Zum Inhalt springen

Mehrsprachige Text-to-Speech-API: 33 Sprachen mit einem REST-Endpunkt (2026)

Audexum8 Min.By Petar

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:

LanguageBCP-47 CodeVoices AvailableScript
English (American)en-US6Latin
English (British)en-GB4Latin
Spanishes4Latin
Frenchfr3Latin
Germande3Latin
Italianit2Latin
Portuguesept2Latin
Arabicar2Arabic
Hindihi2Devanagari
Japaneseja3CJK
Koreanko2Hangul
Bulgarianbg2Cyrillic
Russianru2Cyrillic
Polishpl1Latin
Dutchnl1Latin
Turkishtr1Latin
Swedishsv1Latin
Romanianro1Latin
Vietnamesevi1Latin
Indonesianid1Latin

Die vollständige Liste der 32 Sprachen ist über den /api/v1/voices Endpunkt verfügbar.

Codebeispiele

Stimmen nach Sprache auflisten

python
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

python
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:

python
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.

PlanCredits/moPriceEffective per 1M
Free2,000 + 250/day€0—
Pro1,200,000€29€24.17
Scale4,000,000€49€12.25
Business15,000,000€149€9.93
Credit packs250,000 to 3,500,000, never expirefrom €7€25.71 to €28

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/voices auf, um die aktuelle Stimmliste abzurufen und deine Zielstimme auszuwählen voice_id Werte
  • 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.


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?

Nächster ArtikelBeste kostenlose Text-to-Speech-API im Jahr 2026: Das bekommst du wirklich

Kostenlos starten. Keine Karte.

2,000 Credits zum Start, 250 jeden Tag mehr.