Text-to-Speech, das auf Ihrem eigenen Rechner läuft
SuperClonica ist ein Katalog von Stimmen für Supertonic 3, ein offenes Modell für Sprachsynthese, das auf einer gewöhnlichen CPU läuft, und zugleich die SuperClonica-Engine, die dieselben Stimmen schneller ausführt. Eine Stimme ist eine einzige JSON-Datei. Sie laden sie einmal herunter und wandeln Text auf Ihrem eigenen Rechner in Sprache um: Kein Server bekommt Ihren Text zu sehen, und die Sprachausgabe funktioniert auch ohne Internet.
Im Folgenden: wie lokales TTS hier funktioniert, wie schnell es ist, was kostenlos ist, wie Sie eine Stimme nach einer bestimmten Aufnahme bekommen und wann ein Cloud-Dienst oder ein größeres Modell besser passt.
So funktioniert lokale Sprachsynthese mit Supertonic 3
Supertonic 3 ist ein Open-Weight-Modell von Supertone mit rund 99 Millionen Parametern. Es läuft über ONNX Runtime und braucht laut den Entwicklern keine GPU. Es spricht 31 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch, Niederländisch, Polnisch, Japanisch und Koreanisch. Chinesisch wird noch nicht unterstützt.
Die Stimmdatei enthält nur das Stimmprofil. Für die Sprachausgabe brauchen Sie zusätzlich eine Engine (den Standard-Client von Supertonic 3 oder SuperClonica) und das Basismodell mit etwa 400 MB. Für die Installation ist Internet nötig, danach läuft die Synthese lokal.
- Desktop: Windows, macOS und Linux, auf der CPU.
- Browser: Web-Apps über ONNX Runtime Web.
- Mobil: kompatible Apps.
- Ihr Produkt: Spiele, Bots und Dienste auf eigenen Servern.
Wie schnell ist Text-to-Speech auf der CPU?
Supertone gibt für Supertonic 3 einen Echtzeitfaktor (RTF) von 0,20 auf einer CPU mit 16 Threads an: Eine Sekunde Audio braucht 0,2 Sekunden. Für einen Desktop-Achtkerner wie den Ryzen 7 7800X3D schätzen wir Supertonic 3 auf das 4- bis 6-Fache der Echtzeit, SuperClonica auf das 6,4- bis 9,7-Fache. Ein Satz von 10 Sekunden ist nach etwa 1,0–1,6 Sekunden fertig.
Den Vorsprung der Engine haben wir gemessen: im Schnitt 61 % schneller als Supertonic 3 auf der CPU (Ryzen 7 5800X) und 73 % auf der Grafikkarte (RTX 5070 Ti) bei gleichen Einstellungen. Pausen zwischen Wörtern kommen ohne Rauschen, Satzenden klingen sauberer, und lange Texte werden in kurzen Teilen vertont, sodass Wörter seltener doppelt oder abgeschnitten erscheinen. Supertonic-3-Stimmen funktionieren ohne Konvertierung.
Stimmen: fertig, kostenlos oder aus einer Aufnahme geklont
Im Katalog finden Sie Stimmen unabhängiger Autoren: Spielfiguren, Erzähler, Gesprächsstimmen, jeweils mit Demos. Die Preise legen die Autoren in US-Dollar fest, einige Stimmen sind kostenlos. Eine gekaufte Stimme ist für Ihre eigenen Projekte gedacht; Weiterverkauf ist nicht erlaubt.
Für eine Stimme, die einer bestimmten Aufnahme ähnelt, gibt es zwei Wege. Beide dauern länger als Sofort-Klonen in der Cloud, liefern aber eine Datei, die danach überall schnell läuft. Verwenden Sie nur Aufnahmen, an denen Sie die Rechte haben, und mit Einwilligung der sprechenden Person.
- Stimme in Auftrag geben: Referenz hochladen, Klang beschreiben, Budget festlegen. Autoren schicken Angebote; das Budget bleibt auf Ihrem Guthaben reserviert, bis Sie das Ergebnis abnehmen.
- Selbst trainieren, kostenlos: eine saubere Aufnahme von 5 bis 10 Sekunden mit exaktem Transkript, Ihr eigener Rechner mit NVIDIA-GPU als Worker und Checkpoints zum Vergleichen. Das JSON laden Sie kostenlos herunter.
- Trainierte Stimmen verkaufen: Cover, Beschreibung und Preis hinzufügen. Die Einnahmen abzüglich Plattformgebühr gehen auf Ihr Dollar-Guthaben.
Lokales TTS oder Text-to-Speech aus der Cloud?
Cloud-Dienste wie ElevenLabs erzeugen Sprache auf ihren Servern: Browser-App, API, schnelles Klonen, viele Sprachen, nichts zu installieren. Dafür geht jeder Text übers Netz, die Nutzung wird mit einem Tarif verrechnet, und offline geht nichts.
Mit einer lokalen Stimmdatei ist es umgekehrt: Der Text bleibt auf dem Gerät, es gibt keine Netzwerklatenz, und niemand zählt Zeichen. Der Preis dafür sind Einrichtungsaufwand und ein kleineres Modell: 31 Sprachen, kein Chinesisch, weniger Kontrolle über Emotionen.
Fish Audio S2 Pro, OmniVoice und VoxCPM 2 bekommen in unserer Tabelle gleiche oder bessere Qualitätsnoten und können mehr Sprachen, laufen nach unseren Schätzungen auf einer Desktop-CPU aber 2- bis 10-mal langsamer als Echtzeit.
Für wen lokale Sprachsynthese passt
Typische Nutzer:
- Spieleentwickler, die NPC-Dialoge auf dem Rechner der Spieler erzeugen.
- Videomacher und Hörbuchsprecher, die lange Texte auf dem Laptop vertonen.
- Entwickler, die Sprache im Browser oder auf Servern ohne GPU brauchen.
- Teams mit Dokumenten, die das Firmennetz nicht verlassen dürfen.
- Stimmen-Autoren, die Stimmen trainieren, verkaufen oder Aufträge annehmen.
Konto und Bezahlung
Die Anmeldung erfolgt über GitHub, ohne Ausweis oder Telefonnummer. Bezahlt wird mit Kryptowährung, das Guthaben wird in US-Dollar geführt, und Kartendaten erhalten wir nie.
SuperClonica im Vergleich mit anderen TTS-Modellen
Unsere Tabelle bewertet Qualität, CPU-Tempo, Klangstabilität und Sprachen. Sterne und Geschwindigkeiten sind grobe Schätzungen für eine Desktop-CPU, keine Messergebnisse.
- Fish Audio S2 Pro: beste Qualitätsnote, 80+ Sprachen, auf der CPU 4- bis 10-mal langsamer als Echtzeit.
- Qwen3-TTS: Chinesisch und Klonen aus 3 Sekunden; 10 Sekunden Sprache dauern 10–20 Sekunden (0.6B).
- OmniVoice: über 600 Sprachen, 2- bis 5-mal langsamer als Echtzeit.
- VoxCPM 2: 30 Sprachen und 48 kHz, 2- bis 4-mal langsamer als Echtzeit.
- F5-TTS: Zero-Shot-Klonen auf Chinesisch und Englisch, 5- bis 15-mal langsamer als Echtzeit.