ANLEITUNG

Die besten kostenlosen Text-to-Speech-Modelle für den lokalen Einsatz 2026

Kostenloses TTS taugt inzwischen für echte Arbeit, und viele offene Modelle laufen auf eigener Hardware. Hinter dem Wort kostenlos stecken trotzdem große Unterschiede: Manche Lizenzen verbieten die kommerzielle Nutzung, manche Modelle brauchen eine große GPU, und nur wenige laufen bequem auf einer gewöhnlichen CPU.

Dieser Überblick behandelt die offenen Modelle, die wir auf dieser Website vergleichen. SuperClonica verkauft Stimmen für eines davon, Supertonic 3; bitte berücksichtigen Sie das. Wir halten uns an die Angaben aus der Dokumentation der Modelle und sagen offen, wo ein anderes Modell besser passt.

Stimmen für Supertonic 3 anhören SuperClonica installieren

So wählen Sie ein kostenloses TTS-Modell

Vier Fragen verkürzen die Liste schnell.

  • Sprache: Spricht das Modell Ihre? Chinesisch zum Beispiel schließt Supertonic 3 aus.
  • Lizenz: Kostenlos herunterladen heißt nicht immer kostenlos kommerziell nutzen. Prüfen Sie die Bedingungen für Code und Gewichte.
  • Hardware: eine gewöhnliche CPU oder eine GPU mit genug Speicher?
  • Stimmen: Reichen Preset-Stimmen, oder brauchen Sie eine bestimmte Stimme nach einer Aufnahme?

Kleine kostenlose Modelle für Sprachsynthese auf der CPU

Supertonic 3 von Supertone hat rund 99 Millionen Parameter, läuft über ONNX Runtime und braucht laut seinen Entwicklern keine GPU. Es spricht 31 Sprachen, darunter Deutsch, aber kein Chinesisch, unter OpenRAIL-M: lizenzgebührenfrei, mit einer Liste verbotener Verwendungen. Es bringt Preset-Stimmen mit; weitere, kostenlose wie kostenpflichtige, gibt es im SuperClonica-Katalog, und die SuperClonica-Engine führt sie auf der CPU im Schnitt 61 % schneller aus.

Kokoro-82M hat 82 Millionen Parameter, steht unter Apache 2.0 und bringt 54 Preset-Stimmen in acht Sprachen mit. Am stärksten ist es auf Englisch: Die eigene Stimmenliste bewertet die chinesischen und japanischen Stimmen schwächer. Deutsch fehlt, und die offizielle Version kann keine Stimmen klonen. Es läuft in Python und über kokoro-js im Browser.

Piper ist eine schnelle lokale Engine für kleine Geräte wie den Raspberry Pi und bekannt als Stimme von Home Assistant. Jede Stimme ist ein ONNX-Modell für eine Sprache; die Liste umfasst 39 Sprachen, darunter Deutsch und Chinesisch, aber weder Japanisch noch Koreanisch. Die aktuelle Engine steht unter GPL-3.0, jede Stimme hat ihre eigene Lizenz.

Chatterbox Nano von Resemble AI ist ein englisches Modell mit 110 Millionen Parametern unter MIT. Resemble AI nennt 3-fache Echtzeit auf 8 CPU-Kernen; das Modell klont eine Stimme aus einem Clip und versieht jede Datei mit einem unhörbaren PerTh-Wasserzeichen.

Größere Modelle zum Stimmklonen

Diese Modelle klonen eine Stimme aus wenigen Sekunden Audio. Nach unseren Schätzungen laufen sie auf einer Desktop-CPU langsamer als Echtzeit, ihre Stärke spielen sie also auf einer GPU aus.

  • Qwen3-TTS: Apache 2.0, Größen 0.6B und 1.7B, 10 Sprachen einschließlich Deutsch und Chinesisch, Klonen aus 3 Sekunden und Stimmdesign nach Beschreibung. Auf der CPU etwa 1- bis 2-mal langsamer als Echtzeit (0.6B).
  • VoxCPM 2: Apache 2.0, 2 Milliarden Parameter, 30 Sprachen plus chinesische Dialekte, Audio mit 48 kHz, rund 8 GB VRAM. Auf der CPU etwa 2- bis 4-mal langsamer als Echtzeit.
  • Chatterbox Multilingual V3: MIT, 500 Millionen Parameter, 23 Sprachen, Klonen aus einem Clip; die Beispiele laufen auf einer GPU.
  • Fish Audio S2 Pro: die beste Qualitätsnote in unserer Tabelle und über 80 Sprachen, aber auf der CPU 4- bis 10-mal langsamer als Echtzeit, und für kommerzielle Nutzung braucht es eine eigene Lizenz von Fish Audio.

Kostenlos, aber nicht für kommerzielle Nutzung

Mehrere beliebte Modelle veröffentlichen offenen Code mit nicht kommerziellen Gewichten. Für Experimente und private Projekte taugen sie, für ein bezahltes Produkt nicht.

  • OmniVoice: 646 Sprachen und Klonen aus 3–10 Sekunden Audio. Der Code steht unter Apache 2.0, das vortrainierte Modell unter CC-BY-NC.
  • F5-TTS: Zero-Shot-Klonen auf Chinesisch und Englisch. Code unter MIT, Gewichte unter CC-BY-NC, und die niedrigste CPU-Geschwindigkeit in unserer Tabelle.
  • Coqui XTTS-v2: 17 Sprachen, darunter Deutsch, und Klonen aus einem kurzen Clip. Die Coqui Public Model License erfasst auch das erzeugte Audio, und das ursprüngliche Repository wird nicht mehr gepflegt.

Welches kostenlose Text-to-Speech-Modell passt

Jede unten verlinkte Vergleichsseite nennt die Quellen und unsere Geschwindigkeitsschätzungen für ihr Modell.

  • Vertonung, Spiele und Apps auf gewöhnlichen Rechnern, in einer von 31 Sprachen: Supertonic 3 mit einer Katalogstimme oder einer aus Ihrer Aufnahme trainierten.
  • Englische Preset-Stimmen unter der freizügigsten Lizenz: Kokoro.
  • Raspberry Pi und Home Assistant: Piper.
  • Sofortiges Klonen auf einer GPU mit erlaubter kommerzieller Nutzung: Qwen3-TTS, VoxCPM 2 oder Chatterbox.
  • Chinesische Sprache: Qwen3-TTS oder VoxCPM 2 auf einer GPU; auch Piper und Kokoro haben chinesische Stimmen.
  • Forschung und private Experimente: alle genannten, auch OmniVoice, F5-TTS und XTTS-v2.