Wichtigste Erkenntnisse
- Piper: ursprünglich aus dem Rhasspy/Home-Assistant-Ökosystem, heute von der Open Home Foundation gepflegt; basiert auf ONNX Runtime; läuft problemlos auf einem Raspberry Pi ohne GPU.
- Kokoro: ein Modell mit 82 Millionen Parametern von hexgrad, von StyleTTS2 und ISTFTNet abgeleitet, unter Apache-2.0 lizenziert; läuft gut auf CPU oder einer bescheidenen GPU.
- Keine der beiden Engines führt Zero-Shot-Voice-Cloning durch; beide liefern feste Sätze vortrainierter Stimmen aus.
- Piper-Lizenz: GPL-3.0-or-later (aktuelles Repository); das ursprüngliche, archivierte Repository war MIT-lizenziert. Kokoro-Lizenz: Apache-2.0.
- Piper gewinnt bei reiner Geschwindigkeit und minimalem Ressourcenverbrauch; Kokoro wird in Community-Hörvergleichen weithin als natürlicher klingend beschrieben.
- Nutzen Sie Piper für eingebettete/Edge-Geräte und Sprachassistenten; nutzen Sie Kokoro, wenn Audioqualität wichtiger ist als das Zusammenquetschen auf die kleinstmögliche Hardware.
📍 In einem Satz
Piper ist die schnellere, leichtere lokale Text-zu-Sprache-Engine, die auf einem Raspberry Pi ohne GPU läuft (Lizenz GPL-3.0-or-later), während Kokoro ein quelloffenes Modell mit 82 Millionen Parametern (Apache-2.0) ist, das etwas Geschwindigkeit gegen spürbar natürlicher klingendes Audio eintauscht; keine der beiden klont Stimmen aus einem Sample.
💬 In einfachen Worten
Beide wandeln Text vollständig auf Ihrem eigenen Computer in gesprochenes Audio um, ohne Cloud-API-Aufruf. Piper ist kleiner und schneller, funktioniert daher auf günstiger Hardware wie einem Raspberry Pi, klingt aber etwas roboterhafter. Kokoro ist ein etwas größeres Modell, das spürbar menschlicher klingt, auf Kosten von etwas mehr benötigter Rechenleistung.
📌Hinweis: Weder Piper noch Kokoro klonen eine Stimme aus einem kurzen Referenzclip. Für diese Fähigkeit siehe PromptQuorums XTTS-v2-Test — beachten Sie, dass die Lizenz von XTTS v2 nicht-kommerziell ist, anders als bei Piper und Kokoro.
Was jede Engine tatsächlich ist
Piper und Kokoro lösen dasselbe grundlegende Problem — Text auf lokaler Hardware in gesprochenes Audio umzuwandeln, ohne dass Daten das Gerät verlassen —, stammen aber aus unterschiedlichen Traditionen und treffen unterschiedliche Größe-gegen-Qualität-Kompromisse.
- Piper ist eine neuronale Text-zu-Sprache-Engine, ursprünglich von Michael Hansen innerhalb von Rhasspy entwickelt, einem quelloffenen Toolkit für Offline-Sprachassistenten. Es wandelt Text mit espeak-ng in Phoneme um und synthetisiert daraus eine Wellenform mithilfe eines VITS-artigen Modells, exportiert nach ONNX Runtime für schnelle Inferenz, auch auf reiner CPU-Hardware. Es wurde zur Standard-lokalen-TTS-Engine in der Sprachpipeline von Home Assistant und wird heute von der Open Home Foundation unter OHF-Voice/piper1-gpl gepflegt. PromptQuorum behandelt es ausführlich in einem dedizierten Piper-Test.
- Kokoro ist ein quelloffenes TTS-Modell mit 82 Millionen Parametern, veröffentlicht auf Hugging Face vom als hexgrad bekannten Entwickler. Seine Architektur basiert auf StyleTTS 2 mit einem ISTFTNet-Vocoder, in einem reinen Decoder-Design ohne Diffusionsschritt — eine kleinere, einfachere Pipeline als bei vielen TTS-Modellen mit höherer Parameterzahl. Laut seiner Hugging-Face-Model-Card wurde es mit einigen hundert Stunden freizügig lizenzierten oder gemeinfreien Audiomaterials trainiert, Version 1.0 wurde am 27. Januar 2025 veröffentlicht.
- Keines der beiden Modelle klont eine Stimme aus einem kurzen Referenzclip. Piper und Kokoro liefern jeweils einen festen, vortrainierten Satz von Stimmen aus, aus dem Sie wählen — eine grundlegend andere Fähigkeit als ein Voice-Cloning-Modell wie XTTS v2, das aus 6 Sekunden Sample-Audio Sprache in einer neuen Stimme synthetisiert, allerdings unter einer nicht-kommerziellen Lizenz.
- Beide laufen vollständig offline, auf Ihrer eigenen Hardware. Weder Text noch Audio werden von einer der beiden Engines an eine Cloud-API gesendet — die gesamte Synthese-Pipeline läuft lokal, was für datenschutzsensible Anwendungen und zur Vermeidung von Pro-Zeichen-Cloud-TTS-Kosten wichtig ist.
Piper vs Kokoro: Im direkten Vergleich
Piper gewinnt bei Geschwindigkeit und minimalem Hardware-Fußabdruck; Kokoro gewinnt bei der wahrgenommenen Audioqualität. Die folgende Tabelle fasst die echten Trade-offs zusammen — behandeln Sie die Zeile „Sprachqualität" als qualitativen, weit verbreiteten Community-Eindruck und nicht als spezifischen Benchmark-Wert, da PromptQuorum keinen einzigen maßgeblichen direkten numerischen Benchmark-Vergleich zwischen beiden finden konnte.
Ursprung / Maintainer
- Piper:
- Rhasspy-Projekt → Open Home Foundation
- Kokoro:
- Unabhängiger Entwickler (hexgrad)
Parameteranzahl
- Piper:
- Keine einzelne Headline-Zahl veröffentlicht (VITS-artig, Modelle pro Stimme)
- Kokoro:
- 82 Millionen Parameter
Architektur
- Piper:
- VITS-artig, ONNX Runtime
- Kokoro:
- StyleTTS 2 + ISTFTNet, reiner Decoder
Lizenz
- Piper:
- GPL-3.0-or-later (aktuelles Repo)
- Kokoro:
- Apache-2.0
Hardwareanforderungen
- Piper:
- Nur CPU, Echtzeit auf einem Raspberry Pi
- Kokoro:
- CPU oder bescheidene GPU
Sprachqualität (Community-Berichte)
- Piper:
- Schnell, gut für seine Größe, eher roboterhaft
- Kokoro:
- Weithin als natürlicher / ausdrucksstärker beschrieben
Voice-Cloning
- Piper:
- Nein — feste vortrainierte Stimmen
- Kokoro:
- Nein — feste vortrainierte Stimmen
Installation
- Piper:
pip install piper-tts- Kokoro:
pip install kokoro
Echte Nutzungsbeispiele
Diese Befehle folgen dem dokumentierten Installations- und API-Muster des jeweiligen Projekts. Prüfen Sie vor dem Einsatz die aktuelle GitHub-/Hugging-Face-Dokumentation jedes Projekts, da sich CLI-Flags und Paketnamen zwischen Releases ändern können.
- Piper startet schneller. Seine Pro-Stimme-ONNX-Modelle laden schnell, und die Synthese ist auf der CPU nahezu sofort verfügbar — deshalb ist es die verbreitete Wahl für interaktive Sprachassistenten auf eingeschränkter Hardware.
- Kokoros Pipeline gruppiert die Synthese in Chunks (das
gs/ps/audio-Tupel oben) — gut zu wissen, bevor man annimmt, dass ein einzelner Aufruf für langen Text einen durchgehenden Audiopuffer zurückgibt.
# ── Piper: Installation und Sprachausgabe ─────────────────────
pip install piper-tts
python3 -m piper.download_voices en_US-lessac-medium
python3 -m piper -m en_US-lessac-medium -f test.wav -- "This is a test."
# Piper-Python-API
from piper import PiperVoice
voice = PiperVoice.load("en_US-lessac-medium.onnx")
with open("test.wav", "wb") as wav_file:
voice.synthesize_wav("Fast, local speech synthesis.", wav_file)
# ── Kokoro: Installation und Sprachausgabe ────────────────────
pip install kokoro soundfile
# Kokoro-Python-API (laut hexgrad/Kokoro-82M auf Hugging Face)
from kokoro import KPipeline
import soundfile as sf
pipeline = KPipeline(lang_code="a") # "a" = amerikanisches Englisch
generator = pipeline(
"Kokoro produces noticeably natural-sounding speech from a small model.",
voice="af_heart",
)
for i, (gs, ps, audio) in enumerate(generator):
sf.write(f"output_{i}.wav", audio, 24000)Lizenz und Kosten
Pipers aktiv gepflegtes Repository, OHF-Voice/piper1-gpl, ist unter GPL-3.0-or-later lizenziert. Dies ist eine Änderung gegenüber dem ursprünglichen rhasspy/piper-Repository, das MIT-lizenziert war, bevor es am 6. Oktober 2025 archiviert (schreibgeschützt gemacht) wurde und unter dieser MIT-Lizenz weiterhin verfügbar, aber unmaintained bleibt. GPL-3.0 ist eine Copyleft-Lizenz: Sie können Piper kostenlos nutzen, auch kommerziell, um Sprache zu erzeugen, doch wenn Sie eine modifizierte Version von Pipers eigenem Quellcode verbreiten, müssen Sie diese Modifikation unter denselben GPL-3.0-Bedingungen freigeben. Die Nutzung von Piper als unverändertes externes Werkzeug (seine CLI, sein Python-Paket oder ein als separater Prozess aufgerufener Webserver) stellt den Rest Ihrer Anwendung im Allgemeinen nicht unter GPL, doch die genaue Grenze hängt davon ab, wie eng Ihr Code mit Pipers Code verknüpft ist — dies ist keine Rechtsberatung, konsultieren Sie einen Anwalt für Ihre konkrete Bereitstellung.
Kokoro ist unter Apache-2.0 lizenziert, bestätigt auf seiner Hugging-Face-Model-Card. Apache-2.0 ist eine freizügige Lizenz ohne Copyleft-Pflichten — Sie können Kokoro nutzen, modifizieren und weiterverbreiten, auch in Closed-Source-Kommerzprodukten, ohne dazu verpflichtet zu sein, Ihren eigenen Quellcode freizugeben, vorbehaltlich der üblichen Attributions- und Patent-Grant-Bedingungen der Lizenz.
Keine der beiden Engines hat eine kostenpflichtige Stufe, ein Abonnement oder eine Lizenzgebühr. Die einzigen Kosten sind die Hardware, auf der Sie sie betreiben, und Ihre eigene Entwicklungszeit. Wenn Sie stattdessen eine verwaltete, kostenpflichtige Cloud-TTS-API mit kommerziellem Voice-Cloning möchten, siehe PromptQuorums Vergleich ElevenLabs vs lokales TTS.
Ist Kokoro TTS kostenlos für kommerzielle Nutzung?
Ja. Kokoro ist unter Apache-2.0 lizenziert, einer freizügigen Lizenz ohne Copyleft-Pflichten, sodass es in Closed-Source-Kommerzprodukten genutzt werden kann, ohne dass Sie Ihren eigenen Quellcode freigeben müssen, vorbehaltlich der üblichen Attributions- und Patent-Grant-Bedingungen der Lizenz. Dies ist keine Rechtsberatung — lesen Sie die Apache-2.0-Lizenz selbst, bevor Sie eine kommerzielle Bereitstellung vornehmen.
Ist Piper kostenlos für kommerzielle Nutzung?
Ja, die Sprachgenerierung mit Piper ist für kommerzielle Nutzung kostenlos. Seine aktuelle Lizenz, GPL-3.0-or-later, ist eine Copyleft-Lizenz, die nur dann Bedingungen auferlegt, wenn Sie eine modifizierte Version von Pipers eigenem Quellcode verbreiten — die Nutzung als externes Werkzeug stellt Ihre eigene Anwendung im Allgemeinen nicht unter GPL. Dies ist keine Rechtsberatung — konsultieren Sie einen Anwalt für Ihre konkrete Bereitstellung.
Wer welche Engine nutzen sollte
Wählen Sie Piper für eingebettete Geräte, Sprachassistenten und jede Bereitstellung, bei der CPU-Zyklen oder Speicher stark eingeschränkt sind. Wählen Sie Kokoro, wenn Audioqualität Priorität hat und Sie zumindest ein bescheidenes CPU- oder GPU-Budget dafür haben.
- Wählen Sie Piper, wenn: Sie auf einem Raspberry Pi oder einem ähnlich eingeschränkten Gerät laufen, die niedrigstmögliche Latenz bis zum ersten Audio benötigen oder sich in die Sprachpipeline von Home Assistant integrieren, wo Piper die Standard-lokale-TTS-Engine ist.
- Wählen Sie Kokoro, wenn: Sie Hörbücher, Narrationen oder Inhalte produzieren, bei denen Zuhörer roboterhaft klingende Sprache bemerken würden, und Sie über CPU- oder GPU-Spielraum jenseits des absoluten Minimums verfügen.
- Wählen Sie keines von beiden und sehen Sie sich stattdessen XTTS v2 an, wenn: Sie die Stimme einer bestimmten Person aus einem kurzen Referenzclip klonen müssen — sowohl Piper als auch Kokoro nutzen ausschließlich feste vortrainierte Stimmen, und keine der beiden führt Voice-Cloning durch. Siehe PromptQuorums XTTS-v2-Test (nicht-kommerzielle Lizenz) oder den Leitfaden zu lokalen TTS-Lizenzen für cloning-fähige Alternativen und deren Lizenzen.
- Wählen Sie keines von beiden und sehen Sie sich stattdessen den ElevenLabs-Vergleich an, wenn: Sie kommerzielles Voice-Cloning mit klarer kostenpflichtiger Lizenz benötigen und nicht selbst hosten möchten. Siehe PromptQuorums Vergleich ElevenLabs vs lokales TTS.
Wofür keine der beiden geeignet ist
Piper und Kokoro sind beide TTS-Engines mit fester Stimme, ohne Cloning-Funktion. Keine von beiden ist das richtige Werkzeug für die folgenden Situationen:
- Das Klonen der Stimme einer bestimmten Person aus einem Sample-Clip. Beide Engines liefern ausschließlich vortrainierte Stimmen — es gibt in keiner von beiden einen Mechanismus, um Sprache in einer neuen, zuvor ungehörten Stimme aus einer kurzen Referenzaufnahme zu erzeugen. Siehe stattdessen XTTS v2, unter Beachtung der nicht-kommerziellen Lizenz.
- Emotional ausdrucksstarkes, nicht-sprachliches Audio (Lachen, Seufzer, Umgebungsgeräusche). Beide Engines synthetisieren Sprache, nicht das breitere ausdrucksstarke Audiospektrum, auf das ein Modell wie Bark abzielt.
- Maximal mögliche Audiotreue unabhängig von den Ressourcenkosten. Für Leser, die speziell die höchste englische Narrationsqualität wünschen und nicht ressourcenbeschränkt sind, behandelt PromptQuorums StyleTTS-2-Test ein Modell mit einer zu Kokoro vergleichbaren zugrunde liegenden Architektur, aber einem anderen Größe-/Qualitätskompromiss.
- Eine GPL-3.0-Codebasis in einem Closed-Source-Produkt, das Pipers eigenen Quellcode modifiziert. Wenn Ihr Bereitstellungsplan das Forken oder statische Verlinken von modifiziertem Piper-Quellcode in ein Closed-Source-Binary vorsieht, ist Pipers aktuelle GPL-3.0-or-later-Lizenz eine echte Einschränkung — Kokoros Apache-2.0-Lizenz hat diese Einschränkung nicht.
Alternativen
XTTS v2
- Am besten für:
- Voice-Cloning aus 6 Sekunden Referenzaudio
- Lizenz:
- CPML (nicht-kommerziell)
Coqui-TTS-Toolkit
- Am besten für:
- Die Software, die XTTS v2 und andere Modelle ausführt
- Lizenz:
- MPL-2.0 (nur Toolkit)
Bark
- Am besten für:
- Ausdrucksstarkes, nicht-sprachliches Audio — Lachen, Seufzer, Umgebungsgeräusche
- Lizenz:
- MIT
StyleTTS 2
- Am besten für:
- Höchste natürlich klingende englische Narration (kein Voice-Cloning)
- Lizenz:
- MIT
ElevenLabs
- Am besten für:
- Verwaltete Cloud-API mit kommerziellem Voice-Cloning
- Lizenz:
- Proprietär (kostenpflichtige Cloud-API)
Häufig gestellte Fragen
Was ist der Hauptunterschied zwischen Piper und Kokoro TTS?
Piper ist eine leichtgewichtige, vollständig lokale neuronale TTS-Engine, optimiert für Geschwindigkeit und minimalen Ressourcenverbrauch — sie läuft in Echtzeit auf reiner CPU-Hardware, einschließlich eines Raspberry Pi. Kokoro ist ein quelloffenes Modell mit 82 Millionen Parametern, das spürbar natürlicher klingendes Audio erzeugt, auf Kosten etwas mehr benötigter Rechenleistung, läuft aber weiterhin auf CPU oder einer bescheidenen GPU.
Was klingt natürlicher, Piper oder Kokoro?
Kokoro wird in Community-Hörvergleichen weithin als natürlicher klingend als Piper beschrieben. PromptQuorum konnte keinen einzigen maßgeblichen, unabhängig verifizierten numerischen Benchmark finden, der beide Engines direkt vergleicht — behandeln Sie dies daher als qualitativen, weit verbreiteten Community-Eindruck und nicht als gemessenen Wert.
Unterstützen Piper oder Kokoro Voice-Cloning?
Nein. Beide Engines liefern einen festen Satz vortrainierter Stimmen aus, aus dem Sie wählen — keine der beiden klont eine neue Stimme aus einem kurzen Referenz-Audiosample. Für Voice-Cloning siehe PromptQuorums XTTS-v2-Test, unter Beachtung der nicht-kommerziellen Lizenz.
Kann ich Kokoro ohne GPU betreiben?
Ja. Kokoro läuft mit 82 Millionen Parametern auf der CPU, wobei eine bescheidene GPU die Synthese beschleunigt. Es benötigt keine GPU-Hardware, wie es bei größeren TTS- oder Voice-Cloning-Modellen oft der Fall ist.
Kann Piper auf einem Raspberry Pi laufen?
Ja — Echtzeit-Synthese nur auf CPU auf einem Raspberry Pi ist eines von Pipers primären Designzielen, und es ist die Standard-lokale-Text-zu-Sprache-Engine in der Sprachpipeline von Home Assistant, die häufig auf Raspberry-Pi-Hardware läuft.
Welche Lizenz nutzt Kokoro?
Kokoro ist unter Apache-2.0 lizenziert, einer freizügigen Lizenz ohne Copyleft-Pflichten, bestätigt auf seiner Hugging-Face-Model-Card. Es kann in Closed-Source-Kommerzprodukten genutzt werden, ohne dass Sie Ihren eigenen Quellcode freigeben müssen, vorbehaltlich der üblichen Attributions- und Patent-Grant-Bedingungen der Lizenz.
Welche Lizenz nutzt Piper?
Pipers aktiv gepflegtes Repository (OHF-Voice/piper1-gpl) ist unter GPL-3.0-or-later lizenziert. Das ursprüngliche, inzwischen archivierte Repository rhasspy/piper war MIT-lizenziert. GPL-3.0 erlegt nur dann Bedingungen auf, wenn Sie eine modifizierte Version von Pipers eigenem Quellcode verbreiten; die Nutzung von Piper als externes Werkzeug stellt Ihre eigene Anwendung im Allgemeinen nicht unter GPL.
Wer pflegt Piper und Kokoro?
Piper wurde ursprünglich von Michael Hansen innerhalb des Rhasspy-Sprachassistenten-Projekts erstellt; die aktive Entwicklung wird heute von der Open Home Foundation gepflegt, der gemeinnützigen Organisation hinter Home Assistant. Kokoro wurde vom als hexgrad bekannten Entwickler veröffentlicht und wird über Hugging Face verteilt.
Wie viele Sprachen unterstützen Piper und Kokoro?
Kokoros 54 eingebaute Stimmen umfassen laut seiner Hugging-Face-Model-Card 8 Sprach- und Akzentgruppen, darunter amerikanisches und britisches Englisch, Spanisch, Französisch, Hindi, Italienisch, Japanisch, brasilianisches Portugiesisch und Mandarin-Chinesisch. Pipers Stimmenkatalog ist größer und stärker fragmentiert — Dutzende Sprachen und regionale Varianten, beigetragen von verschiedenen Community-Mitgliedern, mit je nach Stimme unterschiedlicher Qualität.
Fazit
Piper und Kokoro konkurrieren nicht um genau dieselbe Aufgabe. Piper ist die richtige Wahl, wenn die Einschränkung die Hardware ist — ein Raspberry Pi, ein eingebettetes Gerät, ein Sprachassistent, der auf reiner CPU sofort reagieren muss —, und seine GPL-3.0-or-later-Lizenz ist kostenlos für die kommerzielle Nutzung, solange Sie keinen modifizierten Piper-Quellcode weiterverbreiten. Kokoro ist die richtige Wahl, wenn die Einschränkung die Audioqualität ist: Mit 82 Millionen Parametern ist es weiterhin klein und CPU-freundlich, doch Community-Hörvergleiche beschreiben es durchgängig als natürlicher klingend als Piper, und seine Apache-2.0-Lizenz hat überhaupt keine Copyleft-Einschränkungen. Keines der beiden Werkzeuge klont eine Stimme aus einem Sample-Clip — wenn das die tatsächliche Anforderung ist, ist dieser Vergleich nicht die Antwort; siehe stattdessen PromptQuorums XTTS-v2-Test oder den ElevenLabs-Vergleich für eine verwaltete kommerzielle Option. Im Zweifel beginnen Sie mit Piper für die reibungsloseste Installation und die schnellsten Ergebnisse und wechseln Sie zu Kokoro, wenn die Ausgabequalität Ihren Ansprüchen nicht genügt.
Quellen
- Kokoro-82M auf Hugging Face — die Model-Card: Parameter, Architektur, Lizenz, Stimmen und Veröffentlichungsdatum.
- hexgrad/kokoro auf GitHub — der Quellcode der Kokoro-Pipeline und die API-Dokumentation.
- OHF-Voice/piper1-gpl auf GitHub — das aktiv gepflegte Piper-Repository, seine Lizenz und Dokumentation.
- rhasspy/piper auf GitHub — das ursprüngliche, inzwischen archivierte MIT-lizenzierte Repository.
- Piper-TTS-Test — PromptQuorums dedizierter Test von Piper, einschließlich seiner Relizenzierungsgeschichte 2025.