Was ist YoVoice?
YoVoice ist ein lokales Audio-Studio: Es wandelt Text in Sprache um, gestaltet oder klont eine Stimme, erzeugt Songs und Instrumentals und arrangiert Mehrspur-Partituren mit Modellen, die Sie auf Ihrem eigenen Computer herunterladen und ausführen. Das README bezeichnet es als quelloffenes Studio für macOS, Windows und Linux; das Projekt schreibt seinen Namen „yovoice“, und seine Website ist zuerst auf Chinesisch mit einer englischen Version.
Die Inferenz-Engine ist audio.cpp, eine native C++-Engine von ShugoAI, sodass laut README keine Python- oder Conda-Einrichtung nötig ist. Version 0.8.0 brachte laut Changelog das Teilen von Songs in der Community, anpassbare Tastenkürzel, sechs Designs und neue Spracherkennungsmodelle.
So erhalten Sie es
YoVoice ist ein Download für macOS (Apple Silicon), Windows und Linux, der sich wie jede andere App installiert; zusätzlich gibt es ein eigenständiges CLI-Archiv, und für die Desktop-App ist kein Terminal nötig.
Option | Bezugsquelle |
|---|---|
| macOS | .dmg für Apple Silicon, macOS 14 oder neuer: GitHub Releases |
| Windows | Setup-.exe für x64, mit CUDA-12.4- und 13.3-Varianten: GitHub Releases |
| Linux | .deb (Debian/Ubuntu) oder .tar.gz für x64: GitHub Releases |
| CLI | Eigenständiges Zip je Betriebssystem: CLI-Anleitung |
| Website | yovoice.leemysw.com |
| Datenschutzerklärung | Keine gefunden; es gibt nur Community-Bedingungen |
| Quellcode | github.com/leemysw/yovoice, Apache-2.0-Lizenz |
Geprüfte Version: 0.8.0, veröffentlicht am 15. November 2026 laut GitHub-Release-Seite; die neueste Änderung am Hauptzweig stammt vom 17. November 2026. GitHub ist nur der Lieferweg für diese Installer, und die Modelle werden separat in der App heruntergeladen.
Voraussetzungen
In den Quellen ist kein Mindestwert für RAM, VRAM oder Speicherplatz genannt; anspruchsvoll sind die Modelle, die separat heruntergeladen werden und sehr unterschiedlich groß sind.
Betriebssystem
- Was die Quellen sagen:
- macOS 14 oder neuer auf Apple Silicon, Windows 10/11 x64, Linux x64; der Windows-Installer holt bei Bedarf die WebView2-Runtime, und Linux braucht WebKitGTK 4.1 (das .deb installiert es)
Beschleunigung
- Was die Quellen sagen:
- Metal unter macOS; die Windows-Installer mit CUDA 12.4 und 13.3 bündeln eine Laufzeit für NVIDIA-GPUs; Linux läuft von Haus aus auf der CPU, eine Vulkan-GPU-Laufzeit lässt sich in den Einstellungen laden
Speicher und VRAM
- Was die Quellen sagen:
- Hängt vom Modell ab; die Dokumentation nennt Dateigrößen je Modell, etwa IndexTTS 2.5 mit 3,50 GB in Q8, und empfiehlt für Breeze TTS 2 eine GPU
Modelle
- Was die Quellen sagen:
- In der App oder mit der CLI heruntergeladen, mit Pause und Fortsetzen; die Quellen nennen keine Gesamtgröße der Downloads
Datenordner
- Was die Quellen sagen:
- Standardmäßig ~/.yovoice, in den Einstellungen verschiebbar; das Deinstallieren der App behält ihn
Internet
- Was die Quellen sagen:
- Nötig zum Herunterladen von Modellen und Laufzeiten; laut Dokumentation funktioniert die Erzeugung offline, sobald Engine und ein Modell installiert sind
Die Backends entsprechen den Angaben in README und CLI-Anleitung; PromptQuorum hat nicht geprüft, welche Modelle auf welchem Backend laufen.
Von den Quellen bestätigte Funktionen
Jeder Punkt unten stammt aus README, Dokumentation oder Changelog; keiner wurde unabhängig getestet.
- Sprache, Stimmgestaltung und Klonen. Eine Stimme aus einer Referenzaufnahme klonen, eine aus einer Textbeschreibung gestalten und Emotion und Vortrag anpassen; die Modellliste umfasst IndexTTS 2.0 und 2.5, VoxCPM2, Qwen3-TTS, XTTS v2 und Kokoro.
- Geschichten vertonen. Text- oder Untertiteldateien importieren, jeder Zeile eine Figur zuweisen und Zeile für Zeile erzeugen, mit mehreren Takes je Zeile zum Vergleichen.
- Musik und Partituren. Songs mit Text und Instrumentals über ACE-Step 1.5 oder YuE2, Instrumentals und Soundeffekte über Stable Audio 3, Trennung eines Songs in sechs Stems sowie General-MIDI-Partituren mit MIDI- und Stem-Export.
- Transkription. Audio oder Video wird zu zeitgestempelten Untertitelzeilen, exportiert als SRT oder WebVTT, mit Modellen wie Qwen3 ASR und Parakeet.
- Agenten und API. Ein installierbarer Agent Skill samt CLI, eine authentifizierte HTTP-API mit MCP-Endpunkt über
yovoice serve, eine lokale API in der Desktop-App auf 127.0.0.1 und ein optionales Assistenten-Panel, das mit Diensten wie DeepSeek, Qwen, OpenAI, Anthropic, Ollama und LM Studio arbeitet. - Oberfläche. Zwölf Oberflächensprachen, sechs Designs und anpassbare Tastenkürzel.
Kosten
Die App ist unter der Apache-2.0-Lizenz kostenlos, und weder die Website noch das Repository nennt einen Bezahlplan, eine Testphase oder ein Abonnement.
App
- Was die Quellen sagen:
- Kostenlos; nur das Teilen in der Community wird als kontopflichtig beschrieben
KI-Assistent
- Was die Quellen sagen:
- Optional; eine nutzungsabhängige API oder ein Tarif des angebundenen Anbieters oder ein lokaler Ollama- oder LM-Studio-Dienst, der meist keinen Schlüssel braucht
Modelle
- Was die Quellen sagen:
- Die Dokumentation beschreibt den Modell-Download in der App und nennt keine Gebühr; die Lizenzen unterscheiden sich je Modell
In keiner Währung wurde ein Preis genannt; die strukturierten Daten der Website nennen für die App einen Preis von 0 USD.
Datenfluss und Datenschutz
Das README sagt, die Erzeugung laufe vollständig auf Ihrer eigenen CPU oder GPU, und Manuskripte, Referenzstimmen und Werke verließen den Computer nie; die Website wiederholt „100 % Offline-Datenschutz“. Das Architekturdokument ergänzt, dass abgesehen von Modell- und Laufzeit-Downloads und vom Teilen in der Community, das ein Nutzer anstößt, nur der von Ihnen konfigurierte KI-Dienst das Netzwerk nutzt; das README beschreibt separat Update-Prüfungen im Hintergrund unter macOS und Windows.
Der optionale Assistent sendet Ihre eingegebene Anfrage und eine feste Anweisung direkt an den von Ihnen gewählten Anbieter, und die Schlüssel liegen mit Zugriffsrechten nur für den Besitzer in der lokalen Datenbank. Das mit 0.8.0 eingeführte Teilen in der Community lädt nach der Anmeldung mit einem leemysw-Konto eine Vorschau-Audiodatei und ein Projektpaket hoch, und laut Community-Bedingungen werden bei der Anmeldung die Version der Bedingungen, die Zeit und Ihre Netzwerkadresse gespeichert.
📌Hinweis: Das sind Erklärungen des Herstellers, keine Prüfergebnisse. PromptQuorum hat weder den Code gelesen noch den Netzwerkverkehr der App untersucht, und da es keine Datenschutzerklärung zu lesen gibt, stammen diese Aussagen allein aus README und Dokumentation.
Stimmklonen, Einwilligung und Modelllizenzen
Zum Klonen genügt eine Referenzaufnahme, und README sowie die gelesenen Dokumentationsseiten beschreiben keine Prüfung, ob die Stimme dem Nutzer gehört; die Einwilligung liegt daher in Ihrer Verantwortung. Die Community-Bedingungen des Herstellers verbieten das Teilen der Stimme einer realen Person ohne deren Einwilligung, einschließlich Klonen von Personen des öffentlichen Lebens, Schauspielern und Sängern, sowie Identitätstäuschung; diese Bedingungen gelten für die Community, nicht für die private Nutzung der App.
- Einwilligung und Recht. Ob das Klonen einer Stimme zulässig ist, hängt von der Person, dem Zweck und dem Land ab; diese Rezension ist keine Rechtsberatung, und PromptQuorum hat keine Rechtsordnung geprüft.
- Modelllizenzen unterscheiden sich. Laut README sind die Gewichte von OmniVoice, YuE2, Breeze TTS 2, Voxtral 4B TTS und MuScriptor auf nicht kommerzielle Nutzung beschränkt, XTTS v2 und Drama 3 haben eigene Lizenzen von Coqui und Fish Audio, IndexTTS-Modelle eine eigene Modelllizenz, und Stable Audio 3 ist unter einem Jahresumsatz von 1 Mio. USD nach der Stability AI Community License kostenlos. Die Apache-2.0-Lizenz gilt für die App, nicht für diese Gewichte.
- Regeln zum Teilen. Die Community-Bedingungen verlangen, die Quelle einer Stimme wahrheitsgemäß anzugeben (eigene Stimme, eine andere Person mit klarer Einwilligung oder eine synthetische Stimme), und für Werke aus Modellen, die kommerzielle Nutzung verbieten, eine nicht kommerzielle Lizenz zu wählen.
Was wir nicht überprüfen konnten
- Ausgabequalität und Geschwindigkeit. PromptQuorum hat weder Sprache noch Musik angehört, die Erzeugungsgeschwindigkeit gemessen noch die Klongenauigkeit eines Modells getestet; die Website bietet Hörproben, die wir nicht bewertet haben.
- Reife des Projekts. Das Repository wurde am 15. September 2026 angelegt und unter dem Namen eines einzelnen Entwicklers veröffentlicht, die langfristige Pflege ist daher unbekannt.
- Aufbewahrung von Takes. Der Abschnitt „Unreleased“ des Changelogs sagt, eine Korrektur verhindere, dass die Erzeugung ältere Takes nach zehn Versionen stillschweigend löscht; ob Version 0.8.0 sich so verhält, haben wir nicht geprüft, sichern Sie daher Takes, die Sie brauchen.
- Sprachabdeckung. Die unterstützten Sprechsprachen hängen vom Modell ab, und die Quellen nennen keine Gesamtzahl; wir haben keine Sprache getestet.
- Signierung der Installer. Ob die macOS- und Windows-Installer notarisiert oder code-signiert sind, wurde nicht geprüft.
Wettbewerber und Alternativen
Voicebox
- Plattformen:
- macOS, Windows (Linux aus Quellcode)
- Preis / Lizenz:
- Kostenlos / MIT
- Wesentlicher Unterschied:
- Stimmklonen, Text-to-Speech und Whisper-Diktat mit MCP-Server; laut Rezension keine Musikgenerierung oder Partitur-Erstellung
Artikel über Voicebox (1)
- Voicebox Review: Open-Source Local Voice StudioAktualisiert 26. Oktober 2026
Auch erwähnt in:
- Univocal Review: Read-Aloud and Dictation on Your MacAktualisiert 16. November 2026
XTTS v2
- Plattformen:
- macOS, Windows, Linux
- Preis / Lizenz:
- Kostenlos / CPML
- Wesentlicher Unterschied:
- Ein einzelnes Klonmodell als Bibliothek, ohne Studio, Musik oder Agenten-Funktionen
Artikel über XTTS v2 (9)
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of AudioAktualisiert 5. September 2026
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)Aktualisiert 19. November 2026
- Local ElevenLabs Alternatives: Piper vs XTTS v2 (2026)Aktualisiert 19. November 2026
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)Aktualisiert 19. November 2026
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple SiliconAktualisiert 11. September 2026
- Best Local TTS Engine for Raspberry Pi (2026)Aktualisiert 11. September 2026
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM SetupAktualisiert 11. September 2026
- Piper vs Chatterbox TTS (2026): Fast Local Speech or Voice Cloning?Aktualisiert 11. September 2026
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?Aktualisiert 11. September 2026
+6 weitere nicht angezeigt
Coqui TTS
- Plattformen:
- macOS, Windows, Linux
- Preis / Lizenz:
- Kostenlos / MPL 2.0
- Wesentlicher Unterschied:
- Ein Python-Toolkit, das Text-to-Speech-Modelle aus Code ausführt, kein Desktop-Studio
Artikel über Coqui TTS (6)
- Coqui TTS Review: The Community-Maintained Voice-Cloning ToolkitAktualisiert 5. September 2026
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)Aktualisiert 19. November 2026
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice AgentsAktualisiert 13. November 2026
- Best Local TTS Engine for Raspberry Pi (2026)Aktualisiert 11. September 2026
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and SpeechAktualisiert 6. September 2026
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of AudioAktualisiert 5. September 2026
Auch erwähnt in:
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)Aktualisiert 19. November 2026
- Build a Fully Offline Voice Assistant in 2026: Whisper + LLM + Piper (Step-by-Step)Aktualisiert 9. November 2026
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTSAktualisiert 19. September 2026
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple SiliconAktualisiert 11. September 2026
+3 weitere nicht angezeigt
Bark
- Plattformen:
- macOS, Windows, Linux
- Preis / Lizenz:
- Kostenlos / MIT
- Wesentlicher Unterschied:
- Ein Text-zu-Audio-Modell, das aus Code läuft, laut Rezension ohne eigenes Stimmklonen
Artikel über Bark (7)
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and SpeechAktualisiert 6. September 2026
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)Aktualisiert 19. November 2026
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)Aktualisiert 19. November 2026
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice AgentsAktualisiert 13. November 2026
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple SiliconAktualisiert 11. September 2026
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM SetupAktualisiert 11. September 2026
- StyleTTS 2 Review: Columbia's MIT-Licensed Research Model for Natural SpeechAktualisiert 6. September 2026
Auch erwähnt in:
- Open-LLM-VTuber Review: Self-Hosted Voice Chat with a Live2D AvatarAktualisiert 24. Oktober 2026
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTSAktualisiert 19. September 2026
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?Aktualisiert 11. September 2026
+3 weitere nicht angezeigt
Das sind Apps derselben Kategorie aus dem PromptQuorum-Verzeichnis; prüfen Sie Preis, Lizenz und Plattformen jeder App auf ihrer eigenen Seite.
Häufig gestellte Fragen
Kann ich es aus einem Skript oder von einem KI-Agenten aus betreiben?
Ja: Die CLI funktioniert ohne die Desktop-App, und ein installierbarer Agent Skill lässt einen Agenten CLI, Engine und Modell einrichten. Server und lokale API der App nutzen ein vorab konfiguriertes Bearer-Token statt einer OAuth-Anmeldung, und die lokale API ist nur vom selben Computer aus erreichbar.
Mit welchem Modell sollte ich beginnen?
Der Quick Start empfiehlt Kokoro-82M für schnelle Sprecherstimmen oder VoxCPM2 zum Klonen, und laut Dokumentation hat Kokoro eingebaute Stimmen und kein Klonen. Wir haben die Ausgabequalität nicht verglichen.
Unterstützt es meine Sprache?
Die Oberfläche hat zwölf Sprachen, die Sprachausgabe hängt aber vom Modell ab: Laut Dokumentation ergänzt IndexTTS 2.5 Japanisch, Spanisch und Arabisch zu Chinesisch und Englisch, XTTS v2 deckt 17 Sprachen ab und Audio8 TTS Realistic 11. Wir haben keine davon getestet.
Kann der KI-Assistent vollständig lokal laufen?
Laut Dokumentation kann er sich mit Ollama oder LM Studio auf demselben Computer verbinden; sie ergänzt, größere Modelle schrieben deutlich bessere Arrangements, und kleine lokale Modelle könnten die Formatprüfung nicht bestehen.
Enthalten geteilte Songs meine Referenzstimmen?
Nein: Laut Community-Bedingungen und Architekturdokument enthält ein geteiltes Paket Audio, Text und Erzeugungseinstellungen dieser Version, aber keine Referenzstimmen, eine Person prüft jedes Werk vor der Veröffentlichung, und geteilte Werke lassen sich in den Einstellungen der App löschen.
Fazit
YoVoice ist ein junger, aber aktiv entwickelter Weg unter Apache-2.0, auf dem eigenen Computer Sprache zu erzeugen, Stimmen zu klonen und KI-Musik zu machen, mit einer CLI und einem MCP-Server, über die Agenten es steuern können. Seine Offline-Aussagen stammen aus README und Dokumentation statt aus einer unabhängigen Prüfung, das Repository ist erst zwei Monate alt und hat nur einen namentlich genannten Entwickler, mehrere Modellgewichte verbieten die kommerzielle Nutzung, und der Mac-Build deckt nur Apple Silicon ab. Es eignet sich für Kreative und Entwickler, die ein kostenloses lokales Audio-Werkzeug wollen und große Modelldateien herunterladen; wer nachgewiesene Ausgabequalität, Klarheit zur kommerziellen Nutzung je Modell oder eine geprüfte Datenrichtlinie braucht, sollte es testen und zuvor die Lizenz jedes Modells lesen.
Quellen
- Website von YoVoice — Beschreibung, Plattformen und Downloads.
- Community-Bedingungen von YoVoice — Regeln zum Teilen, Stimmeinwilligung, anwendbares Recht und gespeicherte Daten, gültig ab 12. November 2026.
- YoVoice auf GitHub — README, Apache-2.0-Lizenz und Hinweise zu Modelllizenzen.
- YoVoice-Release 0.8.0 — Version, Datum und Installer-Dateien.
- Leitfaden zur Modellauswahl — Modelle, Eingaben, Sprachen und Dateigrößen.
- Leitfaden zum KI-Dienst — Assistenten-Anbieter, Schlüsselspeicherung und Grenzen.
- Leitfaden zu API und MCP — Server, lokale API und MCP-Werkzeuge.
- CLI-Anleitung — CLI-Installation und Backends.
- Architekturnotizen — Prozesse, Netzwerknutzung und Datenordner.
- Changelog — Änderungen in 0.8.0 und unveröffentlichte Korrekturen.
