ANLEITUNG

Eine Text-to-Speech-API für lange Texte: Kapitel, Artikel und Hörbücher

Bei langen Texten werden Text-to-Speech-APIs langsam und teuer. Viele begrenzen eine Anfrage auf einige tausend Zeichen: Sie teilen das Buch selbst, senden Hunderte Anfragen und fügen das Audio wieder zusammen – und jedes Zeichen wird berechnet.

Die Sprach-API von SuperClonica nimmt bis zu 20 000 Zeichen in einer Anfrage und liefert eine Datei. In unseren Messungen am laufenden Dienst kamen etwa 16 000 Zeichen, 15,6 Minuten Sprache, in 25,6 Sekunden zurück. Dieser Leitfaden zeigt, wie Sie einen langen Text vertonen und wo die Grenzen liegen.

Einen Sprecher wählen Oder die Engine selbst betreiben

Warum es schnell ist

Der Server teilt den Text an Satzgrenzen, vertont die Stücke auf mehreren Workern gleichzeitig und fügt sie zu einer Datei mit gleichmäßigen Pausen zusammen. Ein langes Kapitel dauert daher Sekunden statt Minuten, und mit "stream": true hören Sie schon ab 300 ms, während der Rest entsteht.

Wie viel in eine Anfrage passt

Eine Anfrage nimmt bis zu 20 000 Zeichen, und ihr Audio muss in das 10-Minuten-Fenster Ihres Tarifs passen. Der Tarif bestimmt, wie lang eine Datei sein kann:

  • Kostenlos: bis zu 1 Minute, etwa 1000 Zeichen.
  • Start, 5 $: bis zu 3 Minuten, etwa 3000 Zeichen pro Anfrage.
  • Autor, 10 $: bis zu 8 Minuten.
  • Pro, 20 $: bis zu 25 Minuten, also die vollen 20 000 Zeichen.
  • Studio, 50 $: bis zu 80 Minuten, mit Platz für mehrere lange Anfragen zugleich.

Ein Buch Kapitel für Kapitel vertonen

Teilen Sie das Buch in Kapitel oder Szenen, senden Sie jeden Teil als eigene Anfrage mit einem Idempotency-Key wie der Kapitelnummer und speichern Sie jede Antwort als Datei. In Python: requests.post("https://superclonica.com/api/v1/speech", headers={"Authorization": "Bearer " + key, "Idempotency-Key": "chapter-3"}, json={"text": text, "voice": "M2", "language": "de", "format": "mp3"}, timeout=120). Eine Antwort 503 bedeutet eine volle Warteschlange: Warten Sie die Sekunden aus Retry-After ab und senden Sie dieselbe Anfrage erneut; ein wiederholter Schlüssel vertont einen Text nie doppelt.

Zahlen, Daten und Abkürzungen werden als Wörter gelesen, Zeilenumbrüche bleiben als Absatzgrenzen erhalten.

Die Wahl des Sprechers

Im bezahlten Tarif funktioniert jede Stimme aus dem Katalog von SuperClonica über die API, und Sie können einen Sprecher aus Ihrer eigenen Aufnahme auf der Website trainieren. Hören Sie die Kandidaten vorher kostenlos auf ihren Seiten mit einem Satz aus Ihrem Buch an. Für ein vertrauliches Manuskript, das Ihren Rechner nicht verlassen darf, betreiben Sie stattdessen die kostenlose Engine von SuperClonica selbst; sie vertont lange Texte genauso.