Leitfaden zur Sprachsynthese (TTS)

Leitfaden zur Sprachsynthese (TTS)

POST /v1/audio/speech ist OpenAI-compatible: JSON senden und die Audiodatei als Binärdaten empfangen. Zur ElevenLabs-Familie gehören elevenlabs/eleven-v4, eleven-v4-turbo, eleven-v3, eleven-v3-conversational, eleven-multilingual-v2, eleven-flash-v2.5, eleven-flash-v2, eleven-turbo-v2.5 und eleven-turbo-v2. Die aktuelle Liste steht unter GET /v1/models?output_modalities=speech. GET /v1/models liefert standardmäßig nur Textmodelle; hängen Sie ?output_modalities=speech (oder all) an, um sie aufzulisten.

Parameter

Die sieben Stimmeinstellungen oben sind optional; ohne sie ändert sich nichts. Ein Wert außerhalb des Bereichs ergibt 400 und wird weder gesendet noch berechnet. Der Antwort-Header X-Voice-Settings zeigt, ob Ihre Einstellungen verwendet wurden: applied = verwendet; ignored = eine Ersatzroute hat geantwortet, Ihre Einstellungen wurden nicht verwendet (das Audio wird trotzdem erzeugt); kein Header = Sie haben keine Stimmeinstellungen gesendet. Beispiel: stability 0 liest ausdrucksstärker, stability 1 gleichmäßiger.

Stimmregeln

ElevenLabs-Modelle (elevenlabs/…) akzeptieren einen dieser Stimmennamen (Groß-/Kleinschreibung egal): george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will. Bei ElevenLabs-Modellen darf voice fehlen (Standard george). Jeder andere Wert liefert 400 invalid_voice. Ihre eigene Stimme (voice_…) ist im Abschnitt „Eigene Stimmen“ unten beschrieben.

OpenAI-style Stimmnamen wie alloy, echo oder nova funktionieren nur bei Modellen, die sie aufführen. Prüfen Sie die Stimmen auf der Modellseite.

Eigene Stimmen (Klonen) werden schrittweise freigeschaltet: siehe den Abschnitt „Eigene Stimmen“ unten (POST /v1/voices). Bis sie für Ihr Konto aktiviert sind, nutzen Sie einen der 21 Preset-Namen oben oder eine öffentliche Stimm-ID.

Integrierte Stimmen

Setzen Sie voice auf einen der Namen unten (Kleinbuchstaben). Jede Stimme hat einen kurzen Hörbeispiel-Clip, und GET /api/v1/audio/voices liefert die vollständige Liste (Geschlecht, Altersgruppe, Akzent, Stil und Vorschau-URLs).

?lang= (en, zh-TW, zh-CN; Standard: Accept-Language) bestimmt nur die Sprache von description. Die Vorschau-URLs ändern sich nicht: preview_urls.en (wie preview_url) ist der englische Clip, preview_urls.zh (wie preview_url_zh) der chinesische.

Emotions- und Aktions-Tags (Audio-Tags)

Schreiben Sie Tags in eckigen Klammern direkt in input, zum Beispiel [laughs], [whispers], [excited], [sighs], [crying], [curious] oder [softly]. Sie werden unverändert an das Modell gesendet und bestimmen, wie die folgenden Worte gesprochen werden. Lassen Sie die Tags auch bei deutschem Text auf Englisch.

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "Authorization: Bearer $BAZAARLINK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-v3","input":"[laughs] That was actually funny. [whispers] Do not tell anyone.","voice":"george","response_format":"mp3"}' \
  --output audio-tags.mp3

Unterstützt von elevenlabs/eleven-v3 und der Familie elevenlabs/eleven-v4. Andere Sprachmodelle interpretieren Tags nicht und lesen die Klammern unter Umständen vor; probieren Sie zuerst einen kurzen Satz.

Tags zählen als Zeichen von input und werden wie der übrige Text berechnet.

Ausgabeformate

Ohne response_format gilt mp3 (Content-Type audio/mpeg); pcm (audio/pcm, rohes 16-Bit-PCM) funktioniert ebenfalls. Die API nimmt opus, aac, flac und wav an, ElevenLabs-Modelle lehnen sie derzeit jedoch mit 400 ab. Speichern Sie die Datei anhand des Content-Type-Headers.

Abrechnung

Sprachsynthese wird pro Eingabezeichen berechnet. Der Zeichenpreis steht auf der Modellseite unter /models sowie unter GET /v1/models als pricing.character. Modellseiten zeigen ihn pro Million Zeichen.

Beispiele

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "Authorization: Bearer $BAZAARLINK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-flash-v2.5","input":"Hello from BazaarLink.","voice":"george","response_format":"mp3"}' \
  --output speech.mp3

Häufige Fehler

Vollständige Parameterübersicht: Sprachsynthese

Sprachsynthese

Wandelt Text mit einer Modell-ID aus /v1/models?output_modalities=speech in Audio um. Abgerechnet wird zum Preis pro Million Zeichen der Modellseite. Das komplette Audio wird gepuffert und danach als Binärdaten zurückgegeben; schrittweises Streaming wird nicht unterstützt. Routing-Steuerfelder wie provider, transforms, route, service_tier und preset werden ignoriert.

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -H "Content-Type: application/json" \
  -d '{"model":"<speech-model-id>","input":"Hello","voice":"alloy","response_format":"mp3"}' \
  --output speech.mp3

# Voice settings (elevenlabs/* models; the X-Voice-Settings response header says applied or ignored)
curl -D - https://api.bazaarlink.ai/v1/audio/speech \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-v4","input":"Hello","voice":"george","stability":0.4,"similarity_boost":0.8,"style":0.2,"use_speaker_boost":true,"language_code":"en","audio_effects":{"distance":0.3}}' \
  --output speech.mp3