Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Parameter für TTS-Anfragen

Lektion 2 von 14 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Ihre Sprachsynthese anpassen
  2. Der Parameter text
  3. Der Parameter voice_id
  4. Der Parameter language
  5. Der Parameter output_format
  6. Der Parameter speed
  7. Empfohlene Kombinationen
  8. Wichtige Erkenntnisse

Aktualisiert am 3. November 2026, basierend auf der xAI-Seite Text to Speech und der Voice-API-Referenz. Quellen: Text to Speech · Voice API.

Ihre Sprachsynthese anpassen

Der Endpunkt POST /v1/tts dreht sich um vier Hauptparameter im JSON-Anfragekörper, plus einige optionale Einstellungen. Jeder Parameter bietet Ihnen präzise Kontrolle über das generierte Audio, und das Verständnis dieser Einstellungen ermöglicht es Ihnen, die Synthese an Ihren Anwendungsfall anzupassen.

Der Parameter text

Zusammen mit language ist text der einzige erforderliche Parameter. Er akzeptiert einen String von bis zu 60.000 Zeichen, der einfachen Text oder ausdrucksvolle Tags enthalten kann (siehe den nächsten Abschnitt).

{
  "text": "Hallo und willkommen. Heute sprechen wir über künstliche Intelligenz."
}

Bei mehr als 60.000 Zeichen wird die HTTP-Anfrage abgelehnt. Für längere Texte empfiehlt xAI WebSocket, das keine Gesamtlimit hat (Lektionen 9 bis 12), oder das Aufteilen des Textes in Segmente, deren Audio Sie anschließend zusammenfügen. Schneiden Sie an natürlichen Grenzen (Enden von Sätzen, Enden von Absätzen) für ein flüssiges Ergebnis.

Der Parameter voice_id

Dieser Parameter legt die für die Synthese verwendete Stimme fest. Er ist optional und standardmäßig auf eve gesetzt. Die IDs sind nicht fallensensitiv: Eve, EVE und eve sind äquivalent.

xAI bietet 28 integrierte Stimmen an (Stand 3. November 2026), dieselben wie für den Voice-Agenten, sowie benutzerdefinierte Stimmen, die mit der Custom Voices API erstellt wurden. Die fünf ursprünglichen Stimmen, wie xAI sie beschreibt:

  • eve: energisch und aufgeweckt, britischer Akzent
  • ara: warm und freundlich
  • rex: selbstbewusst und klar
  • sal: sanft und ausgewogen
  • leo: autoritär und kraftvoll, britischer Akzent

Die anderen 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora und liora) werden mit ihren Anwendungsfällen auf der xAI-Seite Text to Speech beschrieben; GET /v1/tts/voices gibt die aktuelle Liste zurück (Lektion 3).

{
  "text": "Willkommen in diesem Tutorial.",
  "voice_id": "rex",
  "language": "en"
}

Laut xAI spricht jede Stimme jede unterstützte Sprache. Ihre Wahl der Stimme beeinflusst den Preis nicht, der sich nach der Anzahl der Zeichen richtet.

Der Parameter language

Dieser Parameter ist erforderlich. Er akzeptiert einen BCP-47-Code oder den speziellen Wert auto für die automatische Spracherkennung.

Die 20 unterstützten Sprachen sind:

CodeSpracheCodeSprache
enEnglischkoKoreanisch
frFranzösischhiHindi
deDeutschbnBengali
es-ESSpanisch (Spanien)ar-EGArabisch (Ägypten)
es-MXSpanisch (Mexiko)ar-SAArabisch (Saudi-Arabien)
pt-BRPortugiesisch (Brasilien)ar-AEArabisch (VAE)
pt-PTPortugiesisch (Portugal)trTürkisch
itItalienischidIndonesisch
ruRussischviVietnamesisch
zhChinesischjaJapanisch

Die automatische Erkennung (auto) funktioniert gut für Texte in einer einzigen Sprache, aber für Texte, die mehrere Sprachen mischen, sollten Sie die Hauptsprache explizit angeben.

Der Parameter output_format

Dieser optionale Parameter ist ein JSON-Objekt, das das Audio-Ausgabeformat steuert. Er verfügt über drei Unterparameter.

codec

Der Codec legt das Kodierungsformat fest:

  • mp3 (Standard): ein komprimiertes Format, ideal für das Web und Streaming
  • wav: ein verlustfreies Format, bessere Qualität, aber größere Dateien
  • pcm: rohes Audio ohne Header, für Verarbeitungspipelines
  • mulaw / ulaw: der G.711 mu-law-Codec für Telefondienste
  • alaw: der G.711 A-law-Codec für Telefondienste

sample_rate

Die Abtastfrequenz in Hertz. Akzeptierte Werte: 8000, 16000, 22050, 24000 (Standard), 44100, 48000.

bit_rate

Die Bitrate in Bits pro Sekunde, nur für den MP3-Codec. Akzeptierte Werte: 32000, 64000, 96000, 128000 (Standard), 192000.

{
  "text": "Hochwertiges Audio für die Produktion.",
  "voice_id": "ara",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 48000
  }
}

Der Parameter speed

speed legt die Wiedergabegeschwindigkeit fest: 1.0 ist die normale Geschwindigkeit (Standard), und der Bereich reicht von 0,7 bis 1,5. Ein etwas langsamerer Takt hilft bei dichtem Lehrstoff; oberhalb von 1,2 sollten Sie das Ergebnis immer erneut anhören.

Empfohlene Kombinationen

Anwendungsfallcodecsample_ratebit_rate
Web / Streamingmp324000128000
Audio-Produktionwav48000—
VoIP-Telefondienstemulaw8000—
ML-Pipelinepcm16000—

Wichtige Erkenntnisse

  • text und language sind die einzigen erforderlichen Parameter
  • voice_id ist optional (Standard: eve) und nicht fallensensitiv
  • output_format steuert den Codec, die Abtastfrequenz und die Bitrate; speed legt die Geschwindigkeit fest (0,7 bis 1,5)
  • MP3 bei 24 kHz / 128 kbps ist eine gute Standardauswahl zwischen Qualität und Größe
  • Für Telefondienste verwenden Sie mulaw oder alaw bei 8 kHz