---
title: "Was ist Text-to-Speech (TTS)? So funktionieren Sprach-APIs"
description: "Text-to-Speech macht aus geschriebenem Text gesprochenes Audio. So arbeiten TTS-APIs, was SSML steuert, Ausgabeformate und warum BroadNet nur Speech-to-Text bietet."
url: https://broadrouter.com/de/glossary/text-to-speech/
lang: de
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/text-to-speech/) (aktualisiert am 2026-11-15).

# Text-to-Speech (TTS, Sprachsynthese)

Aktualisiert 2026-11-15

Text-to-Speech (TTS), auch Sprachsynthese, wandelt geschriebenen Text in gesprochenes Audio um. Eine TTS-API nimmt Text, eine Stimme und ein Ausgabeformat wie MP3 oder WAV entgegen und liefert erzeugte Sprache. Es ist das Gegenstück zu Speech-to-Text, das Audio in Text umwandelt.

Auch genannt: TTS, Sprachsynthese, Text zu Sprache, Vorlesefunktion, Sprachausgabe, text to speech, text-to-speech, speech synthesis

Speech-to-Text hört zu. Text-to-Speech antwortet. Sprachassistenten brauchen beides.

## So funktioniert es

Eine TTS-API nimmt drei Dinge entgegen: den Text, eine Stimme und ein Audioformat. So sieht das Python-Beispiel im Leitfaden von OpenAI aus:

```python
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file("speech.mp3")
```

Der Leitfaden dokumentiert den Endpoint `/v1/audio/speech`, 13 eingebaute Stimmen und die Ausgabeformate MP3 (Standard), Opus, AAC, FLAC, WAV und PCM, wobei PCM rohe 24-kHz-Samples mit 16 Bit ohne Header sind. Er unterstützt Streaming mit Chunked Transfer Encoding, sodass die Wiedergabe beginnen kann, bevor die Datei fertig ist, und empfiehlt WAV oder PCM für die schnellsten Antworten. Der Leitfaden markiert außerdem `tts-1`, `tts-1-hd` und `gpt-4o-mini-tts` als veraltet, mit Abschaltung am 6. Januar 2027. Prüfen Sie die aktuelle Modellliste, bevor Sie auf eines aufbauen.

Viele Engines akzeptieren auch SSML, das XML-Markup des W3C für Sprachsynthese. Das Wurzelelement `<speak>` deklariert `version="1.1"` und `xml:lang`. Weitere Elemente sind `<break>` für Pausen, `<say-as>` zur Kennzeichnung von Datumsangaben oder Zahlen, `<phoneme>` für eine exakte Aussprache (zum Beispiel in IPA) und `<lang>` für eine Wendung in einer anderen Sprache:

```xml
<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>
```

## Warum es wichtig ist

-   **Sprachprodukte sind Pipelines.** Ein Voicebot ist [Speech-to-Text](https://broadrouter.com/de/glossary/speech-to-text/), dann ein Chat-Modell, dann TTS. Jeder Schritt erhöht [Latenz](https://broadrouter.com/de/glossary/latency/) und Kosten, und jeder kann von einem anderen Anbieter kommen.
-   **Formatwahl.** Das Ausgabeformat bestimmt Größe und Abspielbarkeit. WhatsApp etwa spielt Sprachnachrichten im Format [Ogg Opus](https://broadrouter.com/de/glossary/ogg-opus/) ab.
-   **Offenlegung.** OpenAI verlangt, Endnutzern mitzuteilen, dass eine TTS-Stimme KI-generiert ist.

## Bei BroadNet Inference

BroadNet bietet kein Text-to-Speech an. Die API-Referenz dokumentiert nur `POST /v1/chat/completions` und `POST /v1/audio/transcriptions`. Angeboten wird die andere Richtung: [BroadNet Transcribe Arabic](https://broadrouter.com/de/models/cohere-transcribe-arabic/) und [BroadNet Transcribe](https://broadrouter.com/de/models/cohere-transcribe/) wandeln WAV- oder MP3-Audio in Text um, zu $0.0042 und $0.002 pro Minute. BroadNet bietet außerdem keine Live- oder Echtzeit-Sprachfunktion.

Wenn Ihr Produkt sprechen muss, kombinieren Sie Transkription und Chat von BroadNet mit einem separaten TTS-Anbieter. [Text, Sprache und Bild](https://broadrouter.com/de/blog/text-speech-vision/) zeigt, welche Aufgaben BroadNet abdeckt und wo Sie einen anderen Dienst brauchen, und der Beitrag zur [Architektur eines WhatsApp-Chatbots](https://broadrouter.com/de/blog/arabic-whatsapp-chatbot-architecture/) zeigt die Sprachnachrichten-Seite der Pipeline.

## Häufige Fehler

-   **TTS mit STT verwechseln.** Speech-to-Text APIs erzeugen kein Audio. Prüfen Sie die Liste der Endpoints, nicht nur das Wort „speech“.
-   **Annehmen, dass SSML überall funktioniert.** Viele APIs akzeptieren nur Klartext oder eine Teilmenge von SSML.

## Häufige Fragen

### Bietet BroadNet Inference Text-to-Speech an?

Nein. BroadNet dokumentiert zwei Endpoints, Chat Completions und Audiotranskription. Es gibt kein /v1/audio/speech. Nutzen Sie einen separaten TTS-Anbieter, wenn Ihre App sprechen muss.

### Was ist SSML?

Speech Synthesis Markup Language, eine W3C-Recommendation (Version 1.1, 2010). Es ist XML, das Aussprache, Pausen, Tonhöhe, Tempo und Sprachwechsel in synthetischer Sprache steuert. Die Unterstützung variiert je nach TTS-Anbieter.

### Muss ich Nutzern sagen, dass eine Stimme KI-generiert ist?

Die Nutzungsrichtlinien von OpenAI, wie sie im TTS-Leitfaden zitiert werden, verlangen einen klaren Hinweis, dass die Stimme KI-generiert ist. Prüfen Sie die Bedingungen Ihres eigenen Anbieters und das geltende Recht vor Ort.

## Siehe auch

-   [Speech-to-Text (Spracherkennung)](https://broadrouter.com/de/glossary/speech-to-text/) (Begriff)
-   [Multimodale KI (Multimodal AI)](https://broadrouter.com/de/glossary/multimodal/) (Begriff)
-   [Ogg Opus](https://broadrouter.com/de/glossary/ogg-opus/) (Begriff)
-   [WAV](https://broadrouter.com/de/glossary/wav/) (Begriff)
-   [Streaming](https://broadrouter.com/de/glossary/streaming/) (Begriff)
-   [Text, Sprache oder Vision? Beginnen Sie mit der Aufgabe](https://broadrouter.com/de/blog/text-speech-vision/) (Artikel)
-   [Arabischer WhatsApp-Chatbot: von der Sprachnachricht zur Antwort](https://broadrouter.com/de/blog/arabic-whatsapp-chatbot-architecture/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-text-to-speech&utm_content=page-cta) ·

**Quellen**

-   [Dokumentation der OpenAI API, Leitfaden zu Text-to-Speech: /v1/audio/speech, Stimmen, Ausgabeformate, Offenlegungsregel (geprüft am 2026-11-15)](https://developers.openai.com/api/docs/guides/text-to-speech)
-   [W3C, Speech Synthesis Markup Language (SSML) Version 1.1, Recommendation (geprüft am 2026-11-15)](https://www.w3.org/TR/speech-synthesis11/)
-   [API-Referenz von BroadNet Inference: Endpoints für Chat Completions und Audiotranskription (geprüft am 2026-11-15) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-text-to-speech&utm_content=sources)
