Text-zu-Sprache

POST /v1/audio/speech

Wandeln Sie Text mit einem einzigen OpenAI-kompatiblen Endpoint in natürliche Sprache um. Senden Sie JSON und erhalten Sie Audio-Bytes zurück. Für einen Anbieterwechsel ändern Sie nur model. Nichts wird auf die Festplatte geschrieben: Das Audio wird direkt an Sie zurückgestreamt.

Beispielanfrage

curl https://synthorai.io/v1/audio/speech \
  -H "Authorization: Bearer $SYNTHORAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "Hello from Synthorai.",
    "voice": "alloy"
  }' \
  --output speech.mp3

Python (OpenAI SDK)

from openai import OpenAI

client = OpenAI(
    api_key="$SYNTHORAI_API_KEY",
    base_url="https://synthorai.io/v1",
)

with client.audio.speech.with_streaming_response.create(
    model="tts-1",
    voice="alloy",
    input="Hello from Synthorai.",
) as response:
    response.stream_to_file("speech.mp3")

Anfragetext

Parameter	Typ	Beschreibung
`model`*	string	Modell-ID. Eines von `tts-1`, `tts-1-hd`, `seed-tts-2.0`.
`input`*	string	Der zu synthetisierende Text. Maximal 4096 Zeichen.
`voice`	string	Stimme, in der gesprochen wird. Standard ist `alloy`. Siehe Stimmen weiter unten.
`response_format`	string	Audio-Container: `mp3` (Standard), `opus`, `wav` oder `pcm`.
`speed`	number	Sprechgeschwindigkeit, 0.25–4.0. Standard ist 1.0.

Unterstützte Modelle

Welches soll ich verwenden?

Voraussetzung	Empfohlene Modelle
Am günstigsten, für die meisten Produktstimmen ausreichend	`google-tts-standard`
Vorwiegend chinesische Inhalte, oder viele Stimmoptionen gewünscht	`qwen3-tts-instruct-flash` `seed-tts-2.0`
Alltägliche Produktstimme, ausgewogen zwischen Qualität und Kosten	`tts-1` `google-tts-neural2`
Beste Ausdrucksstärke: Erzählstimme, Companion-Geräte, Markenstimme	`tts-1-hd` `google-tts-chirp3-hd`

Modell	Preis	Am besten geeignet für
`google-tts-standard`	$4 / 1M chars	Benachrichtigungen und Ansagen in großer Menge, wenn die Kosten entscheiden
`qwen3-tts-instruct-flash`	$11.50 / 1M chars	Chinesische und mehrsprachige Inhalte; der Upstream meldet die berechnete Zeichenzahl
`tts-1`	$15 / 1M chars	Allgemeine Produktstimme, Ansagen, Benachrichtigungen
`google-tts-neural2`	$16 / 1M chars	Natürliche Alltagsstimme in vielen Sprachen
`tts-1-hd`	$30 / 1M chars	Erzählstimme, Marketing, alles, was Nutzer eine Weile anhören
`seed-tts-2.0`	$30 / 1M chars	Chinesische und mehrsprachige Inhalte; 180+ Stimmen
`google-tts-chirp3-hd`	$30 / 1M chars	Googles neueste und ausdrucksstärkste Stimmen

Drei Modelle liegen bei $30. Sie unterscheiden sich im Stimmcharakter und in der Sprachabdeckung, nicht im Preis. Probieren Sie sie mit Ihren eigenen Texten aus, bevor Sie sich festlegen.

ℹ

Ein Anbieterwechsel kostet Sie eine Zeile. Jedes Modell hier spricht dieselbe Anfrage- und Antwortform. Darunter unterscheiden sich die Anbieter erheblich (andere Authentifizierung, andere Streaming-Formate, andere Stimmbenennung). Das Gateway fängt das ab. Das Einzige, was Sie ändern, ist model.

# Same request, different provider — only the model name changes.
-d '{"model": "tts-1",        "input": "...", "voice": "alloy"}'
-d '{"model": "seed-tts-2.0", "input": "...", "voice": "alloy"}'

Stimmen

OpenAI-Modelle akzeptieren die Standardstimmen: alloy, echo, fable, onyx, nova, shimmer.

Bei seed-tts-2.0 funktionieren dieselben sechs Namen (sie werden auf vergleichbare Stimmen abgebildet), und für volle Kontrolle können Sie auch direkt eine native BytePlus-Stimmen-ID übergeben, zum Beispiel zh_female_cancan_uranus_bigtts. Die vollständige Liste der 180+ nativen Stimmen finden Sie im BytePlus-Stimmenkatalog.

Bei qwen3-tts-instruct-flash funktionieren dieselben sechs Namen, oder Sie übergeben eine native Qwen-Stimme wie Cherry, Ethan, Nofish, Jada.

⚠

Google-Stimmen sind an ihre Preisstufe gebunden. Jedes Google-Modell deckt eine Stufe ab, und die Stufe steckt im Namen der Stimme. Wenn Sie eine native Stimmen-ID wie en-US-Neural2-C übergeben, müssen Sie das passende Modell verwenden, in diesem Beispiel google-tts-neural2. Stimmen einer anderen Stufe werden mit einem 502 abgelehnt, statt still zum falschen Tarif abgerechnet zu werden.

Audioformate

Mit response_format wählen Sie den Container. Der Standard ist mp3: mp3, opus, wav, pcm.

Nicht jeder Anbieter unterstützt jeden Container; nicht unterstützte Werte fallen auf MP3 zurück, statt fehlzuschlagen.

Abrechnung

Abgerechnet wird pro Eingabezeichen zum offiziellen Listenpreis des Anbieters, ohne Aufschlag. Ein Zeichen = ein chinesisches Schriftzeichen = ein Buchstabe = ein Satzzeichen = ein Leerzeichen. Fehlgeschlagene Anfragen werden nie berechnet.

Das zurückgelieferte Audio wird nicht separat gemessen; berechnet wird nur der Text, den Sie senden.

Limits

Maximal 4096 Zeichen pro Anfrage. Längere Eingaben werden abgelehnt, bevor etwas berechnet wird. Teilen Sie sie clientseitig auf und fügen Sie das Audio anschließend zusammen.
Die Sprechgeschwindigkeit steuern Sie über speed (0.25–4.0, Standard 1.0). Werte außerhalb des Anbieterbereichs werden auf die Grenzen begrenzt, nicht abgelehnt.

Fehler

Antwort	Beschreibung
`400`	Die Eingabe ist leer oder länger als 4096 Zeichen.
`401`	API-Schlüssel fehlt oder ist ungültig.
`402`	Nicht genügend Kontingent für diese Anfrage.
`502`	Das Modell ist für Ihr Konto nicht verfügbar, oder der Upstream-Anbieter ist fehlgeschlagen. Es wird nichts berechnet.
`503`	Derzeit bedient kein Channel dieses Modell.