Mehrsprachige Text-to-Speech-API: 33 Sprachen mit einem REST-Endpunkt (2026)
Erfahre, wie du mit einer mehrsprachigen Text-to-Speech-API mit einem einzigen REST-Aufruf Audio in 32 Sprachen erzeugst. Behandelt App-Lokalisierung, globale Content-Pipelines, Sprachlernen und Preise.
Ein Produkt für ein globales Publikum zu entwickeln bedeutet, Audio in der Sprache zu erzeugen, die deine Nutzer tatsächlich sprechen. Eine mehrsprachige TTS-API ermöglicht dir das mit einer einzigen Integration, statt mehrere sprachspezifische Dienste verwalten zu müssen.
Dieser Leitfaden behandelt, wie die Audexum TTS API 32 Sprachen verarbeitet, wie der Wechsel zwischen ihnen im Code funktioniert und welche Anwendungsfälle am meisten von mehrsprachiger Synthese profitieren.
Warum mehrsprachiges TTS schwer richtig hinzubekommen ist
Die meisten TTS-Anbieter unterstützen Englisch gut und behandeln alles andere als Nebensache. Häufige Probleme:
- Akzentübertragung: Das Modell wurde auf Englisch trainiert und spricht nicht lateinische Schriftsysteme falsch aus
- Fehlende Sprachen: Der Support wird auf der Startseite aufgeführt, aber tatsächlich funktionieren nur eine Handvoll Stimmen
- Kein Sprachwechsel pro Anfrage: Für jedes Sprachgebiet benötigst du einen eigenen API-Schlüssel oder Endpunkt
- Phonem-Lücken: Sprachen wie Arabisch, Japanisch und Hindi benötigen besondere Regeln für die Graphem-zu-Phonem-Konvertierung, die günstige Modelle überspringen
Eine produktionsreife mehrsprachige API benötigt native Modelle für jede Sprache, nicht ein einziges Modell mit einem Sprachparameter.
Audexums Ansatz
Audexum verwendet dedizierte Stimmmodelle pro Sprache statt eines einzelnen mehrsprachigen Modells. Dadurch ist die Aussprache bei zeichenbasierten Schriften (Japanisch, Koreanisch, Arabisch) und tonalen Sprachen korrekt, ohne dass die aufrufende Anwendung Phonemhinweise angeben muss.
Die API akzeptiert neben language auch den Parameter voice_id. Wenn du eine für eine bestimmte Sprache trainierte Stimme übergibst, musst du language separat; sie wird abgeleitet. In Sonderfällen, in denen der Text verschiedene Schriftsysteme mischt, stellt die Angabe eines expliziten Sprachcodes sicher, dass die Tokenisierung korrekt ist.
Unterstützte Sprachen
Audexum unterstützt 32 Sprachen mit 43 Stimmen. Die 20 am häufigsten verwendeten:
Die vollständige Liste der 32 Sprachen ist über den /api/v1/voices Endpunkt verfügbar.
Codebeispiele
Stimmen nach Sprache auflisten
import requests
API_KEY = "sk_live_abc123xyz"
voices = requests.get(
"https://audexum.com/api/v1/voices",
headers={"Authorization": f"Bearer {API_KEY}"},
).json()
# Group by language
by_language = {}
for v in voices:
by_language.setdefault(v["language"], []).append(v["voice_id"])
for lang, ids in sorted(by_language.items()):
print(f"{lang:10s}: {', '.join(ids)}")In einer bestimmten Sprache synthetisieren
import requests
API_KEY = "sk_live_abc123xyz"
API_URL = "https://audexum.com/api/v1/tts"
def synthesize(text: str, voice_id: str, output_file: str):
response = requests.post(
API_URL,
headers={
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json",
},
json={"text": text, "voice_id": voice_id},
)
response.raise_for_status()
with open(output_file, "wb") as f:
f.write(response.content)
# Japanese
synthesize(
text="こんにちは、Audexumへようこそ。",
voice_id="ja_female_01",
output_file="welcome_ja.wav",
)
# Arabic
synthesize(
text="مرحبًا بك في Audexum.",
voice_id="ar_female_01",
output_file="welcome_ar.wav",
)
# German
synthesize(
text="Willkommen bei Audexum.",
voice_id="de_female_01",
output_file="welcome_de.wav",
)Batch-Lokalisierungspipeline
Dieses Muster ist nützlich, wenn du eine String-Tabelle pflegst und für jede Sprachversion Audio-Assets erzeugen musst:
import requests
from pathlib import Path
API_KEY = "sk_live_abc123xyz"
API_URL = "https://audexum.com/api/v1/tts"
STRINGS = {
"en_us_female_01": "Your order has been confirmed.",
"es_female_01": "Tu pedido ha sido confirmado.",
"fr_female_01": "Votre commande a été confirmée.",
"de_female_01": "Ihre Bestellung wurde bestätigt.",
"ja_female_01": "ご注文が確定しました。",
"ko_female_01": "주문이 확정되었습니다.",
"ar_female_01": "تم تأكيد طلبك.",
"hi_female_01": "आपका ऑर्डर कन्फर्म हो गया है।",
}
output_dir = Path("audio_assets")
output_dir.mkdir(exist_ok=True)
for voice_id, text in STRINGS.items():
lang_code = voice_id.split("_")[0]
response = requests.post(
API_URL,
headers={"Authorization": f"Bearer {API_KEY}"},
json={"text": text, "voice_id": voice_id},
)
if response.ok:
out = output_dir / f"order_confirmed_{lang_code}.wav"
out.write_bytes(response.content)
print(f"Wrote {out}")
else:
print(f"Failed {voice_id}: {response.status_code}")Wenn du dies für 8 Sprachversionen ausführst, entstehen in weniger als 10 Sekunden 8 WAV-Dateien und es werden ungefähr 400 Zeichen deines Kontingents verbraucht.
Anwendungsfälle
App-Lokalisierung
Mobile und Web-Apps nutzen zunehmend Sprache als UI-Ebene: Onboarding-Erzählung, vorgelesene Fehlermeldungen, Barrierefreiheitsmodus. Audio zur Build-Zeit in der Sprache des Benutzers zu erzeugen (statt zur Laufzeit) eliminiert Latenz und funktioniert offline.
Das obige Batch-Muster eignet sich für diesen Fall: Du pflegst eine Übersetzungsdatei, führst den Syntheseauftrag als Teil deiner CI-Pipeline aus und lieferst die Audio-Assets zusammen mit deinem App-Bundle aus.
Globale Content-Pipelines
Podcasts, YouTube-Videos und E-Learning-Kurse in mehreren Sprachen aufzunehmen ist teuer. TTS-generiertes Audio für übersetzte Skripte senkt die Produktionskosten deutlich, während die Qualität für nicht zentrale Inhalte akzeptabel bleibt.
Ein typischer Workflow: Skript mit einer Übersetzungs-API übersetzen, mit Audexum synthetisieren und mit der Originalmusik mischen. Das Ergebnis ist veröffentlichungsfähiger Content zu einem Bruchteil der Kosten einer Studioaufnahme.
Sprachlern-Apps
Sprachlernen erfordert eine klare, korrekte Aussprache – genau das bietet TTS mit einem muttersprachlichen Modell. Audio bei Bedarf zu erzeugen (statt eine feste Wortliste voraufzunehmen) deckt beliebiges Vokabular und jeden Satzbau ab, ganz ohne Aufnahmestudio.
Audexums Phonemgenauigkeit bei nichtlateinischen Schriften (Arabisch, Japanisch, Koreanisch, Devanagari) macht es für Vokabel-Übungs-Audio geeignet, bei dem falsche Aussprache den Lernenden aktiv schaden würde.
Sprachassistenten und Chatbots
Bots, die internationale Zielgruppen bedienen, müssen in der Sprache des Nutzers antworten. Die Sprache des Nutzers zu erkennen und die passende voice_id pro Anfrage auszuwählen erfordert lediglich einen zusätzlichen Parameter im TTS-Aufruf.
Preise
Alle 32 Sprachen sind in jedem Tarif verfügbar; es fällt kein Sprachaufschlag an.
Zum Vergleich: ElevenLabs verlangt auf seinen Listenplänen ca. 165–200 $ pro 1 Mio. Zeichen, OpenAI TTS 15 $/1 Mio. Audexum-Plan-Abonnenten erhalten effektive Raten von 9,93 €/1 Mio. (Business) bis 24,17 €/1 Mio. (Pro), mit einem PAYG-Listenpreis von 28 €/1 Mio. für Einzelkäufe. Und Audexum ist der einzige Anbieter mit einem dauerhaften Gratis-Tarif und einheitlichen Diktier-Credits.
Der kostenlose Tarif (2.000 Credits zu Beginn, keine Karte erforderlich) reicht aus, um die Synthese in jeder benötigten Sprache zu testen, bevor du dich für einen kostenpflichtigen Tarif entscheidest.
Erste Schritte
- Registriere dich bei audexum.com/signup. Für den kostenlosen Tarif ist keine Kreditkarte erforderlich
- Kopiere deine
sk_live_Schlüssel aus dem Dashboard - Rufe
/api/v1/voicesauf, um die aktuelle Stimmliste abzurufen und deine Zielstimme auszuwählenvoice_idWerte - Füge diese IDs in das Batch-Skript oben ein
Die vollständige API-Referenz einschließlich der Syntax für Phonem-Overrides in Sonderfällen findest du unter audexum.com/docs.
- Ähnliche Beiträge: Python-Tutorial zur Text-to-Speech-API
- Ähnliche Beiträge: Günstigste Text-to-Speech-API im Jahr 2026
- Ähnliche Beiträge: TTS-API für Discord-Bots
Von Petar, Gründer von Audexum. Ich baue mehrsprachige Sprachausgabe, die auch nichtlateinische Schriften wirklich korrekt verarbeitet.
Got any questions left?
Feedback teilen
War dieser Artikel hilfreich?