How is text-to-speech priced?

Almost every TTS API charges per character of input text, usually quoted per 1 million characters. Standard voices run around $4 per million characters, neural voices around $16, OpenAI's TTS about $15, and premium voice-clone providers like ElevenLabs are higher and tier-dependent. A handy rule: one minute of speech is roughly 150 spoken words, which is about 900 characters, so a million characters is roughly 18 hours of audio.

Which text-to-speech API is cheapest?

For plain standard voices, AWS Polly Standard and Google Standard are the cheapest at about $4 per million characters. For modern neural voices, OpenAI TTS, AWS Polly Neural, Google Neural and Azure Neural cluster around $15-16 per million. The most natural cloned and emotive voices (ElevenLabs) cost more and depend on your subscription tier. This calculator ranks them all for your volume so you can see the trade-off.

How many characters is one minute of audio?

About 900 characters, based on a natural speaking rate of roughly 150 words per minute and about 6 characters per word including spaces. So an hour of narration is around 54,000 characters, and a million characters is roughly 18 hours of speech. Enter minutes directly in this calculator and it converts to characters for billing automatically.

Text-to-Speech-API-Kostenrechner

Kostenrechner für Text-to-Speech-API

✓ Zuletzt überprüft: 15.07.2026· Quelle: offizielle Preisseite des Anbieters· Automatisch überwacht – Änderung melden →

TTS wird pro abgerechnet Charakter Text pro Minute, nicht pro Minute Audio – was den Vergleich von Anbietern erschwert. Geben Sie Ihre Lautstärke in Zeichen und Wörtern ein oder Minuten und sehen Sie, wie alle wichtigen Sprach-APIs zuerst am günstigsten bewertet werden, pro 1.000 Zeichen und pro Monat.

Warum die Preisgestaltung pro Zeichen die Leute in die Irre führt

Sie denken in Minuten von Audio; Die Rechnung ist in Textform verfasst. Dieses Missverhältnis verbirgt die tatsächlichen Kosten. Als Überbrückung gilt die Faustregel: Die Leute reden herum 150 Wörter pro Minute, ein Wort bedeutet ungefähr 6 Zeichen mit Leerzeichen, also ungefähr eine Redeminute 900 Zeichen – und eine Million Zeichen sind ungefähr 18 Stunden von Audio. Dieser Rechner rechnet die Einheit, die Sie haben, in Zeichen um und berechnet die Preise bei allen großen Anbietern, sodass „wir generieren 40 Stunden Erzählung pro Monat“ zu einer Zahl wird, die Sie tatsächlich vergleichen können.

Der Markt ist in Stufen unterteilt. Standard Stimmen (AWS Polly Standard, Google Standard) sind mit etwa 4 US-Dollar pro Million Zeichen am günstigsten und klingen gut für IVR und Warnungen. Neuronal Stimmen (OpenAI TTS, Polly Neural, Google Neural2, Azure Neural) liegen bei etwa 15–16 US-Dollar pro Million und sind heute die Standardeinstellung für die meisten Produkte. Voice-Clone und emotional Engines wie ElevenLabs sind realistischer, kosten jedoch ein Vielfaches mehr und werden je nach Abonnementstufe abgerechnet, sodass der Preis pro Zeichen sinkt, wenn Sie sich für einen größeren Plan entscheiden. Wählen Sie die günstigste Stufe, die Ihre Qualitätsgrenze überschreitet – der Abstand zwischen Standard und Premium beträgt bei Audio, das viele Hörer nicht unterscheiden können, oft das 25-Fache.

Ein End-to-End-Sprachprodukt aufbauen? Sprache ist nur ein Bein. Kombinieren Sie dies mit dem Speech-to-Text-Rechner für die Hörseite und die KI-Voice-Agent-Rechner um das LLM in der Mitte hinzuzufügen und die vollen Minutenkosten eines sprechenden Bots zu erhalten.

Wie man es benutzt

1. Geben Sie Ihr monatliches Volumen ein und wählen Sie, ob es sich um Zeichen, Wörter oder Audiominuten handelt.
2. Der Rechner rechnet für Sie alles in Zeichen (die Abrechnungseinheit) um.
3. Lesen Sie oben die günstigste Option und eine repräsentative neuronale Option.
4. Vergleichen Sie jeden Anbieter in der Rangliste pro 1.000 Zeichen und pro Monat.

Häufige Fehler

In Minuten schätzen und die Umrechnung vergessen. Preis immer nach Zeichen – das ist es, was Ihnen in Rechnung gestellt wird. Überall für Premium-Stimmen bezahlen. Nutzen Sie eine günstige Standardstimme für Systemnachrichten und reservieren Sie den teuren Klon für Marketing oder Front-of-House. Kostenlose Stufen werden ignoriert. Die meisten Anbieter gewähren eine monatliche Charaktervergütung, die kleine Projekte vollständig abdeckt. Unverändertes Audio wird neu generiert. Cachen Sie generierte Sprache für statische Phrasen, anstatt dafür zu bezahlen, sie erneut zu synthetisieren.

FAQ

Ist ElevenLabs wirklich teurer als OpenAI TTS?

Pro Charakter, normalerweise ja – aber es hängt von Ihrer ElevenLabs-Stufe ab, und viele Teams akzeptieren die Prämie wegen der natürlicheren, emotionaleren und klonbareren Stimmen. Für neutrales Erzählen sind OpenAI, Polly Neural oder Google Neural weitaus günstiger.

Zählen Leerzeichen und Satzzeichen als Zeichen?

Im Allgemeinen ja – Anbieter berechnen die Roheingabezeichenfolge, einschließlich Leerzeichen und Satzzeichen. SSML-Tags können je nach Anbieter zählen oder auch nicht.

Wie viele Zeichen hat eine Stunde Audio?

Ungefähr 54.000 Zeichen in einem natürlichen Tempo (~150 Wörter/Min. × ~6 Zeichen/Wort × 60 Min.). In eine Million Zeichen passen also etwa 18,5 Stunden.

Welches ist bei hohem Volumen am günstigsten?

Standardstimmen von AWS Polly oder Google für etwa 4 US-Dollar pro Million Zeichen. Wenn Sie neuronale Qualität benötigen, ist der Cluster für etwa 15–16 US-Dollar die richtige Wahl. Verhandeln Sie Unternehmenstarife über ein paar Millionen Zeichen pro Monat.

Nur Schätzung. Bei den TTS-Preisen handelt es sich um Richtwerte, die je nach Sprache, Plan und Region variieren. Überprüfen Sie dies auf der Preisseite des jeweiligen Anbieters.

Häufig gestellte Fragen

Wie ist der Preis für Text-to-Speech?

Fast jede TTS-API berechnet pro Zeichen des Eingabetexts Gebühren, normalerweise pro 1 Million Zeichen. Standardstimmen kosten etwa 4 US-Dollar pro Million Zeichen, neuronale Stimmen etwa 16 US-Dollar, TTS von OpenAI etwa 15 US-Dollar und Premium-Voice-Clone-Anbieter wie ElevenLabs sind höher und tierabhängig. Eine praktische Regel: Eine Minute Sprache besteht aus etwa 150 gesprochenen Wörtern, also etwa 900 Zeichen, eine Million Zeichen entsprechen also etwa 18 Stunden Audio.

Welche Text-to-Speech-API ist am günstigsten?

Für einfache Standardstimmen sind AWS Polly Standard und Google Standard mit etwa 4 US-Dollar pro Million Zeichen am günstigsten. Für moderne neuronale Stimmen liegen die Cluster von OpenAI TTS, AWS Polly Neural, Google Neural und Azure Neural bei etwa 15–16 US-Dollar pro Million. Die natürlichsten geklonten und emotionalsten Stimmen (ElevenLabs) kosten mehr und hängen von Ihrer Abonnementstufe ab. Dieser Rechner ordnet sie alle nach Ihrem Volumen, damit Sie den Kompromiss sehen können.

Wie viele Zeichen hat eine Minute Audio?

Etwa 900 Zeichen, basierend auf einer natürlichen Sprechgeschwindigkeit von etwa 150 Wörtern pro Minute und etwa 6 Zeichen pro Wort einschließlich Leerzeichen. Eine Stunde Erzählung umfasst also etwa 54.000 Zeichen und eine Million Zeichen entsprechen etwa 18 Stunden Sprache. Geben Sie Minuten direkt in diesen Rechner ein und er wandelt sie zur automatischen Abrechnung in Zeichen um.