Wie nutze ich Text-to-Speech für Immobilien-Videos effektiv?

Von PlayTTS Studio Redaktion · Aktualisiert 2026-11-18

Diese Seite zeigt Immobilien-Freelancern, wie sie Textvorlagen für virtuelle Touren und Video-Exposés effizient in professionelle Audiodateien umwandeln. Wir erklären den direkten Workflow von der Texteingabe über die API-Anfrage bis zur Integration in Ihr Video, damit Sie hunderte Objekte schnell und kostengünstig mit nativer Sprache versehen können.

Sie lernen, welche Stimmen sich für welche Immobilie eignen, wie Sie die Geschwindigkeit und das Format optimieren und welche technischen Limits bei der Zeichenzahl gelten. Der Leitfaden konzentriert sich auf konkrete Schritte für Ihre TTS-Integration, ohne unnötiges Fachjargon, damit Sie sofort mit der Produktion starten können.

Wie nutze ich Text-to-Speech für Immobilien-Videos effektiv?

Häufig gestellte Fragen

Was ist Text-to-Speech?

Text-to-Speech wandelt Text in Audiodateien um. Sie senden Text an die API und erhalten eine Datei im gewünschten Format. Das ist eine Möglichkeit, virtuelle Touren oder Video-Exposés mit Sprachausgabe zu versehen.

Wie wähle ich die richtige Stimme?

Wählen Sie aus acht Stimmen wie Aria für klare Erzählungen oder Felix für energische Promotionen. Jede Stimme spricht alle 23 unterstützten Sprachen. Passen Sie die Stimme an den Ton Ihres Exposés an, z. B. Sage für sachliche Anleitungen oder Orion für dokumentarische Stile.

Kann ich die Stimme an meinen Stil anpassen?

Sie können die Geschwindigkeit zwischen 0,25 und 4,0 anpassen. Eine individuelle Stimmenanpassung oder Klonen Ihrer eigenen Stimme ist nicht verfügbar. Emotionen können nicht direkt gesteuert werden. Der Stil ergibt sich aus der gewählten Stimme und dem eingegebenen Text.

Wie lange dauert die Generierung?

Lange Texte werden in etwa Echtzeit generiert, ca. 25 Zeichen pro Sekunde. Kurze Sätze benötigen einige Sekunden. Bei hoher Auslastung kann es zu Warteschlangen kommen. Die API verarbeitet Anfragen nacheinander, was bei vielen gleichzeitigen Anfragen die Dauer erhöht.

Welches Format ist für Videos am besten?

Wählen Sie MP3 für eine gute Balance aus Qualität und Dateigröße. WAV, OPUS und FLAC sind weitere Optionen. PCM ist für Rohdaten geeignet. Das gewählte Format wird direkt im Antwort-Body der API-Anfrage zurückgegeben.

Kann ich mehrere Stimmen in einem Video nutzen?

Ja, Sie können verschiedene Stimmen für verschiedene Textabschnitte nutzen. Senden Sie separate API-Anfragen für jede Stimme und schneiden Sie die Audiodateien im Video-Bearbeitungsprogramm zusammen. So wechseln Sie zwischen Aria und Felix für unterschiedliche Perspektiven.

Muss ich die Texte selbst schreiben?

Ja, Sie liefern den Text an die API. Die API übernimmt nur die Umwandlung in Audio. Sie müssen sicherstellen, dass der Text korrekt formuliert ist, da es keine automatische Korrektur oder Anpassung an den Kontext gibt. Bis zu 4096 Zeichen pro Anfrage sind möglich.

Gibt es Einschränkungen bei der Länge?

Jede API-Anfrage kann maximal 4096 Zeichen umfassen. Für längere Texte müssen Sie diese in Teile aufteilen, die Audio-Dateien generieren und später zusammenfügen. Zeichen, Leerzeichen und Interpunktion zählen zur Begrenzung. Dies ist für lange Video-Exposés zu beachten.

Wie verbinde ich die Audio-Datei mit meinem Video?

Die API gibt die Audiodatei direkt zurück. Laden Sie diese in Ihre Videobearbeitungssoftware und synchronisieren Sie sie mit den visuellen Inhalten der virtuellen Tour. Die Datei ist im gewählten Format (z. B. MP3 oder WAV) verfügbar.

Sind die Stimmen natürlich klingend?

Die Stimmen basieren auf lizenzierten Aufnahmen aus LibriTTS-R und LibriVox. Sie klingen klar. Jede generierte Datei enthält einen unsichtbaren Wasserzeichen, das sie als synthetische Sprache ausweist. Sie sind keine echten Menschenstimmen, sondern KI-generiert.

Kann ich die API automatisiert nutzen?

Ja, nutzen Sie die REST-API mit HTTP-Anfragen oder die OpenAI SDKs. Ändern Sie die base_url zu https://api.playtx666.com/v1. Automatisieren Sie die Generierung für Hunderte von Objekten, indem Sie Skripte verwenden, die die API-Anfragen stellen.

Brauche ich technisches Know-how?

Grundkenntnisse in API-Nutzung sind hilfreich, aber nicht zwingend erforderlich. Die API ist einfach zu integrieren, und es gibt curl-Beispiele. Für komplexe Automatisierungen oder Skripte sind technische Kenntnisse vorteilhaft. Die Dokumentation erklärt die Parameter detailliert.

Wie behebe ich Fehler in der Aussprache?

Es gibt keine Möglichkeit, die Aussprache direkt zu korrigieren. Passen Sie den geschriebenen Text an, um die gewünschte Aussprache zu erreichen. Da keine SSML-Unterstützung besteht, können Sie keine phonetischen Anpassungen vornehmen. Testen Sie verschiedene Schreibweisen, wenn nötig.

Kann ich die API mit anderen Tools kombinieren?

Ja, die API funktioniert mit jedem Tool, das HTTP-Anfragen senden kann. Nutzen Sie sie mit Skripts, CMS oder Videobearbeitungssoftware. Da sie dem OpenAI-Format entspricht, können Sie bestehende Integrationen anpassen. Es gibt keine eigene Mobile-App oder WordPress-Plugin.

Warum Audio in Immobilien-Videos?

Schallwellenillustration für: Warum Audio in Immobilien-Videos?

Audio ist der Schlüssel, um potenzielle Käufer emotional anzusprechen. Stille Videos wirken oft distanziert. Durch eine klare Stimme entsteht eine persönliche Verbindung zum Objekt, die rein visuelle Eindrücke ergänzt und dem Betrachter das Gefühl gibt, direkt vor Ort zu sein.

Die Kombination aus Bild und Ton hält die Aufmerksamkeit länger aufrecht. Zuschauer bleiben eher dran, wenn sie nicht nur sehen, sondern auch hören, was das Haus zu bieten hat.

Emotionale Ansprache

Eine natürliche Stimme transportiert die Begeisterung für das Objekt besser als reiner Text. Sie vermittelt Wärme und Einzigartigkeit, was bei der Entscheidungsfindung der Käufer eine wichtige Rolle spielt.

Die menschliche Stimme kann Nuancen wie Stolz oder Gemütlichkeit ausdrücken, die visuelle Elemente allein oft nicht leisten können. Dies schafft eine stärkere emotionale Bindung an die Immobilie.

  • Stärkere emotionale Verbindung zum Objekt
  • Übertragung von Stimmung und Atmosphäre
  • Unterscheidung von der Masse standardisierter Videos

Zuschauerbindung erhöhen

Audio unterstützt die kognitive Verarbeitung. Wenn Zuschauer sehen und gleichzeitig hören, werden Informationen besser verinnerlicht. Dies ist besonders wichtig bei komplexen Details wie Grundrissen oder Ausstattung.

Ein begleitender Kommentar lenkt den Fokus auf die wichtigsten Merkmale. Ohne Audio neigen Zuschauer dazu, schneller zu scrollen oder das Video zu verlassen. Mit Audio bleiben sie länger beim Inhalt.

Die kontinuierliche Erzählung hält den Rhythmus des Videos aufrecht. Dies verhindert, dass die Aufmerksamkeit durch Pausen in der visuellen Darstellung verloren geht.

  • Bessere Informationsaufnahme durch Mehrkanalreize
  • Reduzierung der Absprungrate
  • Fokussierung auf Kernmerkmale

Professioneller Auftritt

Professionelle Audio-Untermalung signalisiert Sorgfalt und Qualität. Es zeigt, dass Sie sich Mühe gegeben haben, dem Kunden ein rundes Erlebnis zu bieten.

Ein klarer, verständlicher Voiceover-Ton wirkt seriös und vertrauenswürdig. Dies ist entscheidend, um sich als kompetenter Freelancer oder Makler zu positionieren.

Die technische Qualität des Audios spiegelt sich im Gesamteindruck des Videos wider. Schlechte Audioqualität kann selbst das beste Bild wert machen.

  • Steigerung der wahrgenommenen Qualität
  • Vertrauensbildung durch klare Kommunikation
  • Professioneller Eindruck bei Kunden

Text für die Stimme vorbereiten

Schallwellenillustration für: Text für die Stimme vorbereiten

Die Qualität Ihrer Immobilien-Videos beginnt mit einem klaren Skript. Da die API Text in Audio umwandelt, sollten Sie Sätze kurz und prägnant halten. So wirkt die Narration natürlich und bleibt für potenzielle Käufer leicht verständlich.

Achten Sie auf Satzzeichen, da sie die Pausen der KI steuern. Ein Komma erzeugt eine kurze Pause, ein Punkt eine längere. Dies gibt Ihren virtuellen Touren eine professionelle, rhythmische Struktur.

Kurz und prägnant halten

Vermeiden Sie lange Schachtelsätze. Die Sprachausgabe wirkt natürlicher, wenn Sie klare, kurze Sätze verwenden. Dies ist besonders wichtig für Video-Exposés, wo die visuelle Darstellung im Vordergrund steht.

  • Nutzen Sie aktive Formulierungen für mehr Dynamik.
  • Halten Sie Sätze kurz und prägnant für bessere Verständlichkeit.

Satzzeichen beachten

Setzen Sie Kommas für kurze Atempausen und Punkte für klare Abschnitte. Dies steuert die Intonation der KI, ohne dass Sie manuell Pausen einfügen müssen.

Max. 4096 Zeichen

Die API akzeptiert maximal 4096 Zeichen pro Anfrage. Texte, die länger sind, müssen Sie in mehrere Teile aufteilen. Die API liefert dann einzelne Audiodateien, die Sie später zu einer Gesamtaufnahme zusammensetzen.

  • Teilen Sie lange Exposés in logische Abschnitte auf.
  • Fügen Sie die einzelnen Audio-Dateien im Videoschnitt programmatisch zusammen.

Stimme auswählen

Schallwellenillustration für: Stimme auswählen

Die Wahl der richtigen Stimme bestimmt, wie Ihre Immobilienpräsentation wahrgenommen wird. Eine passende Stimme unterstützt den Inhalt und sorgt für eine professionelle Wirkung, ohne vom Objekt abzulenken.

Unsere 8 Stimmen sind so konzipiert, dass sie verschiedene Kommunikationsziele im Immobilienbereich effektiv unterstützen. Nutzen Sie die Stimme, die am besten zum jeweiligen Format passt.

Klare Narration für Exposés

Aria ist eine warme und klare Erzählerin, die sich ideal für die strukturierte Darstellung von Details in virtuellen Touren eignet. Ihre neutrale, aber einladende Stimme hält die Aufmerksamkeit des Zuschauers, ohne emotional aufdringlich zu wirken.

Sage bietet eine ruhige, lehrreiche Stimme, die perfekt für erklärende Elemente in Video-Exposés ist. Sie vermittelt Vertrauen und Klarheit, was besonders bei der Vorstellung von Grundrissen oder technischen Daten hilfreich ist.

  • Aria: Warme, klare Erzählerin für virtuelle Touren
  • Sage: Ruhige Stimme für erklärende Exposé-Elemente

Energie für Promotions

Nova strahlt eine helle, positive Energie aus, die sich perfekt für kurze Promotions-Videos und Social-Media-Clips eignet. Ihre upbeat-Art macht Immobilien ansprechend und modern, ohne übertrieben zu wirken.

Felix bringt eine energiegeladene Stimme für Werbetexte mit. Seine dynamische Aussprache sorgt dafür, dass Highlights eines Objekts lebendig und einprägsam rüberkommen.

  • Nova: Helle, positive Stimme für Social Media
  • Felix: Energiegeladen für Werbetexte und Promos

Neutral für Nachrichten

Atlas bietet eine neutrale, sachliche Stimme, die sich wie eine Nachrichtenansage anhört. Sie ist ideal, wenn es rein um die Fakten geht und die Stimme im Hintergrund bleibt.

Milo wirkt freundlich und gesprächig, was für eine persönliche Ansprache an potenzielle Käufer gut geeignet ist. Orion liefert eine tiefe, dokumentarische Stimme für eine ernstere, hochwertige Inszenierung.

  • Atlas: Neutral und sachlich für Fakten
  • Milo: Freundlich und gesprächig für persönliche Ansprache
  • Orion: Tief und dokumentarisch für hochwertige Inszenierung

API-Anfrage erstellen

Schallwellenillustration für: API-Anfrage erstellen

Um Audiomaterial zu generieren, senden Sie eine POST-Anfrage an https://api.playtx666.com/v1/audio/speech. Der Körper enthält JSON-Daten mit Ihrem Modell, dem Text und der gewünschten Stimme. Dies ist der Kern der Automatisierung für Ihre virtuellen Touren.

Text in JSON einfügen

Strukturieren Sie Ihre Anfrage als JSON-Objekt. Das Feld input enthält den Skripttext für das Video. Achten Sie darauf, dass der Text 4096 Zeichen nicht überschreitet. Bei längeren Exposés müssen Sie die Texte entsprechend aufteilen.

  • Verwenden Sie model: tts-1 oder tts-1-hd
  • Maximale Textlänge: 4096 Zeichen pro Anfrage
  • Authentifizierung über Authorization: Bearer Header

Stimme und Format wählen

Wählen Sie eine Stimme, die zum Stil der Immobilie passt. Für emotionale Erzählungen eignet sich aria, für energetische Promotions ist felix ideal. Das Feld voice akzeptiert alle acht Presets. Das Format mp3 ist für Web-Videos Standard.

  • Stimmen: aria, nova, luna, sage, felix, milo, atlas, orion
  • Formate: mp3, wav, opus, flac, pcm
  • Optional: speed zwischen 0.25 und 4.0

Anfrage senden

Senden Sie die JSON-Daten an den Endpunkt. Die API verarbeitet die Anfrage in der Warteschlange und gibt eine Audiodatei zurück. Bei erfolgreichem Abschluss erhalten Sie die Audiodatei direkt in der Antwort. Fehlgeschlagene Anfragen werden kostenlos erstattet.

  • Endpoint: POST /v1/audio/speech
  • Antwort: Audiodatei im gewählten Format
  • Rate Limit: 60 Anfragen pro Minute

Audio verarbeiten

Schallwellenillustration für: Audio verarbeiten

Nachdem die API die Synthese abgeschlossen hat, erhalten Sie die Audiodatei direkt als Antwort. Laden Sie die Datei herunter und speichern Sie sie lokal, bevor Sie sie in Ihre Videobearbeitungssoftware importieren. Die Datei enthält ein unhörbares Wasserzeichen, das sie als synthetische Sprache ausweist.

Datei herunterladen

Die API gibt die Audiodatei im gewählten Format (MP3, WAV, OPUS, FLAC oder PCM) zurück. Laden Sie diese sofort herunter, da sie nicht auf unseren Servern gespeichert wird. Sie können die Datei anschließend direkt in Ihren Workflow integrieren.

  • Formate wie MP3 für schnelle Web-Streaming oder WAV für höchste Bearbeitungsfreiheit wählen.
  • Die Antwort enthält den Audio-Stream direkt im Body der HTTP-Antwort.

In Video einbetten

Importieren Sie die heruntergeladene Audiodatei in Ihre Videobearbeitungssoftware und legen Sie sie auf eine separate Audiospur. Passen Sie die Lautstärke an, sodass die Stimme klar über dem Hintergrundgeräusch der Immobilie oder Musik liegt. Dies sorgt für eine professionelle Hörerfahrung bei virtuellen Touren.

  • Stimmen Sie die Lautstärke so ab, dass die Narration im Vordergrund steht.
  • Nutzen Sie die Datei als externe Tonspur, um die Originalaudioaufnahme der Kamera zu ersetzen oder zu ergänzen.

Synchronisation prüfen

Spielen Sie das Video mit der neuen Tonspur ab und prüfen Sie, ob die Wortbetonungen mit den visuellen Übergängen übereinstimmen. Bei längeren Texten können kurze Pausen in der Synthese helfen, um die Synchronisation mit Bildwechseln zu erleichtern. Korrigieren Sie bei Bedarf die Position der Audiospur manuell.

  • Achten Sie auf natürliche Pausen zwischen Sätzen für bessere Schnitte.

Sprachauswahl optimieren

Schallwellenillustration für: Sprachauswahl optimieren

Die automatische Spracherkennung ist praktisch, aber nicht immer präzise. Da Text, der auf lateinischem Alphabet basiert, standardmäßig als Englisch interpretiert wird, können Fremdsprachen falsch ausgesprochen werden. Setzen Sie den Parameter language explizit, um Fehler zu vermeiden und die Qualität zu sichern.

Dies ist besonders wichtig, wenn Sie Texte für den deutschen, französischen oder spanischen Markt vorbereiten, auch wenn die Zeichen aus dem lateinischen Alphabet bestehen. Die explizite Angabe stellt sicher, dass die Stimme die korrekten Phoneme verwendet und die Aussprache natürlich wirkt.

Sprachcode setzen

Definieren Sie immer den ISO-Sprachcode, wenn der Text nicht auf Englisch ist. Dies verhindert, dass das System die Sprache falsch errät. Die API unterstützt 23 Sprachen: Arabisch, Chinesisch, Dänisch, Deutsch, Englisch, Finnisch, Französisch, Griechisch, Hebräisch, Hindi, Italienisch, Japanisch, Koreanisch, Malay, Niederländisch, Norwegisch, Polnisch, Portugiesisch, Russisch, Spanisch, Swahili, Schwedisch und Türkisch.

  • Verwenden Sie ISO-Codes wie 'de', 'fr', 'es'.
  • Setzen Sie language immer explizit bei Nicht-Englisch.
  • Vermeiden Sie falsche Zuordnungen durch implizite Logik.

Automatische Erkennung

Ohne explizite Angabe wird lateinischer Text standardmäßig als Englisch verarbeitet. Dies funktioniert nur, wenn der Text tatsächlich auf Englisch ist. Bei gemischten Texten oder anderen Sprachen führt dies zu fehlerhafter Aussprache. Nutzen Sie die automatische Erkennung nur, wenn Sie sich sicher sind, dass der Text in der Standardsprache vorliegt.

Mehrere Sprachen mischen

Die API erkennt keine dynamischen Sprachwechsel innerhalb eines einzelnen Textes. Wenn Sie Texte für internationale Immobilienprojekte erstellen, die mehrere Sprachen enthalten, teilen Sie den Text in separate Abschnitte auf. Generieren Sie für jeden Sprachabschnitt eine eigene Audio-Datei und fügen Sie diese im Editor Ihrer Wahl zusammen. So bleibt die Aussprache in jedem Abschnitt korrekt.

Geschwindigkeit anpassen

Schallwellenillustration für: Geschwindigkeit anpassen

Wie bei jeder TTS-API kann die Geschwindigkeit der Sprachausgabe mit dem Parameter speed zwischen 0,25 und 4,0 angepasst werden. Dies ermöglicht es Ihnen, den Rhythmus der Immobilien-Exposé-Texte präzise auf das visuelle Bild abzustimmen.

Langsamer für Ruhe

Ein Wert von 0,25 bis 0,75 eignet sich hervorragend für ruhige, atmosphärische Aufnahmen oder Detailaufnahmen von Luxusimmobilien. Die langsamere Artikulation wirkt natürlicher und lässt dem Zuschauer mehr Zeit, die visuelle Präsention zu erfassen, ohne dass die Stimme eilig wirkt.

Schneller für Dynamik

Bei schnellen Schnittfolgen oder dynamischen Promotions-Videos können Sie die Geschwindigkeit auf Werte über 1,0 erhöhen. Dies sorgt für einen energischen Rhythmus, der gut zu modernen Wohnkonzepten passt. Beachten Sie jedoch, dass die Verständlichkeit bei sehr hohen Werten abnimmt.

Bereich 0.25 bis 4.0

Der verfügbare Bereich reicht von 0,25 (sehr langsam) bis 4,0 (extrem schnell). Experimentieren Sie mit kleinen Schritten, da jede Stimme unterschiedlich auf Geschwindigkeitsänderungen reagiert. Die Standardeinstellung liegt bei 1,0, was einem normalen Sprechtempo entspricht.

Geschwindigkeit anpassen

Formate vergleichen

Schallwellenillustration für: Formate vergleichen

Die Wahl des Audioformats beeinflusst direkt die Dateigröße und Kompatibilität deiner Immobilien-Exposés. Während MP3 der Standard für schnelle Web-Downloads ist, bieten WAV und OPUS spezifische Vorteile für unterschiedliche Arbeitsabläufe.

Wähle das Format basierend auf deinem Endgerät und der gewünschten Bearbeitungsflexibilität. Die API unterstützt MP3, WAV, OPUS, FLAC und PCM für maximale Kontrolle über die Audioqualität.

MP3 für Web-Videos

MP3 ist ein Standardformat für Web-Videos. Die kompakte Dateigröße sorgt für schnelle Ladezeiten, ohne dass die Hörer spürbare Qualitätseinbußen bemerken.

  • Ideal für schnelle Streams auf Mobilgeräten
  • Geringer Speicherplatzbedarf
  • Weite Browser-Unterstützung

WAV für Bearbeitung

WAV bietet verlustfreie Audioqualität, was sie zur perfekten Wahl für die nachträgliche Bearbeitung in Video-Schnittprogrammen macht. Wenn du die Audiospur noch einmal anpassen oder mischen möchtest, ist WAV die sicherste Basis.

  • Verlustfreie Qualität
  • Einfache Bearbeitung in Schnittsoftware
  • Größere Dateigröße als MP3

OPUS für Effizienz

OPUS kombiniert hohe Komprimierung mit exzellenter Qualität. Dieses Format ist besonders effizient, wenn du viele Sprachdateien für Hunderte von Objekten generierst und Speicherplatz schonen möchtest.

  • Hohe Komprimierung bei guter Qualität
  • Effizienter Speicherbedarf
  • Modernes Web-Format

Qualität sicherstellen

Schallwellenillustration für: Qualität sicherstellen

DieAudioqualität entscheidet oft über den professionellen Eindruck Ihrer Immobilien-Video-Exposés. Durch die gezielte Wahl des Modells und eine durchdachte Skriptstruktur stellen Sie sicher, dass die Sprachausgabe klar, natürlich und verständlich wirkt. Dies ist besonders wichtig, wenn Sie komplexe Details zu Grundstücken oder Innenräumen vermitteln.

Kleine Anpassungen im Textfluss und der Geschwindigkeit machen einen großen Unterschied. Nutzen Sie die verfügbaren Werkzeuge der API, um Ihre Audiodateien präzise auf den Inhalt abzustimmen und so die Aufmerksamkeit der potenziellen Käufer zu halten.

HD-Modell nutzen

Für den höchsten Klangstandard wählen Sie das Modell "tts-1-hd". Es nutzt denselben Motor wie "tts-1", bietet aber eine höhere Qualität. Der Preis ist identisch, sodass Sie keine Mehrkosten für die bessere Performance befürchten müssen.

  • Wählen Sie "tts-1-hd" im API-Request für bessere Klangtreue.
  • Der Preis bleibt bei $0,01 pro 1.000 Zeichen unverändert.

Kurze Sätze bilden

Strukturieren Sie Ihre Skripte in kurzen, klaren Sätzen. Lange, verschachtelte Konstruktionen können bei der automatischen Sprachsynthese zu unnatürlichen Pausen oder falschen Betonungen führen. Halten Sie den Text innerhalb der 4.096-Zeichen-Grenze pro Anfrage kompakt, um eine konsistente Qualität zu gewährleisten.

Pausen einbauen

Nutzen Sie Satzzeichen wie Punkte und Kommas gezielt, um natürliche Atempausen zu erzeugen. Dies hilft der Stimme, rhythmisch und menschlich zu klingen. Vermeiden Sie zu viele Ausrufezeichen, da diese oft zu einer künstlich erhöhten Lautstärke führen können, die in langen Exposés ermüdend wirkt.

Kosten im Blick behalten

Schallwellenillustration für: Kosten im Blick behalten

Die Abrechnung erfolgt rein zeichenbasiert: Ein Million Zeichen kosten zehn Dollar, was einem Preis von 0,01 USD pro 1.000 Zeichen entspricht. Leerzeichen und Satzzeichen werden dabei voll angerechnet. Ein fehlgeschlagenener Generierungsversuch wird kostenlos erstattet, sodass Sie nur für erfolgreiche Ausgaben zahlen.

Da das Modell etwa 25 Zeichen pro Sekunde verarbeitet, hilft eine präzise Zeichenkontrolle bei der Budgetplanung für lange Objektbeschreibungen. Das Startguthaben von 0,50 USD (ca. 50.000 Zeichen) reicht für erste Tests, benötigt aber einen schnellen Top-Up.

Zeichen zählen

Jeder Buchstabe, jedes Leerzeichen und jedes Satzzeichen zählt als Zeichen. Planen Sie Ihre Skripte so, dass sie unter die 4.096 Zeichen pro API-Anfrage bleiben, um keine zusätzlichen Requests für die Verarbeitung zu benötigen.

Budget planen

Es gibt keine monatlichen Pläne oder Mindestumsätze. Sie zahlen nur für das, was Sie tatsächlich generieren. Da keine Abo-Modelle existieren, bleibt Ihr Guthaben unbegrenzt erhalten.

Guthaben aufladen

Laden Sie Ihr Guthaben über USDT im TRC-20 Netzwerk auf. Mindestbetrag sind fünf Dollar, die Gutschrift erfolgt automatisch innerhalb weniger Minuten nach der Überweisung. Eine manuelle Abrechnung mit MwSt. gibt es nicht.

  • Nur USDT (TRC-20)
  • Mindestbetrag: 5 USD
  • Automatische Gutschrift

Rechtliche Aspekte

Schallwellenillustration für: Rechtliche Aspekte

Jede generierte Audiodatei enthält ein unhörbares Wasserzeichen, das sie als synthetische Sprache ausweist. Dies dient der Transparenz und hilft, KI-generierte Inhalte von natürlichen Aufnahmen zu unterscheiden. Für Immobilien-Exposés ist dies ein wichtiger Hinweis für die Endkunden.

Die Stimmen basieren auf Lizenzen von LibriTTS-R (CC BY 4.0) und Aufnahmen aus LibriVox (Public Domain). Dies gewährleistet eine saubere Rechtsgrundlage für die Nutzung der Stimmmodelle im kommerziellen Kontext.

Wasserzeichen beachten

Jede Audioausgabe trägt ein unsichtbares digitales Wasserzeichen. Es kennzeichnet die Datei als KI-generiert, ohne die Hörqualität zu beeinträchtigen. Dies ist ein Standard bei synthetischer Sprache und hilft bei der Einordnung der Quelle.

  • Unhörbar und stört die Wiedergabe nicht
  • Kennzeichnet die Datei als synthetisch

Lizenzen prüfen

Die zugrundeliegenden Stimmmodelle nutzen Daten aus LibriTTS-R (CC BY 4.0) und dem Public Domain Archiv von LibriVox. Diese Lizenzen erlauben die Weiterverarbeitung und kommerzielle Nutzung der Audio-Engine.

  • LibriTTS-R: CC BY 4.0
  • LibriVox: Public Domain

Kommerzielle Nutzung

Die API ist vollständig für kommerzielle Projekte geeignet. Freelancer können die Audios ohne weitere Lizenzgebühren in Video-Exposés, virtuellen Touren oder Social-Media-Posts für Immobilienverkaufe einsetzen. Es gibt keine versteckten Kosten für die Nutzungsrechte.

  • Keine zusätzlichen Lizenzkosten
  • Frei für kommerzielle Immobilienprojekte

Tipps für Freelancer

Schallwellenillustration für: Tipps für Freelancer

Als Freelancer sparen Sie wertvolle Zeit, indem Sie Ihre Skripte direkt über die API testen. Laden Sie die Texte hoch und hören Sie die Ergebnisse sofort ab, bevor Sie die Aufnahme in das Video-Exposé integrieren.

Skripte vorab testen

Nutzen Sie die API, um Skripte für virtuelle Touren schnell zu validieren. Da jede Anfrage unter 4096 Zeichen bleibt, können Sie kurze Segmente isolieren und prüfen, ob die Stimme natürlich klingt. So vermeiden Sie Nacharbeit bei der Videobearbeitung.

  • Kurze Texte für schnelle Iterationen nutzen
  • API-Response sofort auf Qualität prüfen

Stimmen variieren

Wechseln Sie zwischen den 8 verfügbaren Stimmen, um verschiedene Objekte hervorzuheben. Nutzen Sie "aria" für ruhige Narrationen und "felix" für energische Promotions. Diese Variation hält die Aufmerksamkeit der Zuschauer höher als eine monotone Stimme.

  • "aria" für klare Narration
  • "felix" für dynamische Werbung

Feedback einholen

Teilen Sie generierte Audiodateien mit Kunden oder Kollegen, bevor das finale Video veröffentlicht wird. Da die Generierung schnell ist, können Sie auf Rückmeldungen zur Sprache oder Geschwindigkeit flexibel reagieren, ohne lange Wartezeiten in Kauf zu nehmen.

Hören Sie sich die 8 Stimmen an

Jede der folgenden Samples wurde von dieser API aus demselben Satz generiert. Sage verkörpert eine ruhige, sachliche Stimme, die sich perfekt für professionelle Immobilien-Exposés eignet.

Avatar der Stimme aria
ariaweiblich
Avatar der Stimme nova
novaweiblich
Avatar der Stimme luna
lunaweiblich
Avatar der Stimme sage
sageweiblich
Avatar der Stimme felix
felixmännlich
Avatar der Stimme milo
milomännlich
Avatar der Stimme atlas
atlasmännlich
Avatar der Stimme orion
orionmännlich

23 Sprachen

Jede Stimme kann jede dieser Sprachen sprechen.

Quellen und weiterführende Literatur

  1. Wikipedia
  2. Node.js documentation
  3. W3C WAI: making audio and video accessible
  4. FFmpeg documentation
  5. LibriTTS-R corpus (OpenSLR 141)
  6. Creative Commons Attribution 4.0
  7. openai-node on GitHub
  8. curl documentation
  9. OpenAI API reference: create speech
  10. Tether (USDT)
  11. IETF RFC 7845: Ogg Opus
  12. LibriVox public-domain audiobooks

Mehr auf dieser Website