Kann ich Text kostenlos offline in Sprache umwandeln?

Ja. Supertonic 3 ist ein offenes Modell mit Preset-Stimmen, und im Katalog gibt es auch kostenlose Stimmen. Sind Client und Basismodell installiert, braucht die Sprachausgabe weder Internet noch Gebühren pro Zeichen.

Brauche ich für Text-to-Speech offline eine Grafikkarte?

Nein. Supertonic 3 und SuperClonica laufen auf der CPU; nach unserer Schätzung spricht SuperClonica auf einem Desktop-Prozessor mit 8 Kernen 6,4- bis 9,7-mal schneller als Echtzeit. Eine GPU beschleunigt das weiter. Nur das Training einer neuen Stimme erfordert eine NVIDIA-GPU.

Funktioniert das auch auf dem Mac?

Ja. Der Standard-Client läuft unter macOS mit denselben Befehlen wie unter Linux; die Umgebung legen Sie mit python3.11 -m venv .venv an.

In welchem Format bekomme ich die Audiodatei?

Als WAV. Sowohl das Standard-Beispiel von Supertonic 3 als auch die SuperClonica-Engine speichern WAV-Dateien, die jeder Audio- oder Videoeditor in MP3 oder ein anderes Format umwandelt.

ANLEITUNG

Text offline in Sprache umwandeln: Schritt für Schritt auf Ihrem Rechner

Aktualisiert am 23. Oktober 2026

Text-to-Speech offline heißt: Die Sprache erzeugt ein Programm auf Ihrem eigenen Rechner, kein Webdienst. Ihr Text verlässt das Gerät nicht, niemand zählt Zeichen, und nach der Installation funktioniert alles auch ohne Internet.

Diese Anleitung zeigt den ganzen Weg mit Supertonic 3, einem offenen TTS-Modell für gewöhnliche CPUs, und Stimmen aus dem SuperClonica-Katalog: Stimme auswählen, Engine unter Windows, macOS oder Linux installieren, die erste Audiodatei erzeugen und lange Texte vertonen.

Stimme im Katalog wählen SuperClonica-Engine installieren

Was Sie für Text-to-Speech offline brauchen

Ein Rechner mit Windows, macOS oder Linux genügt. Supertonic 3 läuft auf dem Prozessor und braucht laut seinen Entwicklern keine Grafikkarte. Eine NVIDIA-GPU beschleunigt die Sprachausgabe, ist aber keine Voraussetzung.

Git und Python 3.11 für den Standard-Client von Supertonic 3. Die SuperClonica-Engine braucht Python 3.10 oder neuer.
Rund 400 MB Speicherplatz für das Basismodell, das Sie einmal herunterladen.
Eine Stimme: eine JSON-Datei mit dem Stimmprofil.
Internet nur für die Installation. Danach entsteht die Sprache offline.

Schritt 1: Stimme auswählen

Supertonic 3 bringt einige Preset-Stimmen mit. Wenn Sie einen bestimmten Klang suchen, etwa einen ruhigen Sprecher, eine Spielfigur oder eine Stimme für lockere Gespräche, sehen Sie sich den Katalog an: Jede Stimme dort hat Hörproben und eine Beschreibung ihres Autors, und manche sind kostenlos.

Prüfen Sie zuerst die Sprache. Supertonic 3 beherrscht 31 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch, Polnisch, Russisch, Japanisch und Koreanisch. Chinesisch wird noch nicht unterstützt.

Öffnen Sie nach dem Kauf „Meine Bibliothek“ und laden Sie die Stimme als JSON-Datei herunter. Stimmdateien, die anderswo für Supertonic 3 erstellt wurden, funktionieren genauso.

Schritt 2: Supertonic 3 unter Windows, macOS oder Linux installieren

Der Standard-Client von Supertonic 3 funktioniert schon heute. Öffnen Sie ein Terminal (unter Windows PowerShell) und führen Sie die Befehle von unserer Seite „Wie es funktioniert“ der Reihe nach aus. Sie klonen das Repository supertonic von GitHub, legen darin eine virtuelle Umgebung mit Python 3.11 an (py -3.11 -m venv .venv unter Windows, python3.11 -m venv .venv unter macOS und Linux), installieren huggingface_hub, laden das Modell supertone-oss-archive/supertonic-3 mit dem Werkzeug hf in den Ordner assets, installieren die Pakete aus py/requirements.txt und wechseln in den Ordner py.

Die Seite zeigt die genauen Befehle für Windows sowie für macOS und Linux, jeweils mit Kopier-Schaltfläche. Nur der Modell-Download dauert etwas, und er fällt einmal an.

Schritt 3: Text in Sprache umwandeln

Speichern Sie die heruntergeladene Stimme als voice.json im Ordner supertonic/py. Starten Sie dann example_onnx.py aus der virtuellen Umgebung mit Stimme, Text und Sprachcode: --voice-style "./voice.json" --text "Ihr Text" --lang de --n-test 1. Das Skript legt eine WAV-Datei im Ordner results ab.

Für eine andere Sprache ändern Sie Text und Code, zum Beispiel --lang en oder --lang fr. Außerdem hat das Skript die Option --speed: Standard ist 1.05, ein höherer Wert lässt die Stimme schneller sprechen.

Ab jetzt brauchen Sie kein Netz mehr. Sie können die Verbindung trennen und weiter beliebig viel Text vertonen.

Schneller: die SuperClonica-Engine

SuperClonica ist unsere Engine auf Basis von Supertonic 3. Sie liest dieselben JSON-Stimmdateien ohne Umwandlung und ist bei gleichen Einstellungen im Schnitt 61 % schneller auf der CPU (gemessen auf einem Ryzen 7 5800X) und 73 % schneller auf der Grafikkarte (RTX 5070 Ti). Pausen kommen ohne Rauschen, Satzenden klingen sauberer.

Die Pakete sind auf PyPI, die Installation ist ein Befehl: python -m pip install superclonica-cpu oder superclonica-gpu-cuda für eine NVIDIA-GPU, wobei pip CUDA und cuDNN mitinstalliert. Ein Satz ist dann eine Zeile: superclonica --text "Hallo!" --voice voice.json --lang de --output hallo.wav. Das Basismodell lädt beim ersten Start. In Python rufen Sie Superclonica().synthesize() mit denselben Angaben auf; das vollständige Beispiel steht auf der Installationsseite.

Tipps für lange Texte

Bücher, Artikel und lange Skripte gelingen mit etwas Vorbereitung besser.

Teilen Sie den Text in Kapitel oder Abschnitte und vertonen Sie jeden in eine eigene Datei. Eine misslungene Stelle ist dann schnell neu erzeugt.
Geben Sie dem Standard-Client pro Durchlauf einen Absatz oder ein paar Sätze und fügen Sie die Dateien im Audioeditor zusammen. Die SuperClonica-Engine vertont lange Texte selbst in kurzen Teilen, daher werden Wörter seltener wiederholt oder abgeschnitten.
Schreiben Sie Zahlen, Datumsangaben, Einheiten und Abkürzungen so, wie sie vorgelesen werden sollen.
Teilen Sie sehr lange Sätze auf: Die Pausen nimmt die Stimme aus den Satzzeichen.
Planen Sie die Zeit ein. Nach unserer Schätzung erzeugt SuperClonica eine Stunde Audio in etwa 7–11 Minuten auf einer Desktop-CPU mit 8 Kernen.