Piper TTS oder SuperClonica: kleine Geräte oder eigene Stimmen
Piper ist ein schnelles, lokales neuronales Text-to-Speech-System, bekannt als Stimme von Home Assistant und als Sprachausgabe im Screenreader NVDA. Die Stimmen werden mit VITS trainiert und nach ONNX exportiert, das ursprüngliche Projekt war für den Raspberry Pi 4 optimiert. Im Oktober 2025 wurde das ursprüngliche Repository archiviert; die Entwicklung läuft unter der Open Home Foundation in OHF-Voice/piper1-gpl weiter.
Auch SuperClonica erzeugt Sprache lokal, setzt aber andere Schwerpunkte: Supertonic-3-Stimmen als einzelne JSON-Datei, einen Katalog von Autorenstimmen und Stimmen auf Bestellung. Piper steht nicht in unserer Vergleichstabelle, daher hält sich diese Seite an die Fakten aus den offiziellen Repositorys und sagt, wofür sich was eignet.
So funktioniert Piper
Jede Piper-Stimme ist ein eigenes ONNX-Modell mit JSON-Konfiguration, trainiert für eine Sprache. Für die Umwandlung von Text in Phoneme bettet Piper espeak-ng ein. Das aktuelle Paket wird mit pip install piper-tts installiert und bringt ein Kommandozeilenwerkzeug, eine Python-API, einen HTTP-Server und eine C/C++-Bibliothek mit; GPU-Beschleunigung über CUDA ist optional.
Die Stimmenliste umfasst 39 Sprachen, von Arabisch und Katalanisch bis Vietnamesisch und Walisisch, darunter Deutsch, Russisch, Französisch, Spanisch, Portugiesisch und Chinesisch. Japanisch und Koreanisch fehlen.
Lizenzen: Engine und jede Stimme
Die aktuelle Engine piper1-gpl steht unter GPL-3.0, das archivierte Original unter MIT. Das ist wichtig, wenn Sie die Bibliothek in ein geschlossenes Produkt einbauen. Stimmen haben eigene Bedingungen: Die Stimmenliste bittet, die MODEL_CARD jeder Stimme zu lesen, warnt vor restriktiven Lizenzen bei einigen Stimmen und beschreibt Piper als Werkzeug für den persönlichen Gebrauch und die Sprachsyntheseforschung.
Supertonic 3 steht unter OpenRAIL-M, einer einzigen gebührenfreien Lizenz für das Modell mit einer Liste verbotener Nutzungen. Bei SuperClonica gekaufte Stimmen sind für Ihre eigenen Projekte bestimmt und dürfen nicht weiterverkauft werden.
Eine neue Stimme: Training für Piper oder für SuperClonica
Piper klont keine Stimme aus einem kurzen Clip. Eine neue Stimme bedeutet Training mit einem Datensatz aus Aufnahmen und Transkripten. Die offizielle Anleitung empfiehlt, von einem vorhandenen Checkpoint aus nachzutrainieren; die meisten offiziellen Stimmen entstanden auf Karten mit 24–48 GB, Nutzer berichten von Erfolg schon mit 8 GB VRAM.
Bei SuperClonica genügt für den Anfang eine saubere Aufnahme von 5 bis 10 Sekunden mit exaktem Transkript. Trainiert wird auf Ihrer eigenen NVIDIA-GPU, Sie vergleichen Checkpoints, und die fertige JSON-Datei laden Sie kostenlos herunter. Ohne GPU geben Sie die Stimme bei einem Autor in Auftrag oder wählen eine fertige Stimme mit Hörproben aus dem Katalog.
Tempo und Hardware
Piper wurde für kleine Geräte gebaut, und das ist seine größte Stärke. Wir haben es nicht gemessen und bewerten es nicht in unserer Tabelle.
Supertonic 3 braucht ein Basismodell von etwa 400 MB plus die Engine. Typische Ziele sind Desktop-Rechner, Laptops, Server und der Browser über ONNX Runtime Web; Messungen auf einem Raspberry Pi haben wir nicht. Auf einer Desktop-CPU mit 8 Kernen schätzen wir SuperClonica auf 6,4- bis 9,7-mal schneller als Echtzeit, und die Engine ist auf der CPU im Schnitt 61 % schneller als der Standard-Client von Supertonic 3.
Wann Piper die bessere Wahl ist
SuperClonica passt, wenn Sie eine Stimme suchen, die es in Pipers Liste nicht gibt, japanische oder koreanische Sprache brauchen oder eine Stimme für Ihr Projekt in Auftrag geben möchten. Piper ist besser für:
- Raspberry Pi und andere kleine Geräte, Sprachassistenten im Smart Home und Home Assistant.
- Sprachen, die Supertonic 3 nicht abdeckt, etwa Katalanisch, Walisisch, Farsi, Kasachisch, Nepali, Swahili oder Chinesisch.
- Eine C/C++-Bibliothek oder einen fertigen HTTP-Server für ein bestehendes System.
- Projekte, für die GPL-3.0 und die Lizenz der gewählten Stimme in Ordnung sind.