Eine VibeVoice-Alternative für Podcasts und Dialoge
VibeVoice von Microsoft sorgte für Aufsehen, weil sein TTS-Modell bis zu 90 Minuten Sprache mit bis zu vier Sprechern vertonen konnte, eine ganze Podcastfolge am Stück. Am 5. September 2025 entfernten die Betreuer den VibeVoice-TTS-Code aus dem Repository, nachdem sie Missbrauch festgestellt hatten, und die Modelltabelle führt die TTS-1.5B-Gewichte als deaktiviert. Übrig ist VibeVoice-Realtime-0.5B, ein Streaming-Modell für etwa 10 Minuten Sprache, und laut Projekt sind die Modelle nur für Forschung und Entwicklung gedacht.
Wenn Sie Podcasts oder Dialoge mit mehreren Sprechern wollen, kommt die kostenlose SuperClonica-Engine anders ans Ziel: Jeder Sprecher ist eine Stimme, jede Zeile wird einzeln vertont, und die Zeilen werden zu einer Datei verbunden. Sie läuft offline auf einem normalen Prozessor, und ihre Standardstimmen dürfen kommerziell genutzt werden.
Was mit VibeVoice passiert ist
Das VibeVoice-Repository steht unter MIT-Lizenz und enthält weiterhin die Spracherkennungsmodelle und das TTS-Modell Realtime-0.5B mit Streaming-Texteingabe und erstem Ton nach etwa 300 ms. Der Langform-TTS-Code wurde am 2025-09-05 entfernt, die TTS-1.5B-Gewichte sind als deaktiviert gelistet. Prüfen Sie den aktuellen Stand, bevor Sie darauf aufbauen.
Erst die Stimmen anhören
Fügen Sie auf der Seite einer beliebigen Katalogstimme eine Zeile Ihres Skripts ein, 30 bis 100 Zeichen, wählen Sie die Sprache und klicken Sie auf Vertonen. In wenigen Sekunden wissen Sie, wen Sie als Gastgeber und Gast besetzen, ohne Konto.
Ein Podcast mit zwei Stimmen aus einem Skript
Installieren Sie die Engine mit python -m pip install superclonica-cpu. Schreiben Sie das Skript mit einem Sprecher pro Zeile, etwa A: Willkommen zurück in der Sendung. und B: Danke, schön, hier zu sein. Geben Sie jedem Sprecher eine Stimme, zum Beispiel F2 für die Gastgeberin und M3 für den Gast, vertonen Sie jede Zeile und verbinden Sie sie mit einer kurzen Pause; unsere Anleitung zu KI-Dialogen enthält ein fertiges Python-Snippet, das ein solches Skript in eine WAV-Datei verwandelt. Eine lange Folge sind einfach mehr Zeilen: Es gibt keine Längengrenze, und eine Änderung bedeutet, eine Zeile neu zu vertonen.
Wo VibeVoice stärker war
Ein Langform-Modell liest das ganze Gespräch auf einmal, daher können Sprecherwechsel, Lachen und Übergänge spontaner klingen, und VibeVoice sprach auch Chinesisch. Zeilenweise Vertonung gibt präzise Kontrolle über jede Zeile und läuft auf jedem Rechner, aber Überlappungen und Unterbrechungen müssen als eigene kurze Zeilen geschrieben werden.
Stimmen, die Sie veröffentlichen dürfen
Die zehn Standardstimmen, M1 bis M5 und F1 bis F5, dürfen unter der Modelllizenz OpenRAIL-M kommerziell genutzt werden, ebenso eine aus Ihrer eigenen Aufnahme oder der einer zustimmenden Person trainierte Stimme. Figurenstimmen im Katalog sind von Fans gemacht und nur für Fan- und Parodienutzung. Schreiben Sie nie ein gefälschtes Gespräch realer Personen, das als echte Aufnahme durchgehen könnte.