Wichtigste Erkenntnisse
- Piper: speziell für eingebettete/reine CPU-Hardware entwickelt, keine GPU nötig, Echtzeit auf einem Raspberry Pi 4.
- Kokoro (82M Parameter, Apache-2.0): natürlichere Sprachqualität, kein dokumentierter Echtzeit-Benchmark für den Pi — realistischer auf einem Pi 5 als auf einem Pi 4.
- Coqui TTS / XTTS v2: bringt Voice-Cloning, setzt GPU-Beschleunigung voraus, keine gute reine CPU-Pi-Lösung.
- espeak-ng: die leichteste Option, klingt roboterhaft, ein Notbehelf statt erster Wahl.
- Pi 5 (Cortex-A76, 2,4GHz) ist für jede dieser Optionen deutlich schneller als der Pi 4 (Cortex-A72, bis zu 1,8GHz).
- Piper-Installation ist ein Befehl:
pip install piper-tts, dann ein Stimmmodell herunterladen.
📍 In einem Satz
Piper ist die beste lokale TTS-Engine für einen Raspberry Pi, weil es innerhalb des Rhasspy-Projekts für offline arbeitende Sprachassistenten speziell für reine CPU-, eingebettete Hardware entwickelt wurde, keine GPU benötigt und genau deshalb die Standardstimme von Home Assistant ist; Kokoro klingt natürlicher, hat aber keinen dokumentierten Echtzeit-Benchmark für den Pi, und Coqui TTS/XTTS v2 setzen GPU-Beschleunigung voraus.
💬 In einfachen Worten
Wenn Ihr Raspberry Pi ohne Internetverbindung sprechen soll, ist Piper das Werkzeug, das genau für diese Aufgabe gemacht wurde — installieren, eine Stimme herunterladen, und es spricht in Echtzeit auf einem Board ab etwa 35 US-Dollar. Die ausgefeilteren Optionen (Kokoro, XTTS v2) klingen besser, wurden aber nicht mit Blick auf die begrenzte CPU eines Raspberry Pi entwickelt.
📌Hinweis: Dieser Leitfaden behandelt reine CPU-Synthesegeschwindigkeit und Pi-Tauglichkeit, nicht Voice-Cloning. Für Voice-Cloning speziell siehe PromptQuorums eigenen Test von XTTS v2, der ausdrücklich nicht für Pi-Klasse-CPUs empfohlen wird.
Was macht eine TTS-Engine für einen Raspberry Pi geeignet?
Eine für den Raspberry Pi geeignete TTS-Engine muss ohne GPU laufen, mit Modell und Laufzeitumgebung in wenige hundert Megabyte RAM passen und Audio schneller als in Echtzeit auf einer Quad-Core-ARM-CPU erzeugen. Ein Raspberry Pi hat keine dedizierte GPU, die sich für TTS-Inferenz lohnt — jede Engine hier läuft auf der CPU, daher entscheidet, wie effizient jede für genau diese Einschränkung gebaut wurde, nicht die reine Modellqualität für sich genommen.
- Keine GPU-Abhängigkeit. Ein Raspberry Pi hat keine CUDA-fähige GPU; eine Engine, die für akzeptable Geschwindigkeit GPU-Beschleunigung voraussetzt, ist für Echtzeitnutzung disqualifiziert, selbst wenn sie technisch als Fallback auf der CPU läuft.
- RAM-Bedarf. Ein Raspberry Pi 4 hat maximal 8 GB RAM insgesamt, geteilt mit dem Betriebssystem und allen weiteren laufenden Diensten (Home Assistant, ein Wake-Word-Detektor); eine TTS-Engine, die allein zum Laden mehrere Gigabyte benötigt, lässt kaum Raum für anderes.
- Installationsaufwand. Ein einzelnes
pip installmit vorgefertigten ARM-Wheels ist etwas ganz anderes als ein Toolkit, das eine GPU-orientierte Abhängigkeitskette (CUDA, cuDNN) erwartet, die auf einem Pi nicht greift. - Kompromiss bei der Sprachqualität. Jede Engine auf dieser Liste tauscht Qualität gegen Geschwindigkeit; die Frage ist, welcher Kompromiss zu Ihrem Anwendungsfall passt — eine Smart-Speaker-Ansage hat andere Qualitätsanforderungen als ein Voice-Cloning-Projekt.
Piper vs. Kokoro vs. Coqui TTS/XTTS v2 vs. espeak-ng nach Pi-Tauglichkeit
Piper schneidet bei jedem Pi-spezifischen Kriterium außer der reinen Sprachqualität am besten ab — dort führen Kokoro und XTTS v2. Die Tabelle unten bewertet jede Engine nach den vier Kriterien, die für den Raspberry-Pi-Einsatz tatsächlich zählen, nicht nach allgemeinen TTS-Benchmarks auf Desktop- oder Server-Hardware.
Engine | RAM-Bedarf | Reine CPU-Machbarkeit | Installationsaufwand | Sprachqualität |
|---|---|---|---|---|
| Piper | Niedrig (Modelldateien meist deutlich unter 100 MB je Stimme) | Dafür entwickelt; vielfach Echtzeit auf Pi 4 berichtet | Ein Befehl: pip install piper-tts | Gut, ausreichend natürliche neuronale Stimmen; kein Cloning |
| Kokoro | Moderat (82M-Parameter-Modell, ~327 MB Gewichte) | Läuft auf CPU; kein dokumentierter Echtzeit-Pi-Benchmark | Python-Paket + Modell-Download; mehr Abhängigkeiten als Piper | Höher — nahe der Spitze unabhängiger TTS-Qualitätsrankings |
| Coqui TTS / XTTS v2 | Hoch; GPU-VRAM für dokumentierte Latenzwerte vorausgesetzt | Schwach; PromptQuorums eigener XTTS-v2-Test stuft reine CPU-Pi-Nutzung als unpraktikabel ein | Toolkit-Installation plus Lizenzakzeptanz (CPML für XTTS v2) | Höchste — inklusive 6-Sekunden-Voice-Cloning in 17 Sprachen |
| espeak-ng | Minimal (wenige Megabyte) | Trivial; läuft auf fast jeder Hardware, auch Mikrocontrollern | Über die meisten Linux-Paketmanager direkt verfügbar | Mechanischer Formant-Synthese-Klang — keine natürliche Sprache |
Warum Piper die Standardempfehlung für einen Raspberry Pi ist
Piper ist die Standardempfehlung, weil es für genau diese Hardware-Klasse entworfen wurde, nicht nachträglich daran angepasst. Es entstand innerhalb von Rhasspy, einem Open-Source-Toolkit für vollständig offline arbeitende Sprachassistenten — einem Projekt, dessen gesamte Prämisse darin besteht, Spracherkennung und -synthese auf lokaler, oft bescheidener Hardware auszuführen, einschließlich Raspberry-Pi-Boards, ohne Umweg über eine Cloud-API.
- Für eingebettete und ressourcenbeschränkte Geräte gebaut. Piper nutzt eine neuronale, VITS-artige Architektur, exportiert nach ONNX Runtime für schnelle CPU-Inferenz — eine bewusste Entscheidung für Hardware ohne GPU als Rückfalloption.
- Weiterhin die Standardwahl in Home Assistant. Piper ist die Standard-Text-zu-Sprache-Engine in der Sprachpipeline von Home Assistant, gepflegt von der Open Home Foundation, derselben gemeinnützigen Organisation, die auch Home Assistant betreut — und ein großer Teil der Home-Assistant-Installationen läuft auf einem Raspberry Pi.
- Nie eine GPU erforderlich. Optionale CUDA-GPU-Beschleunigung existiert für höheren Durchsatz auf Desktop-Hardware, ist aber nicht erforderlich — Piper ist darauf ausgelegt, allein auf der CPU in Echtzeit zu laufen.
- Kein Voice-Cloning — stattdessen ein fester Stimmenkatalog. Piper liefert Dutzende vortrainierte Stimmen in 20+ Sprachen, statt eine Stimme aus einer Probe zu klonen; das ist ein echter Kompromiss gegenüber XTTS v2, hält aber auch Pipers Ressourcenbedarf klein genug für einen Raspberry Pi.
Kokoro: höhere Qualität, höherer Ressourcenbedarf
Kokoro ist ein 82-Millionen-Parameter-TTS-Modell unter Apache-2.0-Lizenz, abgeleitet von StyleTTS2, das merklich natürlicher klingt als Piper — zu einem echten Ressourcenpreis, der für Raspberry-Pi-Hardware nicht speziell dokumentiert ist. Anders als Piper wurde Kokoro nicht primär für eingebettete ARM-Geräte entwickelt — es wurde gebaut, um relativ zu größeren TTS-Modellen klein und schnell auf allgemeiner Hardware zu sein, ein anderes Designziel als Echtzeitleistung speziell auf der CPU eines Raspberry Pi.
- 82M Parameter, ~327 MB Gewichte. Das ist klein im Vergleich zu einem großen Voice-Cloning-Modell, aber immer noch spürbar schwerer als eine einzelne Piper-Stimme, die typischerweise deutlich unter 100 MB liegt.
- Apache-2.0-Lizenz. Freizügig und kommerzfreundlich — keine CPML-artige nicht-kommerzielle Einschränkung wie bei XTTS v2.
- Kein dokumentierter Echtzeit-Benchmark für den Raspberry Pi. PromptQuorum konnte keinen veröffentlichten, belegten Benchmark finden, der zeigt, dass Kokoro speziell auf Raspberry-Pi-4- oder -5-Hardware in Echtzeit läuft. Behandeln Sie jede Echtzeit-Aussage zu Kokoro auf einem Pi als unbestätigt, bis Sie es selbst benchmarken.
- Ein Raspberry Pi 5 ist das realistischere Ziel. Seine Cortex-A76-CPU mit 2,4GHz liefert deutlich mehr Rechenleistung als der Cortex-A72 eines Raspberry Pi 4, was für ein schwereres Modell wie Kokoro mehr zählt als für das leichtere Piper.
Coqui TTS und XTTS v2: wenn Voice-Cloning wichtig ist
Coqui TTS und sein Modell XTTS v2 fügen Voice-Cloning aus nur 6 Sekunden Referenzaudio hinzu, setzen aber beide GPU-Beschleunigung voraus und sind keine realistische Lösung für reine CPU-Raspberry-Pi-Hardware. Wenn Ihr Projekt tatsächlich eine bestimmte Stimme klonen muss, statt eine vortrainierte zu nutzen, ist dies die einzige Option auf dieser Liste, die das leistet — planen Sie aber, es andernorts auszuführen und das Audio zum Pi zu streamen, nicht auf dem Pi selbst.
- XTTS v2 klont eine Stimme aus 6 Sekunden Audio in 17 Sprachen, laut offizieller Hugging-Face-Model-Card — siehe PromptQuorums vollständigen XTTS-v2-Test für Installationsbefehle und Lizenzdetails.
- Eine GPU wird dringend empfohlen, reine CPU-Nutzung ist für Echtzeitanwendungen nicht praktikabel, laut PromptQuorums eigenem XTTS-v2-Test — ein Raspberry Pi hat keine dedizierte GPU, daher ist Echtzeit-XTTS-v2-Inferenz auf dem Gerät unrealistisch.
- XTTS v2s Lizenz, die Coqui Public Model License (CPML), ist nicht-kommerziell — eine separate Überlegung von der Hardware-Eignung. Siehe den Leitfaden zu lokalen TTS-Lizenzen für den vollständigen Vergleich.
- Ein gängiges Muster für Pi-Projekte, die geklonte Stimmen benötigen: XTTS v2 auf einem separaten, dauerhaft laufenden Server oder Desktop mit GPU ausführen, dort das Audio erzeugen und die resultierende Audiodatei oder den Stream zur Wiedergabe an den Raspberry Pi senden — statt Inferenz auf dem Pi selbst durchzuführen.
espeak-ng: der leichtgewichtige Notbehelf
espeak-ng ist eine Formant-Synthese-TTS-Engine, die auf fast jeder Hardware läuft, einschließlich Mikrocontrollern, aber mechanisch statt natürlich klingt. Es ist über ein Jahrzehnt älter als die neuronalen TTS-Engines auf dieser Liste und kein echter Konkurrent bei der Sprachqualität — es ist enthalten, weil es die Untergrenze markiert: die Option mit praktisch keinen Ressourcenanforderungen.
- Läuft auf so gut wie allem. espeak-ng benötigt nur wenige Megabyte Speicher und keine neuronale Netzwerk-Laufzeitumgebung, was es sogar auf Hardware weit unterhalb der Spezifikationen eines Raspberry Pi einsetzbar macht.
- Klingt roboterhaft. Sein Formant-Synthese-Ansatz — Sprache aus akustischen Regeln statt einem trainierten neuronalen Modell zu erzeugen — liefert verständliche, aber deutlich künstlich klingende Sprache, eine schlechte Wahl für einen Sprachassistenten oder ein Ansagesystem, das natürlich klingen soll.
- Weiterhin nützlich als Phonemisierer. Piper selbst nutzt espeak-ng intern zur Text-zu-Phonem-Umwandlung, obwohl Pipers eigene Audioausgabe von seinem neuronalen Modell stammt, nicht direkt von espeak-ng.
- Nur wählen, wenn RAM oder CPU so begrenzt sind, dass selbst Piper nicht machbar ist — zum Beispiel ein Gerät auf Mikrocontroller-Niveau statt eines Raspberry Pi.
Piper auf einem Raspberry Pi installieren
Die Installation von Piper auf einem Raspberry Pi ist ein einziges pip install, gefolgt vom Herunterladen eines Stimmmodells — keine GPU-Treiber, kein CUDA, kein Kompilierschritt. Dies sind dieselben Befehle, die in PromptQuorums eigenem Piper-TTS-Test dokumentiert sind, hier speziell angewendet auf einen Raspberry Pi mit Raspberry Pi OS (oder einer anderen Debian-basierten ARM-Linux-Distribution).
- 1System aktualisieren und Python 3 installieren
Why it matters: Raspberry Pi OS wird auf aktuellen Images bereits mit Python 3 vorinstalliert, aber führen Sie zuerst `sudo apt update && sudo apt upgrade` aus, um sicherzustellen, dass pip und Systempakete aktuell sind, bevor Sie etwas Neues installieren. - 2Piper mit pip installieren
Why it matters: Führen Sie `pip install piper-tts` aus (je nach Image auch `pip3 install piper-tts`). Dies installiert das Paket `piper` zusammen mit seiner ONNX-Runtime-Abhängigkeit — vorgefertigte ARM-Wheels bedeuten keinen Kompilierschritt auf einem Raspberry Pi. - 3Ein Stimmmodell herunterladen
Why it matters: Führen Sie `piper --download-dir voices --update-voices --voice en_US-lessac-medium` aus (ersetzen Sie durch eine beliebige Stimme aus dem Piper-Stimmenkatalog auf Hugging Face). Eine Stimme mittlerer Qualität ist die richtige Standardwahl für einen Raspberry Pi — sie ist schneller als eine hochwertige Stimme, mit einem Unterschied in der Ausgabe, der über einen typischen Lautsprecher vernachlässigbar ist. - 4Sprache aus Text erzeugen
Why it matters: Leiten Sie Text von der Kommandozeile an Piper weiter, zum Beispiel `echo "Hallo vom Raspberry Pi." | piper --model voices/en_US-lessac-medium.onnx --output_file output.wav`, und spielen Sie die resultierende WAV-Datei dann mit `aplay output.wav` ab. - 5In ein Projekt einbinden
Why it matters: Für eine vollständige Sprachassistenten-Pipeline (Wake Word, Spracherkennung, ein LLM und Piper für die Antwort) siehe PromptQuorums [Schritt-für-Schritt-Anleitung für einen offline Sprachassistenten](/de/power-local-llm/build-local-voice-assistant-2026); speziell für Home Assistant ist Piper bereits die Standard-TTS-Engine in den Einstellungen der Sprachpipeline.
Raspberry Pi 4 vs. Raspberry Pi 5 für Text-zu-Sprache
Ein Raspberry Pi 5 hat eine spürbar schnellere CPU als ein Raspberry Pi 4, was für schwerere Engines wie Kokoro mehr zählt als für das bereits leichtgewichtige Piper. Beide Boards führen Piper in Echtzeit aus, aber die CPU-Lücke erweitert die realistische Optionsmenge, sobald man etwas Schwereres in Betracht zieht.
- Raspberry Pi 4: eine Quad-Core-Arm-Cortex-A72-CPU mit bis zu 1,8GHz, RAM-Konfigurationen bis zu 8 GB. Ausreichend für Echtzeit-Piper-Synthese; kein realistisches Ziel für Kokoro oder XTTS v2 in Echtzeit.
- Raspberry Pi 5: eine Quad-Core-Arm-Cortex-A76-CPU (BCM2712) mit 2,4GHz, RAM-Konfigurationen bis zu 16 GB — eine dokumentierte 2- bis 3-fache CPU-Leistungssteigerung gegenüber dem Raspberry Pi 4. Dies ist das Board für Experimente mit Kokoro anstelle von Piper.
- Keines der Boards ändert etwas an der GPU-Beschleunigungssituation. Beiden fehlt eine dedizierte, CUDA-fähige GPU, daher bleiben Coqui TTS und XTTS v2 für Echtzeit-Inferenz auf dem Gerät bei beiden Generationen unpraktikabel.
- RAM zählt über die TTS-Engine hinaus. Wenn dasselbe Board auch Home Assistant, einen Wake-Word-Detektor oder ein lokales LLM für eine vollständige Sprachassistenten-Pipeline betreibt, lassen die leichtgewichtigen Engines (Piper, danach espeak-ng) mehr Spielraum für diese anderen Prozesse als Kokoro oder Coqui TTS.
Häufig gestellte Fragen
Was ist die beste lokale TTS-Engine für einen Raspberry Pi?
Piper ist für die meisten Anwendungsfälle die beste lokale TTS-Engine für einen Raspberry Pi. Es entstand innerhalb des Rhasspy-Projekts für offline arbeitende Sprachassistenten speziell für reine CPU-, eingebettete Hardware, benötigt keine GPU und bleibt genau deshalb die Standard-lokale-TTS-Engine von Home Assistant. Es läuft laut vielen Berichten in Echtzeit auf einem Raspberry Pi 4.
Braucht Piper eine GPU, um auf einem Raspberry Pi zu laufen?
Nein. Piper ist darauf ausgelegt, in Echtzeit auf reiner CPU-Hardware zu laufen, einschließlich eines Raspberry Pi. Optionale CUDA-GPU-Beschleunigung existiert für höheren Durchsatz auf Desktop-Hardware, ist aber nicht erforderlich, und ein Raspberry Pi hat ohnehin keine dedizierte GPU dafür.
Kann Kokoro in Echtzeit auf einem Raspberry Pi laufen?
PromptQuorum konnte keinen dokumentierten, belegten Echtzeit-Benchmark speziell für Kokoro auf Raspberry-Pi-Hardware finden. Kokoro ist ein Modell mit 82 Millionen Parametern, das grundsätzlich auf der CPU läuft, wurde aber nicht wie Piper speziell für eingebettete ARM-Geräte entwickelt. Ein Test auf einem Raspberry Pi 5 mit seiner schnelleren Cortex-A76-CPU ist realistischer als auf einem Raspberry Pi 4 — benchmarken Sie es selbst, bevor Sie sich für einen Live-, interaktiven Anwendungsfall darauf verlassen.
Warum nicht XTTS v2 für Voice-Cloning auf einem Raspberry Pi nutzen?
XTTS v2 setzt für seine dokumentierte Latenzarmut GPU-Beschleunigung voraus, und PromptQuorums eigener Test von XTTS v2 stellt fest, dass reine CPU-Nutzung für Echtzeitanwendungen nicht praktikabel ist. Ein Raspberry Pi hat keine dedizierte GPU, daher ist Echtzeit-XTTS-v2-Inferenz auf dem Gerät unrealistisch. Ein gängiger Workaround ist, XTTS v2 auf einem separaten Server mit GPU auszuführen und das resultierende Audio zum Raspberry Pi zu streamen.
Ist Piper für die kommerzielle Nutzung kostenlos?
Das aktiv gepflegte Piper-Repository, OHF-Voice/piper1-gpl, steht unter GPL-3.0-or-later, ein Wechsel gegenüber der MIT-Lizenz des ursprünglichen, heute archivierten Repositories rhasspy/piper. GPL-3.0 erlaubt die kommerzielle Nutzung von Piper als Werkzeug, verlangt aber, Änderungen an Pipers eigenem Quellcode unter derselben Lizenz freizugeben, falls Sie sie weitergeben. Siehe PromptQuorums vollständigen Piper-TTS-Test für die komplette Lizenzhistorie — dies ist keine Rechtsberatung.
Was ist der Unterschied zwischen einem Raspberry Pi 4 und einem Raspberry Pi 5 für Text-zu-Sprache?
Ein Raspberry Pi 5 nutzt eine Quad-Core-Arm-Cortex-A76-CPU (BCM2712) mit 2,4GHz und RAM-Konfigurationen bis zu 16 GB, eine dokumentierte 2- bis 3-fache CPU-Leistungssteigerung gegenüber dem Quad-Core-Cortex-A72 des Raspberry Pi 4 mit bis zu 1,8GHz und RAM bis zu 8 GB. Beide führen Piper in Echtzeit aus; der zusätzliche Spielraum des Pi 5 zählt mehr, wenn Sie mit einer schwereren Engine wie Kokoro experimentieren möchten.
Unterstützt Piper andere Sprachen als Englisch?
Ja. Piper liefert vortrainierte Stimmen in 20+ Sprachen, klont dabei aber keine bestimmte Person — es nutzt feste, vortrainierte Stimmen je Sprache, statt aus einer Probe zu klonen, wie es XTTS v2 tut.
Was ist espeak-ng und wann sollte ich es statt Piper verwenden?
espeak-ng ist eine Formant-Synthese-TTS-Engine, die auf fast jeder Hardware läuft, auch auf Geräten unterhalb der Spezifikationen eines Raspberry Pi, aber mechanisch statt natürlich klingt. Nutzen Sie es nur, wenn RAM oder CPU so begrenzt sind, dass selbst Piper nicht machbar ist — für die meisten Raspberry-Pi-Projekte ist Piper die bessere Standardwahl. Piper selbst nutzt espeak-ng intern zur Text-zu-Phonem-Umwandlung.
Wie viel RAM benötigt Piper auf einem Raspberry Pi?
Pipers Modelldateien pro Stimme liegen typischerweise deutlich unter 100 MB, und die Engine benötigt keine mehreren Gigabyte RAM zum Ausführen, was ein spürbarer Vorteil auf einem Raspberry Pi 4 mit nur 2 GB Gesamt-RAM ist, geteilt mit dem Betriebssystem und allen anderen laufenden Diensten.
Fazit
Piper ist die richtige Standardwahl für lokale Text-zu-Sprache auf einem Raspberry Pi, und das ist keine knappe Entscheidung: Es wurde innerhalb des Rhasspy-Projekts für offline arbeitende Sprachassistenten speziell für reine CPU-, eingebettete Hardware entworfen, benötigt keine GPU, wird mit einem Befehl installiert und bleibt genau deshalb die Standardstimme von Home Assistant. Nutzen Sie stattdessen Kokoro, wenn Sprachqualität wichtiger ist als eine garantierte Echtzeitantwort, und erst, nachdem Sie es selbst auf Ihrem konkreten Raspberry-Pi-Modell benchmarkt haben — seine dokumentierte Echtzeitleistung bezieht sich auf allgemeine Hardware, nicht speziell auf ARM-Boards der Pi-Klasse. Nutzen Sie Coqui TTS oder XTTS v2 nur, wenn Sie wirklich Voice-Cloning benötigen, und planen Sie, die Inferenz auf einer separaten Maschine mit GPU statt auf dem Pi selbst auszuführen. Greifen Sie nur als letztes Mittel zu espeak-ng, auf Hardware, die selbst für Piper zu knapp ist. Im Zweifel starten Sie mit Piper — es ist das Werkzeug, für dessen Ausführung diese Hardware-Klasse gebaut wurde.
Quellen
- Piper-TTS-Test — PromptQuorums vollständiger Test, inklusive Lizenzhistorie, Installationsbefehlen und Home-Assistant-Integration.
- OHF-Voice/piper1-gpl auf GitHub — das aktiv gepflegte Piper-Repository unter der Open Home Foundation.
- Kokoro-82M auf Hugging Face — die offizielle Model-Card: Parameterzahl, Lizenz und Architektur.
- XTTS-v2-Test — PromptQuorums Test, inklusive der hier referenzierten reinen CPU-Leistung und Lizenzhinweise.
- Raspberry-Pi-5-Produktseite — offizielle Spezifikationen für den BCM2712-Prozessor und RAM-Konfigurationen.
- Vollständig offline Sprachassistenten bauen — PromptQuorums Schritt-für-Schritt-Anleitung, inklusive gemessener Raspberry-Pi-5-Latenz für die vollständige Whisper-+-LLM-+-Piper-Pipeline.