Die meisten Sprach-APIs sind auf Geschwindigkeit ausgelegt: ein Satz in wenigen hundert Millisekunden, für einen Sprachassistenten oder ein Telefonmenü. Die TTS-API von Everlit ist für die andere Aufgabe gebaut, für das Zuhören, das zwanzig Minuten dauert. Es ist dasselbe Stimmmodell, das jeden Tag für Redaktionen vertont, hier für sich allein, hinter einem einzigen Endpunkt.
Eine Anfrage
Senden Sie Text und eine Stimme. Sie erhalten einen Job mit einer festen Audioadresse zurück und holen die fertige Datei per Polling oder per Webhook ab, als MP3, WAV oder Opus.
curl -X POST https://api.everlit.audio/v1/speech \
-H "Authorization: Bearer api_YOUR_KEY" \
-H "Content-Type: application/json" \
-d '{"text": "Hello from Everlit.", "voice": "669"}'
# => 202 { "id": "spch_01jx...", "status": "queued",
# "audio_url": "https://api.everlit.audio/v1/speech/spch_01jx.../audio" }Stimme 669 ist Lana Clark, eine der Standardstimmen. Der Rest des Katalogs ist nur einen Aufruf entfernt, ebenso Ihre eigenen geklonten Stimmen.
Mit Absicht langsam
Ein Job ist meist in 15 bis 60 Sekunden fertig, weil jede Datei vollständig gerendert und automatisch qualitätsgeprüft wird, bevor Sie sie sehen. Damit passt die API gut zu Artikeln, Archiven, Hörbüchern, Kursen und allem, was im Moment der Veröffentlichung vertont wird. Für einen Live-Sprachagenten oder ein Telefonsystem, das Sprache in Millisekunden braucht, ist sie die falsche Wahl, und das sagen wir lieber hier, als dass Sie es erst im Test merken.
Ein Zeitstempel für jedes Wort
Ein fertiger Job kann Timings auf Wortebene liefern: jedes Wort, das Sie gesendet haben, mit Anfang und Ende. Sie entstehen aus Ihrem Text, nicht aus dem, was eine Spracherkennung zu hören glaubt. Deshalb kommt „84%“ als ein einziger Eintrag zurück, dessen Zeitspanne das gesprochene „vierundachtzig Prozent“ abdeckt. Dieselben Timings gibt es als Untertitel in SRT oder WebVTT. So werden Text zum Mitlesen, Untertitel und untertitelte Videos ohne einen zweiten Dienst möglich. Timings gibt es in 25 der 69 Sprachen der API, ohne Aufpreis, und auf der API-Seite können Sie das Mitlesen live verfolgen.
Regieanweisungen im Text
Lange Vertonungen brauchen Regie, und die Regieanweisungen stehen im Text selbst. Inline-Tags fügen eine Pause ein, blenden ein Musikbett ein oder senken es unter einer Passage ab und übergeben ein Zitat an eine zweite Stimme. Tempo und die Pause zwischen Absätzen sind Optionen der Anfrage. Eine Aussprachebibliothek legt einen Namen einmal für alle künftigen Jobs fest. Und Sie können per API eine Stimme aus einer 15-sekündigen Probe klonen, mit dokumentierter Einwilligung der sprechenden Person; der Klon ist privat für Ihr Konto und kostet dasselbe wie unsere Stimmen.
Was es kostet
$8 pro Million Zeichen für lateinische, kyrillische und griechische Schrift, im Voraus bezahlt, ohne Monatsgebühr. Andere Schriften werden so gewichtet, dass jede Sprache pro fertiger Audiostunde ungefähr gleich viel kostet. Auf Englisch ergibt das grob:
- $0.06 für einen Artikel mit 1.200 Wörtern
- $0.46 für einen Longread mit 10.000 Wörtern
- $4.12 für ein Hörbuch mit 90.000 Wörtern
Wort-Timings, Untertitel, alle Formate und geklonte Stimmen sind in diesem Preis enthalten. Fehlgeschlagene Jobs werden nie berechnet, und Guthaben verfällt nie. Wenn Sie einen kostenpflichtigen Everlit-Studio-Tarif haben, ist Sprachausgabe bereits enthalten.
Gemacht für Pipelines
- Signierte Webhooks mit Wiederholungsversuchen, damit Sie nicht pollen müssen.
- Idempotenzschlüssel, damit eine doppelt gesendete Anfrage nur einmal ausgeführt wird.
- Eine Audioadresse, die im Moment der Übermittlung feststeht und 30 Tage lang stabil bleibt.
- Ein OpenAI-kompatibler Speech-Endpunkt: Richten Sie das OpenAI SDK auf die Base-URL von Everlit und behalten Sie Ihren Code.
So bekommen Sie einen Schlüssel
Eine Self-Service-Registrierung gibt es nicht. Fordern Sie einen Schlüssel an, und ein Mensch liest Ihre Anfrage, meist innerhalb eines Werktags. Die API-Dokumentation ist in der Zwischenzeit frei zugänglich. Und wenn Sie lieber gar keinen Code schreiben möchten, steht dieselbe Stimme KI-Assistenten über den Everlit-MCP-Server zur Verfügung.