Coqui TTS im Test (2026): Das von der Community gepflegte Voice-Cloning-Toolkit

Geschichte: Von Mozilla TTS zum Community-Fork

Was Coqui TTS tatsächlich tut

• Multi-Modell-Schnittstelle. Eine einzige TTS()-Python-Klasse lädt und führt verschiedene Modellarchitekturen aus, darunter VITS-basierte Single- und Multi-Speaker-Modelle, Tacotron2-basierte Modelle und das Voice-Cloning-Modell XTTS v2, ohne dass sich der umgebende Anwendungscode ändert.
• Sprachsynthese über die Kommandozeile. Der tts-CLI-Befehl synthetisiert Sprache direkt im Terminal; mit tts --list_models werden alle verfügbaren vortrainierten Modelle aufgelistet.
• Voice-Cloning über XTTS v2. Die Übergabe eines speaker_wav-Arguments an ein geladenes XTTS-v2-Modell klont eine Stimme aus einem kurzen Referenzaudioclip und erzeugt Sprache in dieser geklonten Stimme in den von XTTS v2 unterstützten Sprachen.
• Breite Bibliothek vortrainierter Modelle. Das Toolkit bietet Zugang zu vortrainierten Modellen, die über die zugrunde liegenden, massiv mehrsprachigen Fairseq-basierten Modelle über 1.100 Sprachen abdecken, neben höherwertigen kuratierten Modellen für bestimmte Sprachen.
• Modelltraining und Fine-Tuning. Über das Ausführen vortrainierter Modelle hinaus enthält das Toolkit Trainingsskripte und Dataset-Analyse-Werkzeuge zum Erstellen oder Feinabstimmen eines eigenen Stimmmodells — historisch eine der meistgenutzten Funktionen vor der Einstellung von Coqui AIs gehostetem Trainingsdienst.
• Streaming-Inferenz für XTTS v2. Das Toolkit dokumentiert latenzarme Streaming-Synthese mit XTTS v2 (laut Dokumentation des gepflegten Forks unter 200 ms Latenz bis zum ersten Audio), nützlich für interaktive Sprachanwendungen.

Coqui TTS und XTTS v2: Das Verhältnis

Coqui TTS installieren und ausführen: Schritt für Schritt

1. 1
   Das gepflegte Paket installieren.
   Why it matters: Führen Sie `pip install coqui-tts` aus (oder `uv pip install coqui-tts` bei Verwendung von uv) in einer Python-Umgebung. Installieren Sie speziell das Paket `coqui-tts` — nicht den älteren Paketnamen `TTS`, der auf das inzwischen ungepflegte ursprüngliche Repository verweist.
2. 2
   Verfügbare vortrainierte Modelle auflisten.
   Why it matters: Führen Sie `tts --list_models` aus, um den vollständigen Katalog verfügbarer vortrainierter Modelle zu sehen, sortiert nach Sprache und Architektur (VITS, Tacotron2, XTTS und andere).
3. 3
   Sprache über die Kommandozeile synthetisieren.
   Why it matters: Führen Sie `tts --text "Hello world" --out_path output.wav` aus, um mit dem Standardmodell zu synthetisieren, oder fügen Sie `--model_name <modell>` hinzu, um ein bestimmtes aus der Liste auszuwählen.
4. 4
   (Optional) Die Python-API für XTTS-v2-Voice-Cloning verwenden.
   Why it matters: Laden Sie das Modell mit `TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)`, rufen Sie dann `.tts_to_file()` auf mit einem `speaker_wav`-Argument, das auf einen kurzen Referenzaudioclip verweist, und einem `language`-Argument, um eine Stimme zu klonen.
5. 5
   (Optional) GPU-Beschleunigung aktivieren.
   Why it matters: Übergeben Sie `gpu=True` an den `TTS()`-Konstruktor, oder rufen Sie `.to("cuda")` auf dem geladenen Modellobjekt auf, um die Inferenz auf einer NVIDIA-GPU auszuführen — empfohlen für XTTS v2, das auf reiner CPU deutlich langsamer ist.
6. 6
   (Optional) Die CPML-Lizenz für XTTS v2 nicht-interaktiv akzeptieren.
   Why it matters: Das erstmalige Laden von XTTS v2 fragt interaktiv nach Akzeptanz der CPML. Setzen Sie die Umgebungsvariable `COQUI_TOS_AGREED=1`, um sie nicht-interaktiv zu akzeptieren — erforderlich für unbeaufsichtigten Betrieb in Docker-Containern oder CI-Pipelines.

Echte Nutzungsbeispiele

• Nicht-interaktive CPML-Akzeptanz für automatisierte Umgebungen: Setzen Sie COQUI_TOS_AGREED=1 vor dem ersten Laden von XTTS v2, damit Docker-Builds und CI-Pipelines nicht an einer interaktiven Eingabeaufforderung hängen bleiben.
• Sprecher- und Sprachabfrage: Nach dem Laden eines Multi-Speaker- oder mehrsprachigen Modells listen tts.speakers und tts.languages auf, was das geladene Modell tatsächlich unterstützt — nützlich zur Eingabevalidierung vor der Synthese.

# Kommandozeile: verfügbare vortrainierte Modelle auflisten
tts --list_models

# Kommandozeile: mit dem Standardmodell synthetisieren
tts --text "Hello world" --out_path output.wav

# Kommandozeile: mit einem bestimmten Modell synthetisieren
tts --model_name "tts_models/en/ljspeech/tacotron2-DDC" \
    --text "This is a test." --out_path output.wav

# Python-API: Grundlegende Synthese
from TTS.api import TTS

tts = TTS("tts_models/en/ljspeech/tacotron2-DDC")
tts.tts_to_file(text="Hello world", file_path="output.wav")

# Python-API: XTTS-v2-Voice-Cloning (zuerst CPML nicht-interaktiv akzeptieren)
# export COQUI_TOS_AGREED=1
import torch
from TTS.api import TTS

device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

tts.tts_to_file(
    text="Hola, esto es una prueba.",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="cloned_output.wav",
)

# Python-API: Sprecher und Sprachen eines geladenen Modells auflisten
print(tts.speakers)
print(tts.languages)

Lizenz und Kosten

Wofür Coqui TTS nicht geeignet ist

• Aufbau auf dem ursprünglichen, ungepflegten Repository. Wenn Sie pip install TTS (den ursprünglichen Paketnamen) statt pip install coqui-tts (den gepflegten Fork) ausführen, bauen Sie auf Code auf, der seit August 2024 keine Updates erhalten hat — prüfen Sie, welches Paket ein Tutorial oder eine Abhängigkeit tatsächlich referenziert, bevor Sie sich darauf verlassen.
• Schnellstmögliche reine CPU-Synthese. Wenn Ihre Priorität Echtzeit-Sprache auf bescheidener Hardware wie einem Raspberry Pi ohne GPU ist, ist Piper speziell dafür gebaut und einfacher zu deployen; die größeren Modelle von Coqui TTS, insbesondere XTTS v2, sind auf reiner CPU merklich langsamer.
• Kommerzielles Voice-Cloning ohne separate Lizenzprüfung. Das Ausführen von XTTS v2 über das Coqui-TTS-Toolkit trägt weiterhin die eigene nicht-kommerzielle CPML-Einschränkung von XTTS v2 auf die Modellgewichte und -ausgaben — die MPL-2.0-Lizenz des Toolkits hebt das nicht auf. Siehe Abschnitt Lizenz und Kosten oben.
• Garantierter langfristiger Unternehmenssupport. Das Unternehmen Coqui AI existiert seit Dezember 2023 nicht mehr. Der aktuelle Fork wird von einem Forschungsinstitut auf Community-Basis gepflegt — ein anderes Pflegemodell als ein finanziertes Unternehmen mit Supportvertrag. Berücksichtigen Sie das bei Entscheidungen für kritische Produktionsinfrastruktur.
• Eine einzige, stabile API über Versionen hinweg. Da sich die Entwicklung zwischen einem ungepflegten Original und einem aktiv entwickelten Fork verlagert hat, verweisen manche Tutorials, Stack-Overflow-Antworten und Blogbeiträge online auf eine ältere API-Oberfläche oder den ursprünglichen Paketnamen — prüfen Sie gegen die aktuelle coqui-tts-Dokumentation statt gegen ein älteres Suchergebnis.

Alternativen zu Coqui TTS

Häufig gestellte Fragen

Fazit

Quellen

• idiap/coqui-ai-TTS auf GitHub — der aktiv gepflegte Fork: README, Dokumentation, Lizenz und Release-Historie.
• coqui-tts auf PyPI — veröffentlichte Paket-Metadaten, einschließlich aktueller MPL-2.0-Lizenz und Versionshistorie.
• coqui-ai/TTS auf GitHub — das ursprüngliche, inzwischen ungepflegte Repository (MPL-2.0-Lizenz).
• XTTS v2 auf Hugging Face — die Model-Card und der CPML-Lizenztext des Voice-Cloning-Modells.
• Idiap Research Institute — das Schweizer Forschungsinstitut, das den Community-Fork pflegt.

Weiterführende Artikel

• Lokale TTS- und Voice-Cloning-Lizenzen: Piper, XTTS v2, F5-TTS und Coqui — der Lizenz-Deep-Dive über alle wichtigen lokalen TTS-Engines.
• XTTS-v2-Test — eine vollständige Aufschlüsselung des Voice-Cloning-Modells, das dieses Toolkit ausführen kann.
• Piper-TTS-Test — die schnelle, reine CPU-lokale-TTS-Alternative, in derselben Tiefe getestet.
• ElevenLabs vs. Piper vs. XTTS v2 — der Cloud-vs-lokal-Vergleich für Leser, die zwischen Self-Hosting entscheiden.
• Bark-TTS-Test — das ausdrucksstarke, nicht-sprachliche lokale TTS-Modell, in derselben Tiefe getestet.