Deepgram: deutsche KI-Stimmen für ein Kinderspiel

Im Lernspiel meines Sohnes spricht jede Figur mit eigener Stimme: der Erzähler, die sprechende Uhr, Luca selbst. Keine davon habe ich eingesprochen — sie kommen von Deepgram, einem Sprach-API-Anbieter, dessen deutsche „Aura-2"-Stimmen erstaunlich warm und natürlich klingen. Neukunden bekommen 200 US-Dollar Startguthaben (Stand 08/2026) — bei unserer Bauweise reicht das praktisch endlos.

Wie wir es einsetzen

Jede Rolle hat ihr Stimmprofil. Vier Sprechrollen, vier Aura-2-Stimmen — männlich, weiblich, jung, alt. Diese deutschen Stimmen haben sich bei uns bewährt (Stand 08/2026): aura-2-julius-de, aura-2-fabian-de (männlich) sowie aura-2-elara-de, aura-2-aurelia-de, aura-2-lara-de, aura-2-kara-de und aura-2-viktoria-de (weiblich).

Eine Anbieter-Kette statt eines Single Point of Failure. Deepgram steht vorn; antwortet es nicht, springt ElevenLabs ein, und wenn alle Stricke reißen, liest die Browser-Stimme vor. Das Spiel bleibt also nie stumm — es klingt höchstens mal eine Stufe weniger schön. Ehrliche Randnotiz aus dem Vergleich: ElevenLabs klingt eine Spur lebendiger, spricht Deutsch im Gratistarif aber mit hörbarem Akzent — deshalb hat Deepgram bei den Spielfiguren den Vortritt.

Ein Cache macht es bezahlbar. Jede gesprochene Zeile wird genau einmal erzeugt und dann als Audiodatei gespeichert — beim nächsten Abruf kommt sie aus dem Cache, ohne API-Aufruf. Der Nachtlauf, der neue Spielwelten schreibt, wärmt den Stimm-Cache gleich mit vor. Lehrgeld gab es trotzdem: Unser Stundenlimit stand anfangs auf 60 Zeilen — in den KI-Welten ist aber fast jeder Satz neu, und mitten im Spiel sprang plötzlich die Systemstimme ein. Seitdem: Limit hoch, Cache vorgewärmt, Ruhe.

Der iOS-Kniff. Safari auf dem iPhone mag unsere MP3-Häppchen nicht — es bekommt deshalb WAV. Praktisch: Von unseren beiden Stimm-Anbietern liefert nur Deepgram auf Wunsch WAV direkt aus der API.

Der Code dahinter

Der Kern ist ein einziger HTTP-POST: Text hin, fertige Audiodatei zurück. Mehr braucht eine Vorlesefunktion nicht:

$url = 'https://api.deepgram.com/v1/speak'
     . '?model=aura-2-fabian-de&encoding=mp3';

$ch = curl_init($url);
curl_setopt_array($ch, [
    CURLOPT_RETURNTRANSFER => true,
    CURLOPT_POST           => true,
    CURLOPT_HTTPHEADER     => [
        'Authorization: Token ' . getenv('DEEPGRAM_API_KEY'),
        'Content-Type: application/json',
    ],
    CURLOPT_POSTFIELDS => json_encode(
        ['text' => 'Willkommen zurück, Abenteurer!'],
        JSON_UNESCAPED_UNICODE
    ),
]);
file_put_contents('ansage.mp3', curl_exec($ch));
curl_close($ch);

Für iOS-taugliches WAV ändert sich nur die Adresse: encoding=linear16&sample_rate=24000&container=wav.

Was man braucht — und was es kostet

Ein Konto, einen API-Schlüssel, ein paar Zeilen wie oben. Das Startguthaben von 200 US-Dollar wird pro Nutzung aufgebraucht, nicht pro Monat — für ein Hobby-Projekt mit Cache ist das eine sehr lange Zündschnur. Wichtig wie bei jedem API-Dienst: den Schlüssel serverseitig halten (Umgebungsvariable), nie in den Browser-Code legen, und ein eigenes Limit einbauen, bevor es der Anbieter für einen tut.

Was man damit noch anstellen könnte

Deepgrams eigentliches Kerngeschäft ist die Gegenrichtung: Sprache zu Text. Mit demselben Konto lassen sich Sprachnotizen und Interviews transkribieren, Videos automatisch untertiteln oder Sprachbefehle in eigene Anwendungen bauen. Und in unserer Richtung: eine Vorlesefunktion für die eigene Website, Hörversionen von Artikeln, selbst gebaute Gute-Nacht-Hörspiele mit verteilten Rollen — die Zutaten sind dieselben wie oben, nur der Text ändert sich.

Fazit

Für deutschsprachige Stimmen zum Basteln ist Deepgram aktuell mein Preis-Leistungs-Favorit: natürliche Aura-2-Stimmen, WAV für Apple-Geräte, großzügiges Startguthaben — und mit Cache plus Anbieter-Kette wird daraus ein Baustein, auf den man sich im Alltag verlassen kann. Empfohlen ohne Provision; verlinkt ist der Anbieter direkt.