Coqui TTS / XTTS-v2

Voice-Cloning aus ~6 Sekunden Referenz-Audio, 17 Sprachen inkl. Deutsch. Für private Projekte beeindruckend; kommerziell wegen Lizenz tabu.

So nutzt du es

Am einfachsten per Ollama: ollama pull <modellname> und dann ollama run <modellname> — oder komfortabel mit LM Studio (grafische Oberfläche, Modell-Suche eingebaut). Die Hardware-Angaben unten beziehen sich auf die übliche 4-Bit-Quantisierung (Q4).

Größen & Hardware

• Empfohlene Hardware (Q4): GPU empfohlen

Im Detail

XTTS-v2 klont eine Stimme aus nur rund 6 Sekunden Referenz-Audio und spricht damit Text in 17 Sprachen, inklusive Deutsch – für ein offenes Modell eine beeindruckende Leistung. Eine GPU wird empfohlen, auf CPU wird es spürbar langsam. Für private Projekte, Prototypen und Experimente ist es eine der zugänglichsten Voice-Cloning-Optionen ohne Cloud-Dienst. Wichtig: Die Coqui-Lizenz schließt kommerzielle Nutzung aus, daher ist es für Firmenprojekte tabu – wer eine Stimme kommerziell einsetzen will, muss auf lizenzfreie Alternativen ausweichen oder Rechte klären.

Praxis-Tipp

Für einen schnellen Test reichen 6 Sekunden saubere Audioaufnahme einer Zielstimme plus ein deutscher Beispielsatz – so lässt sich die Klonqualität ohne Cloud-Dienst direkt beurteilen.

Lizenz & Quelle

• Lizenz: Code: MPL-2.0; XTTS-Gewichte: Coqui Public Model License = nicht kommerziell!
• Quelle: GitHub
• Quelle: HF