Gibt es eine kostenlose Alternative zu Fish Audio, die auf der CPU läuft?

Supertonic 3 ist ein offenes Modell mit Preset-Stimmen und braucht keine GPU. Unser Katalog ergänzt kostenlose und kostenpflichtige Stimmen, und die SuperClonica-Engine spricht sie nach unserer Schätzung 6,4- bis 9,7-mal schneller als Echtzeit auf einem Desktop-Achtkerner. An die Ausdruckskraft von S2 Pro reicht das nicht heran, läuft aber dort, wo S2 Pro sehr langsam ist.

Läuft Fish Speech ohne Grafikkarte?

Die Zahlen von Fish Audio selbst beziehen sich auf GPUs. Mit s2.cpp gibt es einen Community-Client auf Basis von ggml. Nach unserer groben Schätzung ist das auf einer Desktop-CPU 4- bis 10-mal langsamer als Echtzeit: Eine Minute Sprache dauert 4 bis 10 Minuten.

Darf ich Fish Audio S2 Pro kommerziell nutzen?

Nicht mit den Standardbedingungen. Laut Model Card sind Forschung und nicht-kommerzielle Nutzung kostenlos, kommerzielle Nutzung erfordert eine separate Lizenz von Fish Audio.

Klont SuperClonica Stimmen wie Fish Audio?

Nein. Fish Audio klont beim Generieren aus einem Clip von 10–30 Sekunden. SuperClonica trainiert eine eigene Stimmdatei aus einer Aufnahme von 5 bis 10 Sekunden, kostenlos auf Ihrer NVIDIA-GPU oder im Auftrag durch einen Autor. Das dauert länger, danach läuft die Datei aber auf jeder CPU schnell.

MODELLVERGLEICH

Fish Audio und Fish Speech im Vergleich mit SuperClonica

Aktualisiert am 23. Oktober 2026

Fish Audio entwickelt einige der ausdrucksstärksten offenen Text-to-Speech-Modelle, und in unserem Vergleich bekommt S2 Pro die beste Qualitätsnote. Es ist aber ein großes Modell für Grafikkarten. SuperClonica geht den umgekehrten Weg: eine kleine Supertonic-3-Stimmdatei, die schnell und offline auf einer gewöhnlichen CPU läuft.

Wenn Sie eine Alternative zu Fish Audio oder Fish Speech suchen, weil Sie keine GPU haben oder Sprache in eine App einbauen wollen, lesen Sie weiter. Brauchen Sie maximale Ausdruckskraft oder Chinesisch, ist Fish Audio wahrscheinlich das bessere Werkzeug.

Supertonic-3-Stimmen anhören SuperClonica-Engine installieren

Fish Audio, Fish Speech und S2 Pro: was ist was

Fish Audio veröffentlicht seine offenen Modelle im GitHub-Repository fish-speech, und frühere Versionen trugen diesen Namen: Fish Speech 1.5 etwa beherrscht 13 Sprachen und steht unter CC-BY-NC-SA-4.0. Die neueren Modelle heißen Fish Audio S2 und S2 Pro.

S2 Pro, das Modell in unserer Tabelle, ist dual-autoregressiv aufgebaut: Ein Modell mit 4 Milliarden Parametern sagt das Haupt-Codebook vorher, ein Modell mit 400 Millionen ergänzt die übrigen neun. Laut Model Card unterstützt es 80+ Sprachen und frei formulierte Tags im Text wie [whisper in small voice] oder [pitch up]. Im Repository steht inzwischen auch Fish Audio Drama 3, ein neueres und größeres Modell, das unsere Tabelle noch nicht abdeckt.

Fish Audio S2 Pro vs. SuperClonica: Tempo auf der CPU

Nach unserer Schätzung für einen Desktop-Achtkerner braucht S2 Pro 4 bis 10 Sekunden Rechenzeit pro Sekunde Audio, ein Satz von 10 Sekunden also 40–100 Sekunden. SuperClonica schafft ihn in etwa 1,0–1,6 Sekunden.

Das ist die gröbste Zahl in unserer Tabelle. Einen öffentlichen CPU-Benchmark gibt es nicht; wir haben sie aus dem GGUF-Client s2.cpp und der Architektur abgeleitet, mit einer effektiven Speicherbandbreite von 30–50 GB/s. Auf der GPU sieht es anders aus: Fish Audio nennt einen Echtzeitfaktor von 0,195 und etwa 100 ms bis zum ersten Audio auf einer einzelnen NVIDIA H200.

Wo Fish Audio stärker ist

Bei ausdrucksstarker Sprache hat Fish Audio S2 Pro klare Vorteile.

Qualität: 5 von 5 in unserer Tabelle, SuperClonica erhält 4,5.
Sprachen: 80+, einschließlich Chinesisch. Supertonic 3 hat 31 und noch kein Chinesisch.
Stimme klonen ohne Training: Laut fish-speech-Repository reichen 10–30 Sekunden Referenz, um eine Klangfarbe nachzubilden.
Emotionen steuern: frei formulierte Tags im Text für Flüstern, Lachen, Betonung oder Tonhöhe.

Lizenzen und kommerzielle Nutzung

Die Gewichte von S2 Pro stehen unter der Fish Audio Research License: Forschung und nicht-kommerzielle Nutzung sind kostenlos, für kommerzielle Nutzung brauchen Sie eine separate Lizenz von Fish Audio. Code und übrige Gewichte im Repository fallen unter die Fish Audio Community License.

Supertonic 3 steht unter OpenRAIL-M, einer gebührenfreien Lizenz mit einer Liste verbotener Nutzungen (etwa sich ohne Einwilligung als andere Person auszugeben) statt einer Nicht-kommerziell-Klausel. Eine bei SuperClonica gekaufte Stimme ist für Ihre eigenen Projekte bestimmt und darf nicht weiterverkauft werden.

Fish Audio oder SuperClonica: die Entscheidung

SuperClonica liegt bei CPU-Tempo und Klangstabilität vorn: jeweils 5 von 5, gegenüber 1 und 4 bei S2 Pro. Für stundenlange Vertonung auf dem Laptop oder Sprache, die auf dem Rechner der Spieler entsteht, zählt das mehr als der letzte halbe Stern bei der Qualität.

Fish Audio S2 Pro, wenn Sie eine leistungsfähige GPU haben, Chinesisch oder eine seltenere Sprache brauchen, sofort aus einem kurzen Clip klonen wollen oder Emotions-Tags nutzen.
SuperClonica, wenn die Sprachausgabe auf der CPU laufen soll, offline, mit planbarem Tempo oder in einer App, die Sie an Nutzer ausliefern.