Einführung
Sende den zu sprechenden Text und optional eine Stimme, einen Akzent, einen Sprechstil, ein Tempo, eine Szene und eine kurze Notiz zur Umsetzung; für ein Gespräch sendest du Dialog und Sprecher statt Text. Die Aufgabe liefert eine WAV-Datei (24 kHz, 16 Bit mono) mit dem Skript in dieser Stimme oder bei einem Dialog in bis zu zwei Stimmen. Das Modell folgt Anweisungen in einfacher Sprache – langsamer, näher am Mikrofon, amüsiert, müde – und führt Hinweise in eckigen Klammern wie [sighs] aus, statt sie vorzulesen. SpicyAPI wendet keinen Inhaltsfilter an: Jedes Skript wird wie geschrieben gelesen. Abgerechnet wird pro Sekunde des zurückgegebenen Audios.
| Feld | Wert |
|---|---|
| Eingabe | Text |
| Ausgabe | Audio |
| Pflichtfeld | text (1 bis 5.000 Zeichen) oder dialogue (bis zu 20 Zeilen) |
| Optionale Felder |
|
| Ergebnis | Eine WAV-Datei, 24 kHz, 16 Bit, Mono |
| Längster Clip | Rund 655 Sekunden (16.384 Audio-Tokens) |
| Abgerechnete Menge | Sekunden des gelieferten Audios, gemessen an der Datei |
| Aufbewahrung | Erzeugtes Audio wird 14 Tage gespeichert |
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
text | Nein | Die zu sprechenden Wörter, genau wie geschrieben. Hinweise in eckigen Klammern wie [sighs] werden gespielt, nicht vorgelesen. mindestens 1 Zeichen · höchstens 5000 Zeichen |
dialogue | Nein | Ein Dialog mit bis zu zwei Stimmen, anstelle von text: bis zu 20 Zeilen, jede mit speaker (ein Name aus speakers) und text mit höchstens 250 Zeichen. mindestens 1 Einträge · höchstens 20 Einträge |
speakers | Nein | Die Besetzung für dialogue: ein oder zwei Einträge, jeweils mit einem name, auf den sich die Zeilen beziehen, einer |
voice_id | Nein | Eine der 30 vorgefertigten Stimmen, jede mit festem Charakter. Standard ist Kore. |
style | Nein | Grundhaltung des Vortrags. Leer lassen, damit die Stimme in ihrer eigenen Grundhaltung liest. |
pace | Nein | Rhythmus der Lesung: natural, |
accent | Nein | Englischer Akzent für den Vortrag. Standard ist neutral. |
instructions | Nein | Regieanweisung in Freitext: Tempo, Stimmung, Abstand zum Mikrofon, Zuhörer. Prägt den Vortrag und wird nicht gesprochen. höchstens 1000 Zeichen |
scene | Nein | Wo und zu wem gesprochen wird, etwa „ein stilles Hotelzimmer nach Mitternacht“. Prägt den Vortrag und wird nicht vorgelesen. höchstens 500 Zeichen |
temperature | Nein | Variation zwischen Durchgängen, von 0 bis 2: Höhere Werte machen den Vortrag weniger vorhersehbar. Ohne Angabe gilt der Standardwert des Modells. |
Preis
$0.00045 / Sekunde
Abgerechnet je Sekunde des gelieferten Audios. Während der Ausführung werden 660 Sekunden reserviert; der ungenutzte Teil wird nach dem Messen des Audios freigegeben.
Anwendungsfälle
Hörbücher und lange Erzähltexte
Kapitel, Gutenachtgeschichten und Fortsetzungsromane, gelesen von einer ruhigen Erzählstimme. Legen Sie die Stimme einmal fest und bleiben Sie dabei: Dieselbe Stimme mit denselben Anweisungen klingt über alle Kapitel hinweg einheitlich.
Stimmen für Figuren und Companions
Geben Sie einer Chat-Figur eine eigene Stimme. Ein geflüsterter Stil und eine kurze Regieanweisung machen aus nüchternem Text Sätze, die klingen, als würden sie einer einzigen Person zugeflüstert statt verkündet.
Unzensierte Audio-Geschichten
Skripte werden wie geschrieben und ohne Inhaltsfilter gelesen. In unseren Tests sprach das Modell jedes Wort von Ich-Zeilen und erzählten Szenen gleichermaßen, ohne Wörter auszulassen oder den Clip vorzeitig zu beenden.
Sprachspuren für Videos
Erzeugen Sie den Satz hier und geben Sie die WAV-Datei an ein Talking-Avatar- oder Lip-Sync-Modell weiter, damit ein Gesicht ihn spricht. Die Länge des Audios bestimmt die Länge des Clips im nächsten Schritt.
Prompt-Leitfaden und Praxistipps
Skript in text senden
Schreiben Sie es genau so, wie es gesprochen werden soll, mit Satzzeichen für Pausen. Bis zu 5.000 Zeichen.
Stimme wählen, bei Bedarf Stil und Akzent
voice_idsteht standardmäßig auf Kore, accent auf neutral. Setzen Sie style nur, wenn Sie eine bestimmte Haltung wollen, etwa whisper.Vortrag in instructions inszenieren
Ein bis zwei Sätze zu Tempo, Stimmung und Zuhörer wirken besser als eine Liste von Adjektiven. Die Anweisung wird nicht vorgelesen.
Was zurückkommt
Eine WAV-Datei pro Aufgabe: 24 kHz, 16 Bit, Mono-PCM. Die Datei wird in den SpicyAPI-Speicher kopiert und 14 Tage aufbewahrt. Das Ergebnis enthält keine Wort-Timings und keine Untertitel.
Stimme wählen
voice_id nimmt eine der 30 vorgefertigten Stimmen und steht standardmäßig auf Kore. Jede Stimme hat einen festen Charakter, zum Beispiel Kore fest, Charon sachlich, Puck beschwingt, Enceladus hauchig, Achernar weich, Algenib rau, Sulafat warm, Gacrux reif. Die Stimme ändert sich nicht mit der Sprache des Skripts.
Den Vortrag inszenieren
stylelegt eine Grundhaltung fest:whisper,empathetic,vocal_smile,newscaster,promo_hypeoderdeadpan. Ohne Angabe liest die Stimme in ihrer eigenen Grundhaltung.accentwählt einen englischen Akzent, Standard istneutral.pacebestimmt den Rhythmus:natural,rapid_fire,the_driftoderstaccato.instructionsnimmt Freitext dazu auf, wie gelesen werden soll: Tempo, Stimmung, Abstand zum Mikrofon, wer angesprochen wird.scenesagt, wo und zu wem gesprochen wird. Beides wird nicht vorgelesen.temperature(0–2) legt fest, wie stark der Vortrag zwischen Durchgängen variiert.- Innerhalb von
textwerden Hinweise in eckigen Klammern wie[sighs]oder[whispering]gespielt statt vorgelesen.
Zwei Stimmen in einem Clip
Für ein Gespräch senden Sie statt text ein dialogue und dazu speakers mit der Besetzung: ein oder zwei Einträge, jeweils mit name, voice_id und optional accent, style, pace und profile, einer kurzen Beschreibung der sprechenden Person, die nicht vorgelesen wird. Jede Zeile in dialogue ist {speaker, text}, wobei speaker einer dieser Namen ist; die Zeilen werden der Reihe nach gesprochen, bis zu 20 Zeilen mit je 250 Zeichen. Was ein Eintrag offenlässt, wird aus accent, style und pace auf oberster Ebene übernommen. Das ganze Gespräch kommt als eine WAV-Datei zurück und wird wie jede andere Anfrage pro Sekunde abgerechnet.
Länge und Dauer
text nimmt bis zu 5.000 Zeichen auf. Ein Absatz mit 270 Zeichen ergab in unseren Tests je nach Stimme und Stil 23–29 Sekunden Audio. Das Modell stoppt bei 16.384 Audio-Tokens, also nach rund 655 Sekunden. Die meisten Aufgaben sind in weniger als einer Minute fertig.
Abrechnung
Abgerechnet je Sekunde des gelieferten Audios, gemessen an der Datei. Während die Aufgabe läuft, wird auf Ihrem Guthaben ein Betrag für 660 Sekunden reserviert – den längsten Clip, den das Modell erzeugen kann –, und der nicht genutzte Teil wird bei der Abrechnung freigegeben. Fehlgeschlagene Anfragen werden nicht berechnet.
Inhalte
SpicyAPI fügt keinen Inhaltsfilter hinzu. In unseren Tests wurden Skripte, die andere Dienste ablehnen, Wort für Wort gelesen, ohne Auslassungen und ohne vorzeitig abgebrochene Clips.
SpicyAPI fügt keinen Inhaltsfilter hinzu: Skripte werden wie geschrieben gelesen, was auch immer sie enthalten. Du bist verantwortlich für die Skripte, die du sendest, und für die Verwendung des erzeugten Audios, einschließlich der Frage, es nicht als Äußerungen einer realen Person auszugeben.
API-Schnellstart
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-2.5-pro-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"accent": "neutral",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
