Wer Content Operations, Schulungsmaterialien oder Produktbeschreibungen gemacht hat, hat wahrscheinlich einen solchen Ablauf gesehen: Nachdem der Text finalisiert ist, wird er an die Kolleginnen und Kollegen für die Vertonung geschickt, dann heißt es auf Terminplanung, Änderungen und Export warten; nachdem die Audiodatei vorliegt, wird sie in eine Cloud-Festplatte oder einen Objektspeicher hochgeladen, und schließlich wird der Link wieder in die Seite eingefügt.

Jeder Schritt ist nicht schwierig, aber sobald es viele Schritte gibt, kann auch eine mehrere Dutzend Sekunden lange Audiodatei ein oder zwei Tage dauern. Insbesondere bei internen Schulungen, Funktionsupdates und Veranstaltungsankündigungen wird tatsächlich oft keine komplexe Produktion benötigt, sondern eine klare, stabile und direkt abspielbare Audiodatei.

Ein Content-Editor prüft am Arbeitsplatz Text und Audio-Wellenform

Wenn Text, Generierung, Upload und Verteilung auf verschiedene Tools verteilt sind, wird der Vertonungsprozess leicht verlängert.

Die Probleme liegen nicht nur in der „Generierung“

Viele TTS-Demos sehen sehr einfach aus: Text eingeben, Audiodatei erhalten. Doch in realen Geschäftsszenarien treten noch einige Probleme auf:

  • Nachdem die Schnittstelle Audiodaten zurückgegeben hat, müssen Dateien noch selbst gespeichert, in einen Speicher hochgeladen und Links generiert werden;
  • Die Generierung langer Texte dauert länger, und nach einer Unterbrechung der HTTP-Verbindung ist der Aufgabenstatus schwer zu beurteilen;
  • Das Operations-Team muss wissen, welche Audiodatei bereits fertig ist, und die Entwicklung muss zudem die Kosten jeder Generierung erfassen;
  • MP3, WAV und PCM sind für unterschiedliche Nutzungsszenarien ausgelegt und können nicht alle mit derselben Konfiguration verwendet werden.

Daher ist das praktischere Ziel nicht, „einen Abschnitt Ton generieren zu können“, sondern Text in ein abspielbares, nachverfolgbares und weiterleitbares Audioergebnis zu verwandeln.

Die Fish-TTS-Schnittstellenadresse von AceDataCloud lautet:

POST https://api.acedata.cloud/fish/tts

Der Request-Header verwendet das Plattform-Token:

authorization: Bearer {token}
content-type: application/json

Für den minimalen Request müssen nur Text und Ausgabeformat angegeben werden:

{
  "text": "产品更新已经完成，欢迎体验新功能。",
  "format": "mp3"
}

Nach erfolgreicher Generierung stellt die Antwort audio_url bereit. Diese verweist auf das CDN der Plattform und kann direkt in einen Webplayer eingefügt oder an Benachrichtigungen, Videokompositionen oder Medienverwaltungssysteme übergeben werden. Das cost in der Antwort kann zur Erfassung des tatsächlichen Verbrauchs dieses Vorgangs verwendet werden.

Dieser Schritt spart das übliche „Binärdaten empfangen — in den Objektspeicher hochladen — Zugriffsadresse konfigurieren“. Für formelle Geschäftsanwendungen wird jedoch weiterhin empfohlen, entsprechend der eigenen Archivierungsstrategie eine Kopie der Audiodatei aufzubewahren und externe Links nicht als einziges Backup zu behandeln.

Zuerst das richtige Ausgabeformat wählen

Die drei gängigen Formate haben jeweils unterschiedliche Schwerpunkte:

  • MP3: Kleine Dateigröße, geeignet für Webwiedergabe, das Teilen per Nachricht und die meisten Content-Distributionen;
  • WAV: Geeignet für die Bearbeitung, das Mischen und die Lautheitsverarbeitung;
  • PCM: Geeignet für die weitere Verarbeitung in Clients oder Audiobearbeitungsketten. Die Schnittstelle gibt 16-Bit-PCM im WAV-Container zurück.

Die Abtastrate kann außerdem über sample_rate eingestellt werden, und über mp3_bitrate kann zwischen 64, 128 und 192 kbps gewählt werden. Statt von Anfang an die höchsten Spezifikationen anzustreben, ist es besser, zunächst anhand des Ausspielkanals einen Standard festzulegen, um spätere wiederholte Transkodierungen zu reduzieren.

Bei langen Texten nicht ständig auf die Verbindung warten

Für kurze Texte mit wenigen Sätzen reichen synchrone Aufrufe in der Regel aus. Artikel, Kurse und längere Sprechertexte können hingegen zehn Sekunden oder sogar länger benötigen; wenn das Frontend die ganze Zeit wartet, können Netzwerkschwankungen leicht zu wiederholten Übermittlungen und unklaren Statusangaben führen.

In diesem Fall kann dem Request callback_url hinzugefügt werden:

{
  "text": "这里是一段较长的课程旁白……",
  "format": "mp3",
  "callback_url": "https://example.com/webhooks/fish-tts"
}

Die Schnittstelle gibt zunächst task_id und started_at zurück und sendet das Endergebnis nach Abschluss der Aufgabe per POST an die Callback-Adresse. Die Aufgabe kann auch aktiv über die Fish Tasks API abgefragt werden. callback_url ist eine Erweiterung, die AceDataCloud im Vergleich zur offiziellen Schnittstelle hinzugefügt hat, und eignet sich besser für Stapelverarbeitung und lange Texte.

Entwicklungs- und Content-Team prüfen gemeinsam Audioaufgaben und Player

Nach dem Einreichen der Aufgabe erfolgt die Generierung asynchron, und das Ergebnis kehrt automatisch in das Content-System zurück, sodass das Operations-Team die Seite nicht ständig beobachten muss.

Ein einfacher, aber ausreichender Workflow

Bei der tatsächlichen Umsetzung kann der Prozess auf sechs Schritte beschränkt werden:

  1. Content-Mitarbeitende reichen den Text ein und bestätigen ihn;
  2. Das Backend ruft Fish TTS auf;
  3. Kurze Inhalte erhalten die Ergebnisse synchron, lange Inhalte speichern task_id;
  4. Nach Erhalt von audio_url und cost wird der Aufgabeneintrag aktualisiert;
  5. Die Audiodatei geht in die Vorschau, den Seitenplayer oder den nachgelagerten Videoprozess;
  6. Fehlgeschlagene Aufgaben werden anhand der Fehlercodes verarbeitet, um bedingungslose wiederholte Übermittlungen zu vermeiden.

Es wird empfohlen, in der Aufgabentabelle mindestens Folgendes zu erfassen: Geschäftsinhalt-ID, Textversion, Ausgabeformat, Aufgaben-ID, Audioadresse, Kosten, Status und Abschlusszeit. So kann nach einer Textänderung eindeutig festgestellt werden, welcher Audioversion sie entspricht.

Nach der Generierung heißt nicht, dass direkt veröffentlicht werden kann

KI-Vertonung kann die Lieferzeit standardisierter Inhalte verkürzen, aber formelle externe Inhalte müssen weiterhin probegehört werden. Besonderes Augenmerk sollte auf Zahlen, englische Abkürzungen, Eigennamen, Satzpausen und Lautstärke gelegt werden. Für Markenwerbung, Rollendarstellungen und andere Inhalte mit hohen Anforderungen an Emotionen können auch menschliche Aufnahmen oder weitere Nachbearbeitung erforderlich sein.

Eine passendere Arbeitsteilung ist: Die Schnittstelle ist für stabile Generierung und die Bereitstellung von Links zuständig, das Team für Text, Höreindruck und die Entscheidung zur Veröffentlichung. So kann die Effizienz gesteigert werden, ohne Automatisierung selbst als Qualitätsgarantie zu betrachten.