Lokale TTS- und Voice-Cloning-Lizenzen 2026: Welche Engines erlauben kommerzielle Nutzung (Piper, XTTS v2, F5-TTS, Coqui)

Kurzübersicht

• Schnellstes lokales TTS: Piper — Echtzeit auf Raspberry Pi 5, ~10× schneller als Echtzeit auf modernem Desktop-CPU.
• Beste Voice-Cloning-Qualität: XTTS v2 — 6 Sekunden Referenzaudio, sprachübergreifendes Cloning in 17 Sprachen.
• Schnellstes Zero-Shot-Voice-Cloning (neuere Architektur): F5-TTS — ~3 Sekunden Audio, Flow-Matching, ~3–5× Echtzeit auf RTX 4070.
• Flexibelstes Open-Source-Toolkit: Coqui TTS — unterstützt VITS, Tacotron2, XTTS-Backends, 20+ Sprachmodelle.
• Einziges generatives Audio (Nicht-Sprach-Klänge): Bark — Lachen, Seufzer, Musik, Umgebungsgeräusche. Langsamstes von allen.
• Beste englische Narrations-Qualität: StyleTTS 2 — diffusionsbasiertes Style-Transfer, nahezu menschlicher MOS auf dem LJSpeech-Benchmark.
• Kostenlos für kommerzielle Nutzung: Piper, Bark, StyleTTS 2 (MIT); Kokoro, Tortoise (Apache 2.0); Coqui-TTS-Toolkit (MPL 2.0, mit Bedingungen). Nicht-kommerziell: XTTS v2 (CPML), F5-TTS (CC-BY-NC-4.0).
• XTTS v2 Stimmen und Sprachen: Keine feste Stimmenliste — Sie liefern einen 6-Sekunden-Referenzclip, und es klont diese Stimme. Eingebaute Speaker-Presets werden mit dem Modell ausgeliefert, und es generiert in 17 Sprachen: en, es, fr, de, it, pt, pl, tr, ru, nl, cs, ar, zh-cn, ja, hu, ko, hi.
• XTTS v2 VRAM: ~2 GB Modellgewichte; 4 GB Minimum zum Betrieb, 4–6 GB empfohlen für Echtzeit-Inferenz.
• CPML in CI/Docker akzeptieren: export COQUI_TOS_AGREED=1 — keine interaktive Eingabeaufforderung nötig.
• VRAM-Anforderungen: Piper: nur CPU. Kokoro: CPU / 1–2 GB. StyleTTS 2: 2–4 GB. Coqui VITS: 2–4 GB. F5-TTS: 3–5 GB. XTTS v2: 4–6 GB. Bark: 4–8 GB. Tortoise: 4–8 GB.

Warum lokales TTS wichtig ist

• Datenschutz: Ihr Textinhalt verlässt niemals Ihren Computer. Kritisch für medizinische Diktate, rechtliche Zusammenfassungen, private Tagebuchnarration oder vertrauliches Vorlesen von Dokumenten.
• Kosten: Cloud-TTS-Preise liegen typischerweise bei 4–30 € pro Million Zeichen. Ein Entwickler, der 10 Millionen Zeichen pro Monat generiert, spart 40–300 €/Monat mit einem einmaligen lokalen Setup.
• Latenz: Kein Netzwerk-Roundtrip. Piper generiert das erste Audio-Token in unter 50 ms auf der CPU — schneller als jeder Cloud-TTS-Roundtrip.
• Anpassung: Voice-Cloning (XTTS v2, F5-TTS, Coqui) ermöglicht die Erstellung einer eigenen Stimme aus wenigen Sekunden Audio. Cloud-Anbieter berechnen 10 €+/Monat pro geklonter Stimme.
• Offline-Betrieb: Funktioniert in Flugzeugen, in gesicherten Einrichtungen, in abgelegenen Gebieten ohne Internet. Eingebettete Sprach-UI für Kioske und Geräte.
• Smart Home: Piper ist die führende TTS-Schicht für immer-aktive lokale Sprachschnittstellen — Echtzeit auf Raspberry Pi, keine GPU erforderlich. Für einen vollständigen Offline-Sprachassistenten in Home Assistant, siehe lokaler Sprachassistent für Smart Home →.

Direkter Vergleich

Erster-Audio-Latenz-Vergleich

Piper TTS — Schnellste Leichtgewichts-Option

• Architektur: VITS neuronales TTS mit ONNX-Inferenz. Entwickelt für Einplatinencomputer und Embedded Linux.
• Installation: pip install piper-tts. Vortrainierte Voice-Packs sind im Piper-Voices-Repository auf Hugging Face verfügbar.
• Verwendung: echo "Hallo, Welt" | piper --model de_DE-thorsten-medium.onnx --output_file ausgabe.wav
• Voice-Packs: 20+ Sprachen, mehrere Voice-Optionen pro Sprache. Jedes Voice-Pack ist eine 20–200 MB große ONNX-Modelldatei.
• Geschwindigkeit: ~10× schneller als Echtzeit auf einem modernen Desktop-CPU. Echtzeit auf Raspberry Pi 5. Unter-50-ms-Erster-Audio-Latenz.
• Apple Silicon: ~15× Echtzeit auf M5 Pro (CPU, ARM NEON). Läuft nativ ohne GPU — ausgezeichnete Leistung auf Mac.
• Beispiele anhören: Piper Voice-Samples
• Am besten für: Heimassistenten, Kiosk-Geräte, Embedded-Sprach-UI, datenschutzsensitives Vorlesen ohne verfügbare GPU.
• Einschränkung: Kein Voice-Cloning. Qualität ist „gut" — natürlich klingend, aber klar synthetisch im Vergleich zu XTTS v2 oder StyleTTS 2.
• Lizenz: MIT — vollständig kommerziell, keine Einschränkungen.
• Kokoro TTS — Piper-Alternative: Kokoro TTS ist eine aufkommende Alternative zu Piper in der Leichtgewichts-Kategorie. Es erreicht höhere Natürlichkeit als Piper und bleibt dabei schnell auf der CPU. Lizenziert unter Apache 2.0. Wenn Pipers Qualität Ihre Anforderungen nicht erfüllt, Sie sich aber keine GPU-VRAM leisten können, ist Kokoro einen Test wert.

Coqui TTS — Bestes Open-Source-Allround-Toolkit

• Installation: pip install TTS. Modelle werden beim ersten Gebrauch automatisch heruntergeladen.
• Voice-Cloning: Geben Sie 6+ Sekunden Referenzaudio an. tts --text "Hallo" --model_name tts_models/de/thorsten/tacotron2-DDC --speaker_wav beispiel.wav --out_path ausgabe.wav
• Backend-Optionen: VITS (schnellste, gute Qualität), Tacotron2 (älter, langsamer), XTTS (beste Qualität, siehe XTTS v2-Abschnitt).
• Sprachen: 20+ Sprachmodelle verfügbar über tts --list_models.
• VRAM: 2–4 GB für VITS-Backend; 4–6 GB für XTTS-Backend.
• Apple Silicon: ~8× Echtzeit auf M5 Pro (CPU). Keine Metal-GPU-Beschleunigung. Für Stapelgenerierung verwendbar.
• Community-Status: Coqui Inc schloss im Januar 2024. Das Open-Source-Repo (coqui-ai/TTS) wird von der Community gepflegt. Kein aktiver kommerzieller Support.
• Lizenz: MPL 2.0 — Kommerzielle Nutzung erlaubt, aber Quellcode von Änderungen muss offengelegt werden.
• Am besten für: Entwickler, die Voice-Cloning mit einem Open-Source-Toolkit und einer freizügigen Lizenz wollen.

XTTS v2 — Beste Voice-Cloning-Qualität

• Architektur: GPT-basiertes TTS mit Speaker-Conditioning. Vision-Transformer für Prosodie-Modellierung.
• Voice-Cloning: 6 Sekunden Referenzaudio sind ausreichend für ein überzeugendes Voice-Cloning. 3 Sekunden erzeugen passable Qualität.
• Sprachübergreifendes Cloning: Stimme in einer Sprache klonen, Sprache in 17 verschiedenen Sprachen mit denselben Stimm-Charakteristiken generieren.
• Sprachen (17): Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch, Polnisch, Türkisch, Russisch, Niederländisch, Tschechisch, Arabisch, Chinesisch (zh-cn), Japanisch, Ungarisch, Koreanisch und Hindi. Koreanisch und Hindi kamen in XTTS v2.0.3 hinzu.
• „XTTS v2 Stimmen": Es gibt keinen festen Katalog benannter Stimmen. XTTS v2 ist ein Cloning-Modell — Sie liefern einen 6-Sekunden-Referenzclip, und es reproduziert diesen Sprecher. Das Repo liefert eine Handvoll eingebauter Speaker-Presets für schnelle Tests, aber der vorgesehene Workflow besteht darin, Ihr eigenes speaker_wav bereitzustellen.
• VRAM: Modellgewichte sind ~2 GB. 4 GB VRAM sind das praktische Minimum; 4–6 GB werden für Echtzeit-Inferenz empfohlen. Läuft auf CPU, aber ~5–10× langsamer.
• Geschwindigkeit: Langsam — generiert ~2× Echtzeit auf einem RTX 4070. Nicht geeignet für Echtzeit-Sprach-Assistenten-Pipelines.
• Apple Silicon: ~3× Echtzeit auf M5 Pro (CPU, keine Metal-Beschleunigung). Für Stapel-Audio-Generierung verwendbar, nicht für Echtzeit-Sprach-Assistenten-Ausgabe.
• Lizenz: CPML (Coqui Public Model License) — nicht-kommerziell. Die CPML erlaubt persönliche, Forschungs- und Hobby-Nutzung des Modells und seiner Audio-Ausgaben, untersagt aber die kommerzielle Nutzung (jedes kostenpflichtige Produkt, SaaS, werbefinanzierte Inhalte oder Auftragsarbeit) ohne separate kommerzielle Vereinbarung. Coqui Inc wurde im Januar 2024 geschlossen, daher gibt es derzeit kein Unternehmen, das XTTS-v2-Kommerzlizenzen verkauft — behandeln Sie XTTS v2 in der Praxis als ausschließlich nicht-kommerziell. Siehe den Abschnitt Nicht-interaktives Akzeptieren der CPML für die Umgebungsvariable COQUI_TOS_AGREED.

from TTS.api import TTS

# Load XTTS v2 model
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Clone voice from 6-second reference audio and synthesize in any of 17 languages
tts.tts_to_file(
    text="Bonjour, je suis votre assistant vocal.",
    speaker_wav="reference_voice.wav",   # 6+ seconds of the target speaker
    language="fr",                        # Output in French using the cloned voice
    file_path="output.wav"
)

Bark — Generatives Audio jenseits von Sprache

• Einzigartige Fähigkeit: Fügen Sie `[laughs], [sighs], [clears throat], [music] oder [sound effect: wind]` in Ihren Text ein und Bark generiert diese Klänge neben der Sprache.
• Nicht steuerbar wie traditionelles TTS: Die Ausgabe variiert zwischen Durchläufen für dieselbe Eingabe. Die Qualität ist inkonsistent — manche Ausgaben sind ausgezeichnet, andere haben Artefakte oder unverständliche Segmente.
• Geschwindigkeit: Langsam — 2–4× langsamer als Echtzeit selbst auf einem RTX 4090. Nicht geeignet für interaktive Anwendungen.
• Apple Silicon: ~1,5× Echtzeit auf M5 Pro (CPU, MPS partiell). MPS (Metal Performance Shaders)-Unterstützung ist partiell — die meiste Inferenz fällt weiterhin auf CPU zurück.
• Am besten für: Kreatives Audio, Podcast-Produktion mit Soundeffekten, interaktive Fiktion, experimentelle Sprach-Anwendungen.
• VRAM: 4–8 GB GPU. Läuft auf CPU mit deutlich niedrigerer Qualität.
• Installation: pip install suno-bark. Modelle werden beim ersten Ausführen heruntergeladen (~2 GB).
• Lizenz: MIT — vollständig kommerziell.
• Einschränkung: Kein zuverlässiges Voice-Cloning. Die mit Bark gebündelten „Voice-Presets" sind näherungsweise — kein echtes Voice-Cloning-System.

StyleTTS 2 — Höchste natürliche Qualität

• Architektur: Diffusionsbasiertes Style-Transfer. Sampling aus einer gelernten Verteilung von Sprechstilen statt deterministischer Zuordnung von Text zu Audio.
• Qualität: Höchste MOS-Werte aller Open-Source-englischen TTS-Engines auf dem LJSpeech-Benchmark.
• Am besten für: Hörbuch-Narration, professionellen Voiceover, Podcast-Produktion.
• Installation: GitHub-Repo klonen, Anforderungen installieren (pip install -r requirements.txt), Modell-Checkpoints herunterladen (~500 MB).
• Sprachunterstützung: Hauptsächlich Englisch. Nicht empfohlen für Nicht-Englisch-Verwendung.
• Voice-Cloning: Nicht unterstützt. StyleTTS 2 generiert nur in trainierten Speaker-Stimmen.
• VRAM: 2–4 GB GPU. Schneller als XTTS v2 bei ~5–8× Echtzeit auf RTX 4070.
• Apple Silicon: ~6× Echtzeit auf M5 Pro (CPU). Keine Metal-Beschleunigung.
• Lizenz: MIT — vollständig kommerziell.

F5-TTS — Zero-Shot-Voice-Cloning, vollständig offen

• Architektur: Flow-Matching (ein Diffusions-Varianten-Ansatz) statt GPT-basierter Architektur wie bei XTTS v2. Typischerweise schnellere Inferenz mit vergleichbarer Qualität.
• Voice-Cloning: ~3 Sekunden Referenzaudio sind ausreichend. Kein Fine-Tuning erforderlich.
• Qualität: Vergleichbar mit XTTS v2 auf Englisch. MOS-Werte ~4,1 in Community-Evaluierungen.
• Geschwindigkeit: ~3–5× Echtzeit auf RTX 4070 — schneller als XTTS v2.
• Sprachen: Starke Unterstützung für Englisch und Chinesisch, mit wachsender Unterstützung für weitere Sprachen.
• Apple Silicon: ~2× Echtzeit auf M5 Pro (CPU). Derzeit keine Metal-Beschleunigung.
• VRAM: 3–5 GB GPU empfohlen.
• Installation: pip install f5-tts oder von GitHub klonen.
• Lizenz: CC-BY-NC-4.0 — nur nicht-kommerziell. Kommerzielle Nutzung erfordert eine separate Vereinbarung.

Lizenzen & kommerzielle Nutzung — Darf ich diese TTS-Engine kommerziell nutzen?

Die CPML nicht-interaktiv akzeptieren (COQUI_TOS_AGREED)

• Shell / CI: export COQUI_TOS_AGREED=1 vor dem Ausführen Ihres Skripts.
• Docker: Fügen Sie ENV COQUI_TOS_AGREED=1 zu Ihrem Dockerfile hinzu oder übergeben Sie -e COQUI_TOS_AGREED=1 an docker run.
• Python (vor dem Laden des Modells setzen): `import os; os.environ["COQUI_TOS_AGREED"] = "1" — muss vor der Instanziierung des XTTS-Modells durch TTS(...)` laufen.
• Was es bewirkt: Es hält die nicht-interaktive Zustimmung zur CPML fest, sodass das Laden des Modells nicht an einer y/n-Eingabeaufforderung blockiert. Es ist keine kommerzielle Lizenz und hebt die nicht-kommerzielle Beschränkung nicht auf.

# 1) Shell / CI — die CPML einmal für die Session akzeptieren
export COQUI_TOS_AGREED=1

# 2) Dockerfile — Zustimmung in das Image einbacken
# ENV COQUI_TOS_AGREED=1

# 3) Python — vor der Erstellung des Modells setzen
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # muss VOR dem TTS()-Aufruf unten gesetzt sein

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# Das Modell lädt nun ohne die interaktive Lizenz-Eingabeaufforderung

Lokales TTS im Vergleich zu ElevenLabs und Cloud-TTS

• Qualitätsgrenze: ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper.
• Latenz: Piper lokal (~30–50 ms erstes Audio) ist schneller als jeder ElevenLabs-API-Roundtrip (~300–500 ms).
• Kosten: ElevenLabs berechnet 5–99 €/Monat nach Tarif. Lokales TTS kostet 0 € nach einmaliger Hardware.
• Voice-Cloning: ElevenLabs Instant Voice Clone ≈ XTTS v2 Qualität. ElevenLabs Professional Voice Clone übertrifft jede lokale Engine.
• Datenschutz: Lokales TTS = keine Audiodaten werden irgendwohin gesendet. ElevenLabs = Audio wird auf deren Servern verarbeitet.
• Offline-Fähigkeit: Lokal = vollständig offline. ElevenLabs = benötigt Internet.
• Wann Cloud verwenden: Professionelle Voiceover-Produktion, kundenseitige Produkte, die höchste Qualität erfordern.
• Wann lokal verwenden: Datenschutzkritisches Audio, Embedded-Geräte, kostensensible Stapelverarbeitung, Offline-Umgebungen.

Wie Sie wählen

• Voice-Cloning benötigt? → XTTS v2 (beste Qualität, CPML) oder F5-TTS (neuere Architektur, schneller, CC-BY-NC-4.0) oder Coqui VITS (gute Qualität, MPL 2.0). Kein Cloning benötigt: Piper (Geschwindigkeit) oder StyleTTS 2 (Qualität).
• Nur CPU / Raspberry Pi benötigt? → Nur Piper. Kokoro ist eine hochwertigere CPU-Alternative (Apache 2.0). Alle anderen Engines benötigen GPU.
• Kreatives Audio mit Nicht-Sprach-Klängen benötigt? → Bark. Keine andere lokale Engine erzeugt nativ Lachen, Seufzer oder Musik.
• Beste englische Narrations-Qualität benötigt? → StyleTTS 2.
• Mehrsprachige Unterstützung benötigt? → XTTS v2 (17 Sprachen), Coqui (20+), Piper (20+ Packs).
• Vollständig kommerzielle MIT-Lizenz benötigt? → Piper, Bark oder StyleTTS 2.
• Sprach-Assistenten-Pipeline aufbauen? → Piper für Niedrig-Latenz-TTS-Ausgabe.

Häufig gestellte Fragen

Quellen

• Piper TTS auf GitHub — Quellcode, Voice-Packs, ONNX-Modell-Downloads und Raspberry-Pi-Anleitung.
• Coqui TTS auf GitHub — Quellcode, Modelliste, Voice-Cloning-Dokumentation und Python-API-Referenz.
• XTTS v2 Dokumentation — XTTS v2 Modellkarte, Lizenz (CPML) und Voice-Cloning-API.
• F5-TTS auf GitHub — Flow-Matching-TTS mit Zero-Shot-Voice-Cloning, Installationsanleitung und mehrsprachiger Unterstützung.
• Tortoise TTS auf GitHub — Hochwertiges Multi-Voice-TTS mit Voice-Cloning, Apache 2.0-Lizenz. Sehr langsam, aber kommerziell-freundlich.
• XTTS-v2 LICENSE.txt (CPML) auf Hugging Face — Vollständiger Text der Coqui Public Model License, die XTTS v2 regelt.

TTS in Deutschland: DSGVO-konforme Sprachsynthese und deutsche Modelle

• Piper DE-Modelle: Piper enthält mehrere deutsche Stimmen (de_DE-thorsten-low, de_DE-thorsten-medium, de_DE-eva_k-x_low). Thorsten-medium bietet das beste Verhältnis aus Natürlichkeit und Latenz auf Standard-Hardware (Intel Core i7, kein GPU nötig).
• XTTS v2 für Deutsch: Coqui XTTS v2 unterstützt Deutsch mit Zero-Shot Voice Cloning. Besonders nützlich für Audiobook-Produktion und barrierefreie Dokumente. GPU-Anforderung: mindestens 6 GB VRAM (RTX 3060 oder besser).
• DSGVO-Implementierungshinweis: Bei der Verarbeitung von Stimmdaten (Voice Cloning) gelten biometrische Datenschutzanforderungen nach DSGVO Art. 9. Reine Textsynthese (kein Cloning) ist datenschutzrechtlich unkritisch, sofern kein Personenbezug im Text besteht.
• NHK-Äquivalent für DE: ARD und ZDF veröffentlichen keine Stimmdaten für TTS. Für professionelle deutsche Stimmen: Thorsten-Voice-Projekt (GitHub, Open Source, CC BY 4.0) als Community-Alternative zu proprietären Stimmpaketen.
• Österreich und Schweiz: Standarddeutsch-Modelle funktionieren für beide Länder. Dialekte (Österreichisch, Schweizerdeutsch) werden von aktuellen Piper/XTTS-Modellen nicht unterstützt — Hochdeutsch-Ausgabe ist der Standardfall.

Weiterführende Lektüre

• Vollständig offlinetem Sprach-Assistenten bauen 2026 — Verwenden Sie Piper oder Coqui TTS als Ausgabeschicht einer vollständigen Whisper + LLM + TTS-Pipeline.
• Lokale Sprache-zu-Text 2026: Whisper.cpp vs faster-whisper — Die Eingabeseite einer Sprach-Pipeline.
• Lokale multimodale KI-Pipeline 2026 — TTS als Sprach-Ausgabeschicht eines vollständigen multimodalen Stacks integrieren.
• Beste Budget-GPUs für lokale LLMs — GPU-Auswahl für den Betrieb von XTTS v2, F5-TTS, Bark oder StyleTTS 2.
• Beste KI-Sprachsynthese für Content-Creator — Piper vs Coqui XTTS vs ElevenLabs Local: Sprachqualität und Latenzvergleich.