Direkt zum Hauptinhalt

TTS-Grundlagen

Text-to-Speech (TTS) in Chatlix wandelt geschriebene Texte in gesprochene Audio-Ausgabe um — z.B. für Sub-Reactions („Vielen Dank an {{username}} für den Sub!“), Bits-Reactions oder als Automation-Action speak_text mitten in einer komplexeren Reaction-Kette.

Provider: nur ElevenLabs

Chatlix nutzt aktuell ausschliesslich ElevenLabs als TTS-Backend — es gibt keine Azure-, Google- oder PlayHT-Anbindung. Dafür gibt es zwei Betriebsmodi, zwischen denen du in /dashboard/voices wechselst:

  • Shared Demo (shared_demo) — du nutzt den Chatlix-eigenen ElevenLabs-Key. Chatlix trägt die Provider-Kosten, dafür bist du an ein Tages-/Minuten-Limit gebunden (siehe „Sicherheit + Limits“) und zahlst in Chatlix-Credits.
  • Eigener Key / BYO (user_key) — du hinterlegst deinen eigenen ElevenLabs-API-Key (verschlüsselt gespeichert). Chatlix limitiert diesen Pfad nicht, ElevenLabs selbst begrenzt dich über dein Provider-Konto. Kosten laufen direkt über deinen ElevenLabs-Account, keine Chatlix-Credits.

Ist ElevenLabs für deinen Account nicht verbunden oder deaktiviert, bekommst du beim Aufruf den Fehler provider_disabled („ElevenLabs ist noch nicht verbunden oder deaktiviert.“) — Details zum Verbinden in „Stimmen auswählen + ausprobieren“.

Wie es funktioniert

Unter der Haube sieht der Ablauf so aus:

  1. Chatlix bekommt einen TTS-Auftrag (z.B. weil ein Sub-Event eine Reaction mit TTS-Komponente auslöst, oder die Automation-Action speak_text feuert).
  2. Der Text wird gegen die Längen-Prüfung geführt (Pre-Charge, siehe „Sicherheit + Limits“) und der Provider-Modus (Shared Demo vs. eigener Key) aufgelöst.
  3. Bei Shared Demo prüft Chatlix zusätzlich Tages-/Minuten-Kontingent, bevor überhaupt ein Provider-Call passiert.
  4. Wenn alles ok ist, geht der Text an ElevenLabs.
  5. Das fertige Audio wird zwischengespeichert (Cache) und an dein Overlay / deine Audio-Quelle ausgespielt.
  6. Nur im Shared-Demo-Modus werden Chatlix-Credits abgezogen — im BYO-Key-Modus zahlst du direkt bei ElevenLabs, Chatlix bucht 0 Credits.

Wo TTS verwendet wird

Die häufigsten Einsatz-Stellen:

  • Sub-Reactions: bei Sub-Events liest die TTS-Stimme einen kurzen Dankes-Text vor, optional mit dem Username.
  • Bits-Reactions: bei Bit-Cheers liest die Stimme die Cheer-Message vor.
  • Follow-Reactions: meistens nur kurze Begrüssungs-Strings.
  • Automation-Action „Text vorlesen“ (speak_text): in einer komplexen Automation-Kette einer der Schritte, max. 500 Zeichen Config-Text pro Zeile. Beispiel: nach einer bestimmten Combo-Stufe einen festen Spruch sprechen lassen.
  • Channel-Point-Redemptions: Viewer löst eine Channel-Point-Belohnung ein, die einen TTS-Text mitbringt.

Wichtig, weil oft missverstanden: Chatlix hat aktuell keinen eigenen Profanity- oder Username-Filter speziell für TTS-Texte (anders als z.B. bei Songrequests oder dem Afterstream-Magazin, die eigene Blocklisten haben). Was du oder deine Viewer als Text eingeben, wird unverändert an ElevenLabs geschickt und vorgelesen. Details dazu in „Sicherheit + Limits“.

Credits-Modell

TTS kostet Credits — aber nur im Shared-Demo-Modus. Die realen Kosten pro Aktion:

  • Finale Generierung (ai.tts, z.B. via speak_text in einer Automation): 5 Credits Basis-Kosten.
  • Dashboard-Preview (ai.tts_test, max. 300 Zeichen): 1 Credit Basis-Kosten, dazu ein 5-Minuten-UI-Cache pro Text.
  • Premium-Stimmen (ElevenLabs-Kategorie professional, cloned, high_quality oder voice_design) kosten das 2-fache der Basis-Kosten; Stimmen mit dem Label high_quality/studio_grade das 1,5-fache. Normale (premade/generated) Stimmen zahlen den 1-fachen Basis-Preis.
  • Mindestens 1 Credit pro Aufruf, auch bei sehr kurzem Text oder niedrigem Multiplikator.
  • Cache-Treffer kosten keine Credits — wenn exakt dieselbe Kombination aus Text, Stimme, Modell und Voice-Settings schon einmal gerendert wurde, wird die gecachte Audio-Datei wiederverwendet (chars_used=0 im Audit-Log).
  • Im BYO-Key-Modus bucht Chatlix nie Credits — die Kosten laufen komplett über deinen eigenen ElevenLabs-Account.
  • Pre-Charge-Checks (Längen-Limit, Tages-/Minuten-Quota) können dazu führen, dass ein Aufruf gar nicht erst belastet wird, weil er vorab abgelehnt wurde.

Deine aktuelle Credits-Bilanz siehst du in /dashboard/account/billing und kompakt im TTS-Bereich /dashboard/voices.

Limits im Überblick

Die wichtigsten technischen Limits (unabhängig vom Plan, gelten serverseitig für alle):

  • Preview-Text: maximal 300 Zeichen.
  • Finaler TTS-Text: maximal 1.500 Zeichen.
  • Shared-Demo-Modus: 100 Aufrufe/Tag und 5 Aufrufe/Minute pro User — Details und was passiert, wenn du das erreichst, in „Sicherheit + Limits“.
  • BYO-Key-Modus: keine Chatlix-seitigen Zahlenlimits, nur ElevenLabs' eigene Provider-Limits.

Welche Stimmen dir zur Verfügung stehen (kuratierte Presets vs. voller ElevenLabs-Katalog), hängt vom Modus und ggf. deinem Plan ab — siehe „Stimmen auswählen + ausprobieren“.

Caching der Audio-Outputs

Der Cache-Key setzt sich zusammen aus: Operation, Provider-Modus, externe Voice-ID, Modell-ID, normalisierter Text, normalisierte Voice-Settings und Sprache. Praktische Folge:

  • Wiederkehrende Sprüche („Vielen Dank!“) werden nur einmal generiert und sind danach kostenlos — solange Stimme, Modell und Settings identisch bleiben.
  • Änderst du Stability/Style/Tempo einer Stimme, ändert sich der Hash — der nächste Aufruf mit denselben Worten wird neu gerendert (und neu berechnet).
  • Cache ist pro Workspace getrennt — fremde Audio-Files kommen nie in deinen Cache.

Was TTS nicht macht

  • Keine Live-Voice-Modulation deiner Sprache. Die TTS-Stimmen werden synthetisch generiert, nicht deine eigene Stimme verändert.
  • Kein Übersetzungs-Service. Was du als Text reingibst, wird in genau der Sprache gesprochen (sofern die Stimme die Sprache unterstützt).
  • Kein Voiceover-Editor. TTS in Chatlix ist auf kurze Reaction-Strings ausgelegt (max. 1.500 Zeichen), nicht auf längere Audio-Produktion.
  • Kein automatischer Inhalts-Filter für TTS-Text — siehe Hinweis oben und „Sicherheit + Limits“.

Erster Schritt

Wenn du TTS noch nie genutzt hast, schau in den nächsten beiden Seiten — Stimmen auswählen + ausprobieren (Modus wählen, Stimme finden) und Sicherheit + Limits (was wirklich geprüft wird, bevor ein Aufruf raus geht). Vor produktivem Einsatz lohnt es sich, zwei, drei Test-Renderings im Voices-Dashboard zu machen, um ein Gefühl für Klang, Tempo und Kosten zu bekommen.