Virtuelle Assistenten wie Google Assistant, Amazon Alexa und Apple Siri ermöglichen es Nutzern, mithilfe natürlicher Sprache auf eine Vielzahl von Diensten und APIs im Web zuzugreifen. In dieser Arbeit untersuchen wir zwei Ansätze zur Generierung natürlicher Sprache (Natural Language Generation, NLG) mit einem einzigen domainspezifischen Modell über eine große Anzahl von APIs hinweg. Zunächst stellen wir einen schema-gesteuerten Ansatz vor, bei dem die Generierung auf einem Schema basiert, das die API in natürlicher Sprache beschreibt. Unser zweiter Ansatz untersucht die Verwendung einer geringen Anzahl an Vorlagen, deren Zahl linear mit der Anzahl der Slots wächst, um die Semantik der API zu vermitteln. Um Äußerungen für eine beliebige Kombination von Slots zu generieren, werden zunächst einige einfache Vorlagen verkettet, um eine semantisch korrekte, jedoch möglicherweise inkohärente und grammatikalisch falsche Äußerung zu erzeugen. Anschließend wird ein vortrainiertes Sprachmodell eingesetzt, um diesen Text in kohärente, natürlich klingende Sprache umzuformulieren. Durch automatisierte Metriken und menschliche Bewertungen zeigen wir, dass unser Ansatz starke Baselines übertrifft, robust gegenüber Eingaben aus anderen Domänen ist und eine verbesserte Stichprobeneffizienz aufweist.