Die beste lokale TTS-Engine für ein NVIDIA-GPU-Setup (2026)

XTTS v2, Chatterbox und Bark laufen alle auf der CPU, doch erst eine GPU macht sie für Echtzeit- oder Batch-Nutzung praktikabel — Kokoro ist die Ausnahme, da seine 82 Millionen Parameter es auch allein auf der CPU schnell machen. Die drei schwereren Engines teilen eine gemeinsame Eigenschaft: Es sind Cloning- oder generierungsqualitätsorientierte Modelle, deren Architektur Rechenleistung gegen Ausdrucksstärke eintauscht — CUDA-Beschleunigung beseitigt hier den Engpass, statt nur einen marginalen Geschwindigkeitsgewinn zu bringen.

Nutzen Sie eine GPU-orientierte Engine (XTTS v2, Chatterbox oder Bark), wenn Ihr Anwendungsfall Voice-Cloning, ausdrucksstarkes nicht-sprachliches Audio oder jede Aufgabe ist, bei der die Generierungsgeschwindigkeit zählt — ein Batch-Vertonungsjob, eine interaktive Sprachanwendung oder eine Pipeline, die viele Clips erzeugt. Verschwenden Sie keinen GPU-VRAM auf TTS, wenn Sie nur einfache Vertonung von reinem Text ohne Cloning benötigen: Kokoro oder Piper decken diesen Fall allein auf der CPU ab und geben Ihren VRAM für ein LLM oder eine andere parallel laufende Aufgabe frei.

XTTS v2, veröffentlicht von Coqui und ausgeführt über das Coqui-TTS-Toolkit, ist die beste lokale Voice-Cloning-Option für GPU-Besitzer, die die höchste aus einem kurzen Referenzclip erreichbare Qualität benötigen. Es klont eine Stimme aus nur 6 Sekunden Referenzaudio und spricht sie in 17 Sprachen zurück, einschließlich sprachübergreifendem Cloning — eine Stimme aus englischem Audio klonen und auf Spanisch oder Japanisch sprechen lassen.

Beim VRAM betragen XTTS v2s Modellgewichte etwa 2 GB, doch 4 GB sind das praktische Minimum zum Ausführen, und 4-6 GB werden für Echtzeit-Inferenz empfohlen, laut PromptQuorums dediziertem XTTS-v2-Test. Die Lizenz ist für die meisten Leser der entscheidende Faktor: Die Coqui Public Model License (CPML) ist ausdrücklich nicht-kommerziell, und da Coqui AI, das Unternehmen, seine kostenpflichtigen Dienste im Dezember 2023 einstellte, gibt es derzeit keinen bestätigten aktiven Weg zu einer kommerziellen Lizenz.

Chatterbox, veröffentlicht von Resemble AI auf GitHub, ist die beste Wahl für GPU-Besitzer, die Echtzeit-Konversations-Voice-Cloning unter einer vollständig freizügigen, kommerzialisierbaren Lizenz wollen. Es steht unter der MIT-Lizenz, die — anders als XTTS v2s nicht-kommerzielle CPML — kommerzielle Nutzung ohne separate Vereinbarung erlaubt.

Chatterbox erscheint in mehreren Größen: eine Nano-Variante (110 Millionen Parameter), die laut Resemble AIs eigener Dokumentation auf 8 CPU-Kernen schneller als Echtzeit läuft, eine Turbo-Variante (350 Millionen Parameter) für niedrige Latenz, und eine mehrsprachige Variante (rund 500 Millionen Parameter, auf einem Backbone, das Llama 3 in seiner Architektur nennt), die über 20 Sprachen unterstützt. Zero-Shot-Voice-Cloning funktioniert aus einem Referenzaudioclip — Resemble AIs eigenes Beispiel nutzt einen 10-Sekunden-Clip, wobei das README keine offizielle Mindestdauer wie bei XTTS v2 angibt.

Resemble AIs öffentliches README veröffentlicht keinen exakten VRAM-Wert — behandeln Sie jede spezifische GB-Zahl, die Sie anderswo sehen, als unbestätigt, bis Sie sie auf Ihrer eigenen Karte testen. Dokumentiert ist: Die Nano-Variante läuft akzeptabel allein auf der CPU, während die größeren Turbo- und Multilingual-Varianten für GPU-beschleunigte, latenzarme Generierung ausgelegt sind — sowohl CUDA als auch Apple Silicon (MPS) werden unterstützt.

Bark, veröffentlicht von Suno auf GitHub, ist die richtige Wahl, wenn Sie mehr als Sprache wollen — Lachen, Seufzer, Keuchen und einfache Musik, erzeugt allein aus Textprompts — und es ist die Engine in diesem Vergleich, die am meisten von einer GPU profitiert, da seine generative, Token-für-Token-Architektur ohne CUDA-Beschleunigung die langsamste der vier ist. Es unterstützt kein individuelles Voice-Cloning; laut Sunos eigener Dokumentation „unterstützt es derzeit kein individuelles Voice-Cloning".

Beim VRAM dokumentiert PromptQuorums dedizierter Bark-Test, dass das volle Modell etwa 12 GB benötigt, wobei eine Umgebungsvariable für ein kleines Modell (SUNO_USE_SMALL_MODELS) das auf etwa 8 GB reduziert — merklich mehr als XTTS v2s 4-6 GB. Es steht unter der MIT-Lizenz, seit dem 1. Mai 2023 vollständig kommerziell nutzbar, doch sein Wartungsstatus ist eine echte offene Frage: Das öffentliche GitHub-Repository zeigt keine Commits seit dem 5. April 2024.

Kokoro ist hier als Gegenbeispiel aufgeführt: Der Besitz einer NVIDIA-GPU bedeutet nicht, dass jede TTS-Aufgabe eine braucht, und Kokoro ist der Beweis. Mit 82 Millionen Parametern ist es deutlich kleiner als XTTS v2, Chatterbox oder Bark, und seine eigene Hugging-Face-Model-Card dokumentiert Echtzeit- oder schnellere Synthese allein auf der CPU, wobei GPU-Nutzung nur zusätzlichen Spielraum bringt, aber keine Voraussetzung ist.

Kokoro steht unter der Apache-2.0-Lizenz, die — wie Chatterboxs MIT-Lizenz — kommerzielle Nutzung ohne Einschränkung erlaubt. Es unterstützt kein Voice-Cloning und ist daher kein Ersatz für XTTS v2 oder Chatterbox, wenn Cloning die Anforderung ist, doch für einfache Vertonung, Vorlesetext oder eine Sprachebene in einer App, in der Cloning nicht benötigt wird, ist es eine leichtere und einfachere Wahl.

Diese Tabelle bewertet die vier Engines speziell nach GPU-Eignungskriterien — VRAM-Bedarf, wie stark jede von CUDA-Beschleunigung profitiert, Voice-Cloning-Fähigkeit und Lizenz — nicht nach roher Audioqualität.

Eine GPU mit 6 GB VRAM oder mehr deckt jede Engine in diesem Vergleich problemlos ab, außer Barks vollem Modell, das etwa 12 GB benötigt (oder rund 8 GB mit der Small-Model-Variable). Wählen Sie Ihre Karte nach der tatsächlich benötigten Engine, statt standardmäßig für die schwerste Option zu kaufen.

Allgemeine Hinweise zur GPU-Wahl nach VRAM-Stufe für lokale KI-Workloads (nicht TTS-spezifisch) finden Sie in PromptQuorums GPU-Kaufratgeber für lokale LLMs — dieselbe VRAM-first-Kauflogik gilt auch für TTS, und wenn Sie bereits ein lokales LLM neben TTS betreiben, konkurrieren beide Workloads um denselben VRAM-Pool.

Das Klonen der Stimme einer echten Person ohne deren Wissen oder ausdrückliche Einwilligung ist ein eigenständiges Problem, unabhängig von Lizenzierung, und gilt unabhängig davon, welche Engine, Lizenz oder welchen kommerziellen Status Sie nutzen. XTTS v2 und Chatterbox sind beide leistungsfähige, universelle Voice-Cloning-Werkzeuge; keines der beiden prüft, ob das bereitgestellte Referenzaudio einer Person gehört, die dem Cloning zugestimmt hat.

Das Klonen einer Stimme ohne Einwilligung kann Fragen zu Einwilligung, Persönlichkeitsrechten und in manchen Rechtsordnungen Betrug oder Identitätsdiebstahl aufwerfen, unabhängig davon, ob Ihr Projekt kommerziell oder privat ist, und unabhängig von den Lizenzbedingungen des Modells. Dies ist ein sachlicher Hinweis, keine Rechtsberatung — konsultieren Sie einen Anwalt, wenn Sie ein Produkt entwickeln, das Stimmen echter Personen klont, und holen Sie stets eine klare, dokumentierte Einwilligung von jeder Person ein, deren Stimme Sie klonen.

Für Leser, die bereits eine NVIDIA-GPU besitzen und sie für Text-zu-Sprache nutzen möchten, hängt die Wahl davon ab, was das Audio leisten muss. XTTS v2 ist die Wahl für die höchste erreichbare Voice-Cloning-Qualität in einem nicht-kommerziellen oder Forschungskontext, aufgrund seiner nicht-kommerziellen CPML-Lizenz. Chatterbox ist die Wahl, wenn dieselbe Cloning-Fähigkeit in einem kommerziellen Produkt eingesetzt werden muss, dank seiner MIT-Lizenz und der auf Echtzeit ausgelegten kleineren Modellgrößen. Bark ist speziell die Wahl, wenn das Projekt ausdrucksstarkes, nicht-sprachliches Audio benötigt — Lachen, Seufzer, einfache Musik — und dafür 8-12 GB VRAM investieren kann, mit dem Vorbehalt, dass sein Wartungsstatus ungewiss ist. Kokoro bleibt die richtige Wahl, wann immer Cloning nicht die Anforderung ist: Es läuft problemlos allein auf der CPU, sodass das Reservieren von GPU-VRAM dafür selten lohnt. Im Zweifel starten Sie mit Kokoro für einfache Vertonung und steigen erst auf XTTS v2 oder Chatterbox um, sobald eine echte Cloning-Anforderung entsteht — so bleibt der VRAM Ihrer GPU für alles andere verfügbar, was Sie parallel betreiben, einschließlich eines lokalen LLM. Die Lizenzdetails zu jeder hier genannten Engine finden Sie in PromptQuorums Leitfaden zu lokalen TTS- und Voice-Cloning-Lizenzen.