Erstellen Sie ein Hörbuch, eine Begleiterstimme oder Spieltexte für Erwachsene? Auf Grundlage unserer Tests vom September 2026 zeigt diese Seite, welche der neun Text-to-Speech-Modelle ohne Zensur auf SpicyAPI Ihr Skript unverändert lesen, Atemgeräusche und Stöhnen umsetzen und was eine fertige Minute kostet.
Kurz gesagt: Alle neun lasen die expliziten Testskripte vollständig, ohne Ablehnungen, abgebrochene Clips oder abgeschwächte Wörter. Entscheidend sind daher Regieanweisungen, Stimmen, Unterstützung für zwei Sprecher und Stimmenklonen sowie die Abrechnungseinheit. Beginnen Sie mit Gemini 3.8 Flash TTS, wenn Hinweise in eckigen Klammern umgesetzt werden sollen, mit Gemini 3.8 Flash-Lite TTS oder Grok TTS für den niedrigsten Preis je fertiger Minute, etwa $0.013 bzw. $0.015, und mit Chatterbox ausschließlich zum Nachahmen einer Stimme, für deren Verwendung Sie berechtigt sind.
Der Vergleich
| Modell | Stimmen | Sprachen | Regiemöglichkeiten | Hinweise im Text | Zwei Stimmen | Stimmreferenz | Max. Textlänge | Abrechnung und Preis |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Pro TTS | 30 | Automatisch erkannt | style, accent, pace, scene, instructions | Klammern wie [sighs], werden umgesetzt | Ja | Nein | 5.000 | Je Sekunde, $0.00045 |
| Gemini 3.8 Flash TTS | 30 | 130+, automatisch | Dieselben fünf Felder | Klammern, werden meist umgesetzt | Ja | Nein | 5.000 | Je Sekunde, $0.00032 |
| Gemini 3.8 Flash-Lite TTS | 30 | 100+, automatisch | Dieselben fünf Felder | Klammertext teils vorgelesen; Laute ausschreiben | Ja | Nein | 5.000 | Je Sekunde, $0.00021 |
| Grok TTS | 71 | Automatisch oder 20 Codes | speed 0.7–1.5, Tags | [laugh], [pause], Atem-Tags, umschließende Tags wie <whisper> | Nein | Nein | 15.000 | Je 1.000 Zeichen, $0.018 |
| MiniMax Speech 2.8 Turbo | 472 | 40 plus automatisch | 7 Werte für emotion, speed, pitch, volume | Runde Klammern: (sighs), (breath) | Nein | Nein | 5.000 | Je 1.000 Zeichen, $0.072 |
| MiniMax Speech 2.8 HD | 472 | 40 plus automatisch | Wie Turbo | Wie Turbo | Nein | Nein | 5.000 | Je 1.000 Zeichen, $0.12 |
| Seed Speech 2.0 | 41 | 10, darunter Chinesisch | Anweisung in instructions, speed, pitch, volume | Keine Tags; Vortrag in instructions beschreiben | Nein | Nein | 5.000 | Je 1.000 Zeichen, $0.072 |
| Qwen3 TTS | 9, darunter Pekinger und Sichuan-Dialektstimmen | 10, darunter Chinesisch | Anweisung in instructions | Keine Tags; Vortrag in instructions beschreiben | Nein | Nein | 2.000 | Je 1.000 Zeichen, $0.068, mindestens 100 Zeichen |
| Chatterbox | 1 integriert | Nur Englisch | exaggeration, temperature, guidance_scale | Tags werden vorgelesen; Laute ausschreiben | Nein | Ja, MP3- oder WAV-Clip | 1.000 | Pauschal je Anfrage, $0.036 |
Gemini 2.5 Pro TTS kostet 10% weniger als Googles Listenpreis. Google nennt in seiner Dokumentation zur Spracherzeugung mehr als 130 Sprachen für Flash und mehr als 100 für Flash-Lite. Gemini und Chatterbox liefern Mono-WAV mit 24 kHz, die übrigen standardmäßig MP3. SpicyAPI fügt keinen eigenen Inhaltsfilter hinzu, und fehlgeschlagene Anfragen werden nicht berechnet.
Stöhnen, Atemgeräusche und Flüstern mit jedem Modell erzeugen
Bei einem Skript mit vielen Regiehinweisen setzen Gemini 2.5 Pro, Gemini 3.8 Flash, Grok und MiniMax ihre Tags in den meisten Aufnahmen um, ohne sie auszusprechen. Gemini 3.8 Flash-Lite liest die Tag-Wörter manchmal vor, Chatterbox immer. Schreiben Sie dort die Laute aus.
Wie Sie den Laut schreiben, hängt vom Modell ab:
- Gemini 2.5 Pro und 3.8 Flash: Setzen Sie Hinweise wie
[whispering],[sighs]oder[laughing]unmittelbar vor die Wörter, die sie beeinflussen. Tempo, Akzent und Stimmung gehören in die separaten Felder, die nicht vorgelesen werden. - Gemini 3.8 Flash-Lite: Verzichten Sie im Skript auf Klammern. Schreiben Sie den Laut als Wort ("Mmm…", "ahh…", "ha…") und die Stimmung in
instructions. Wenn die Umsetzung von Hinweisen wichtig ist, verwenden Sie Flash. - Grok TTS: Verwenden Sie Tags im Text wie
[pause],[laugh]und Atem-Tags sowie umschließende Tags wie<whisper>…</whisper>für ganze Phrasen. Laut xAIs Leitfaden zu Sprach-Tags klingen Tags mit Satzzeichen natürlicher als aneinandergereihte Tags. - MiniMax Speech 2.8: Setzen Sie Tags in runden Klammern wie
(breath),(pant)oder(gasps)an die Stelle des gewünschten Lauts. Wählen Sie pro Anfrage einen Wert füremotionund teilen Sie die Szene bei Stimmungswechseln auf. - Chatterbox: Tags werden vorgelesen. Schreiben Sie den Laut aus und erhöhen Sie
exaggerationfür dramatische Texte; senken Sieguidance_scale, wenn der Vortrag gehetzt klingt. - Seed Speech 2.0 und Qwen3 TTS: Keine Tags. Beschreiben Sie den Vortrag in
instructions("breathless, close to the microphone") und schreiben Sie Laute aus.
Welches Modell für welche Aufgabe?
Umgesetzte Hinweise mit präziser Regie. Gemini 3.8 Flash TTS und Gemini 2.5 Pro TTS haben dieselben Felder und setzen beide Hinweise in eckigen Klammern um. Flash ist pro Sekunde günstiger und dokumentiert 130+ Sprachen. Für eine Stimmreferenz oder eine lange Einzelanfrage wählen Sie ein anderes Modell. Einstellungen: Erzähl-Workflow, 2.5-Pro-Test.
Einfacher Vortrag zum niedrigsten Preis. Gemini 3.8 Flash-Lite TTS und Grok TTS. Lite wird anhand des ausgegebenen Audios abgerechnet, langsamer Vortrag kostet daher mehr. Grok rechnet nach Skriptzeichen ab und akzeptiert ein ganzes Kapitel in einer Anfrage. Grok hat einen Sprecher; verwenden Sie Lite für einfache Erzählungen mit zwei Sprechern über die Felder dialogue und speakers.
Viele Stimmen und Emotionssteuerung. MiniMax Speech 2.8. Turbo kostet 40% weniger als HD, probieren Sie es daher zuerst; siehe HD im Vergleich zu Turbo. Für Stimmreferenzen wählen Sie ein anderes Modell: Keines von beiden akzeptiert sie.
Mehrsprachige oder chinesischsprachige Figuren. Seed Speech 2.0 akzeptiert natürlichsprachige instructions (Dialog-Workflow). Qwen3 TTS ergänzt Pekinger und Sichuan-Dialektstimmen, begrenzt den Text aber auf 2.000 Zeichen (Sprecher-Leitfaden).
Eine von Ihnen bereitgestellte Stimme. Chatterbox akzeptiert optional einen MP3- oder WAV-Referenzclip; der Vortrag übernimmt dessen Klangfarbe. Am besten eignen sich wenige Sekunden mit einer einzigen sauberen Stimme. Verwenden Sie nur Stimmen, an denen Sie die nötigen Rechte haben. Siehe Stimmreferenz-Leitfaden. Es unterstützt nur Englisch; für andere Sprachen brauchen Sie ein anderes Modell. Googles eigene API führt Stimmreplikation für Gemini 3.8 auf, die SpicyAPI-Aufgaben bieten aber kein Referenzfeld.
Was es kostet
Die Abrechnungseinheiten unterscheiden sich. Hier vergleichen wir einen Absatz mit ~270 Zeichen und ein ungefähr zehnminütiges Kapitel.
| Modell | Typische Cliplänge | Kosten je Absatz | Ungefähre Kosten für 10 Minuten Audio |
|---|---|---|---|
| Gemini 2.5 Pro TTS | 23–29 s | $0.010–0.013 | etwa $0.27 |
| Gemini 3.8 Flash TTS | 20–24 s | $0.006–0.008 | etwa $0.19 |
| Gemini 3.8 Flash-Lite TTS | 22–26 s | etwa $0.005 | etwa $0.13 |
| Grok TTS | etwa 19 s | $0.005 | etwa $0.15 |
| MiniMax Speech 2.8 Turbo | 20–22 s | $0.019 | etwa $0.56 |
| MiniMax Speech 2.8 HD | 20–22 s | $0.032 | etwa $0.93 |
| Seed Speech 2.0 | etwa 25 s | $0.019 | etwa $0.47 |
| Qwen3 TTS | etwa 24 s | $0.018 | etwa $0.46, in vier Anfragen |
| Chatterbox | etwa 15 s | $0.036 pauschal | etwa $0.40 bei elf Anfragen mit je 1.000 Zeichen, etwa $0.79 bei Abschnitten mit 500 Zeichen |
Die Zehn-Minuten-Werte berücksichtigen das Sprechtempo jedes Modells. Langsamer Vortrag kostet bei den sekundengenau abgerechneten Gemini-Modellen mehr. Seed, Qwen3, Grok und MiniMax berechnen das gesendete Skript einschließlich Tags; der Preis vor dem Start ist daher der Endpreis. Chatterbox kostet $0.036 unabhängig von der Cliplänge bei weniger als 1.000 Zeichen.
Grenzen, die für alle neun gelten
Alle neun arbeiten asynchron (einreichen, abfragen, herunterladen). Sie eignen sich daher für Hörbücher, Spieltexte und Sprachnachrichten statt für Live-Anrufe. Eine Anfrage liefert eine Datei ohne Wort-Zeitmarken, die 14 Tage gespeichert wird. Zwei Stimmen in einer Anfrage (bis zu 20 Zeilen mit je 250 Zeichen) unterstützen nur die Gemini-Modelle; bei den anderen erzeugen Sie jeden Sprecher separat und verbinden die Dateien. Beschränken Sie Skripte auf fiktive erwachsene Figuren; die rechtliche Verantwortung für Ihre Veröffentlichungen liegt bei Ihnen.
Die drei Abrechnungsverfahren verhalten sich unterschiedlich. Gemini berechnet je Sekunde ausgegebenes Audio. Während der Aufgabe wird deshalb ein Betrag für einen langen Clip reserviert (etwa $0.21 bei Flash, $0.30 bei 2.5 Pro); nach der Audiomessung wird die Reservierung auf den tatsächlichen Betrag reduziert. Grok, MiniMax, Seed und Qwen3 rechnen nach Skriptzeichen ab, der vor dem Start angezeigte Preis ist also der Endpreis. Chatterbox rechnet pauschal je Anfrage ab.
Zuerst im Playground ausprobieren
- Öffnen Sie die Gemini-3.8-Flash-TTS-Seite und bleiben Sie auf dem Tab Playground in der Ansicht Form. Melden Sie sich zum Ausführen mit einem Konto mit Guthaben an.
- Fügen Sie Ihr Skript in Text ein oder drücken Sie Sample script. Setzen Sie Hinweise in eckigen Klammern wie
[whispers]oder[sighs]direkt vor die Wörter, die sie beeinflussen. - Wählen Sie eine Voice (standardmäßig Kore) und optional Style, Pace oder Accent. Delivery instructions und Scene formen den Vortrag und werden nie ausgesprochen.
- Starten Sie das Modell, spielen Sie die Preview ab und drücken Sie Download, um die Datei zu speichern.
Bei Grok TTS gelten dieselben Schritte mit Voice, Language und Speed; Tags wie <whisper>…</whisper> schreiben Sie in Text. Ändern Sie je erneutem Versuch nur ein Feld.
Anschließend per Code ausführen
Installieren Sie das Python SDK (pip install spicyapi), setzen Sie SPICY_API_KEY in Ihrer Umgebung und führen Sie Folgendes aus:
import uuid
from spicyapi import SpicyClient, output_assets
client = SpicyClient() # reads SPICY_API_KEY from the environment
task = client.create_task(
model="google/gemini-3.8-flash-tts/text-to-speech",
input_data={
"text": "[whispering] You made it. I was starting to think you had changed your mind. [sighs] Stay a little longer.",
"voice_id": "Kore",
"instructions": "Quiet and warm, speaking to one adult listener.",
},
idempotency_key=str(uuid.uuid4()),
)
print("Resume task:", task["taskId"], flush=True)
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(a.get("pending") or a.get("unavailable") or not a.get("url") for a in assets):
raise RuntimeError(f"Task {task['taskId']} has no ready output; check this task before a new run")
print(assets[0]["url"]) # copy the audio to your own storage nowFür Grok TTS ändern Sie model in xai/grok-tts/text-to-speech und die Eingabe in {"text": "<whisper>You made it.</whisper> [pause] I was starting to think you had changed your mind. [sigh] Stay a little longer.", "voice_id": "eve", "language": "en"}. Erstellung, Warten, Download und erneute Versuche erläutern der Aufgaben-Leitfaden und die Python-SDK-Referenz.
Oder einen Agent ausführen lassen
Soll ein Assistent Ihre Skripte vertonen, zeigen alle drei offiziellen Werkzeuge den Preis an und fragen vor einem kostenpflichtigen Aufruf nach.
- CLI. Legen Sie das Objekt
inputininput.jsonab, dann:
``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech --input-file input.json --wait ``
Siehe CLI-Dokumentation; npx @spicyapi/cli funktioniert ohne Installation.
- MCP-Server. Fügen Sie Ihrem Assistenten den MCP-Server hinzu und fragen Sie: "Read this script with Gemini 3.8 Flash TTS in the Kore voice." Er ruft
spicyapi_task_createauf, wartet dort auf Ihre Preisbestätigung und anschließend folgtspicyapi_task_wait. - Skill.
npx skills add spicyapi-ai/spicy-skillinstalliert den Agent Skill, der einen Coding-Assistenten das aktuelle Modellschema lesen lässt, statt Felder zu erraten.
Häufige Fragen
Lehnen diese Modelle explizite Skripte ab oder schwächen sie ab?
Nein. Alle neun lasen die expliziten Testskripte vollständig.
Funktioniert das mit nicht englischen Skripten?
Ja, außer bei Chatterbox, das nur Englisch unterstützt. Gemini Flash und Flash-Lite erkennen 130+ bzw. 100+ Sprachen; MiniMax nennt 40, Grok 20, Seed Speech und Qwen3 jeweils 10.
Welches Modell setzt Hinweise wie [moaning] am zuverlässigsten um?
Gemini 2.5 Pro TTS, Gemini 3.8 Flash TTS, Grok TTS und MiniMax Speech 2.8 setzen ihre Tags in den meisten Aufnahmen als Geräusche um. Gemini 3.8 Flash-Lite TTS liest die Tag-Wörter manchmal vor, Chatterbox immer. Schreiben Sie bei diesen beiden die Laute aus.
Welches ist am günstigsten?
Je fertiger Minute sind Gemini 3.8 Flash-Lite TTS (etwa $0.013) und Grok TTS (etwa $0.015) am günstigsten. Die Abrechnungseinheiten unterscheiden sich; vergleichen Sie daher die obige Kostentabelle statt der Grundtarife.
Kann ich eine Stimme klonen oder zwei Stimmen in einem Clip verwenden?
Stimmenklonen: nur Chatterbox mit einem kurzen Referenzclip, für dessen Verwendung Sie berechtigt sind. Zwei Stimmen in einer Anfrage: nur die drei Gemini-Modelle. Bei den anderen erzeugen Sie jeden Sprecher separat und verbinden die Dateien.
Lohnt sich Chatterbox mit einer integrierten Stimme und nur Englisch?
Ja, wenn Sie eine zulässig verwendbare Stimme nachahmen oder eine ausdrucksstarke englische Stimme zum Pauschalpreis von $0.036 je Anfrage unabhängig von der Cliplänge wünschen.
Kurz gesagt: Flash für umgesetzte Hinweise, Flash-Lite oder Grok für den Preis, MiniMax für die Stimmenauswahl, Chatterbox für Ihre eigene Stimmreferenz.
Soll ein Gesicht das Ergebnis sprechen? Siehe Lippensynchronisations-Workflow. Für Grok-Nutzer: der Grok-Sprach-Workflow.
