenLabs-Endpunkte akzeptieren eigene ElevenLabs-Voice-IDs. MiniMax unterstützt trainierte Voice-IDs, sofern das Schema des ausgewählten Modells dies zulässt.

In welchem Audioformat erfolgt die Ausgabe?

Jedes Modell gibt über den üblichen Ergebnisendpunkt eine URL zu einer herunterladbaren Audiodatei zurück. Diese lässt sich einbetten, herunterladen oder an eine Video- oder Lipsync-Pipeline übergeben.

Wie erhalte ich Zugriff auf Text-to-Speech-API-Modelle?

Erstellen Sie einen Muapi-API-Schlüssel, rufen Sie den passenden Endpunkt für Ihr Skript auf und fragen Sie die zurückgegebene Request-ID ab. Für verfügbare Modelle ist keine Warteliste erforderlich.

Eleven v4 API und ElevenLabs-Endpunkte →Vergleichen Sie Eleven v4, TTS Turbo 2.5 und Text to Dialogue V3.Fish Audio S2.1 Pro API →Lange Erzählungen mit bis zu 10,000 Zeichen pro Anfrage, Abrechnung pro UTF-8-Byte.Gemini-TTS-Angebot entdecken →Vergleichen Sie alle vier Gemini-TTS-Varianten: 3.8 Flash, 3.8 Flash Lite, 3.1 Flash und 2.5 Pro.Voice Cloning entdecken →Erstellen Sie eine wiederverwendbare Stimme für kompatible Sprachabläufe.Suno Music entdecken →Erzeugen, remixen und verlängern Sie Songs, wenn Sie Musik statt Sprache benötigen.Audiomodelle ansehen →Vergleichen Sie Endpunkte für Sprache, Musik, Soundeffekte und Video-zu-Audio.Lipsync-Modelle entdecken →Kombinieren Sie generierte Sprache mit einem Gesichtsvideo, um einen sprechenden Avatar zu erstellen.

Bereit für natürlich klingende Sprache?

Nutzen Sie einen Muapi-API-Schlüssel für Erzählungen, Figurendialoge, IVR, Podcasts und mehrsprachige Audioinhalte.

API-Schlüssel erhalten Text-to-Speech ausprobieren