Qwen3-TTS oder SuperClonica für lokale Sprachsynthese
Qwen3-TTS ist die offene Sprachmodell-Familie des Qwen-Teams, im Januar 2026 in den Größen 0.6B und 1.7B unter Apache 2.0 erschienen. Sie klont eine Stimme aus drei Sekunden Audio, entwirft Stimmen aus einer Textbeschreibung und streamt Audio mit geringer Latenz. SuperClonica ist enger gefasst: fertige und trainierte Supertonic-3-Stimmen, die schnell auf der CPU laufen.
Beide laufen auf Ihrer eigenen Hardware. Unterschiede gibt es bei Tempo, Sprachen und der Frage, wie Sie zu einer Stimme kommen.
Was Qwen3-TTS bietet
Die offiziellen Beispiele laufen auf einer NVIDIA-GPU in bfloat16, FlashAttention 2 wird empfohlen, um GPU-Speicher zu sparen.
- 10 Sprachen: Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch, dazu Dialekt-Stimmprofile.
- Stimme klonen aus 3 Sekunden mit den Base-Modellen, ohne Training.
- Stimmdesign aus einer Beschreibung in natürlicher Sprache (Modell 1.7B VoiceDesign).
- Anweisungen für Tonfall, Sprechtempo und Emotion.
- Streaming; die Entwickler nennen eine End-to-End-Latenz ab 97 ms.
Tempo von Qwen3-TTS auf der CPU
Für das 0.6B-Modell auf einem Desktop-Achtkerner schätzen wir 1- bis 2-mal langsamer als Echtzeit: 10 Sekunden Sprache in 10–20 Sekunden. Grundlage ist eine Community-Engine in C, die für 0.6B mit INT4-Gewichten auf einem Laptop-Ryzen 7 6800H einen Echtzeitfaktor von 2,02 meldet. Das 1.7B-Modell ist langsamer; wir setzen 2- bis 5-mal langsamer als Echtzeit an. Reines PyTorch kann deutlich langsamer sein als diese C-Engine.
Auf Apple Silicon steht Qwen besser da: Dieselbe Engine meldet 0,52 auf einem M1, also etwa doppelt so schnell wie Echtzeit.
SuperClonica läuft auf einem Desktop-Achtkerner nach unserer Schätzung 6,4- bis 9,7-mal schneller als Echtzeit; dieselben 10 Sekunden dauern etwa 1,0–1,6 Sekunden.
Qualität, Stabilität und Sprachen
In unserer Bewertung erhält Qwen3-TTS 4 von 5 für Qualität und 4 für Klangstabilität, SuperClonica 4,5 und 5.
Bei der Zahl der Sprachen liegt Supertonic 3 mit 31 zu 10 vorn, die Überschneidung ist aber ungleich. Qwen3-TTS spricht Chinesisch, Supertonic 3 nicht. Dafür bringt Supertonic 3 Arabisch, Hindi, Türkisch, Vietnamesisch, Ukrainisch, Polnisch und die meisten übrigen europäischen Sprachen mit.
Welches Modell wofür
Beide sind offen und laufen lokal, die Wahl hängt also von der Aufgabe ab.
- Qwen3-TTS: Sie brauchen Chinesisch, Sofort-Klonen oder Stimmdesign, oder Sie bauen einen Sprachassistenten auf der GPU und achten auf die Latenz bis zum ersten Paket.
- SuperClonica: Sie erzeugen viel Sprache auf CPUs, arbeiten in einer der 31 Sprachen von Supertonic 3 oder wollen, dass eine trainierte Stimme über Tausende Sätze gleich klingt.