TTS 2026: OmniVoice, Qwen3-TTS, Chatterbox, Kokoro, NeuTTS, VoxCPM2 und Gepard 1.0 im Vergleich

Die Open-Source-Landschaft für Text-to-Speech (TTS) hat sich in den letzten 12 Monaten dramatisch verändert. Was früher nur mit teuren APIs wie ElevenLabs möglich war – Zero-Shot-Voice-Cloning, emotionale Kontrolle, Streaming in Echtzeit – gibt es heute frei verfügbar zum Download. In diesem Artikel werfen wir einen detaillierten Blick auf sieben der spannendsten aktuellen TTS-Modelle: OmniVoice, Qwen3-TTS, Chatterbox, Kokoro, NeuTTS, VoxCPM2 und Gepard 1.0.

Kurzüberblick: Die Modelle auf einen Blick

Modell	Entwickler	Parameter	Lizenz	Kernstärke
OmniVoice	k2-fsa	– (Diffusion-LM-Architektur)	Apache 2.0	600+ Sprachen, breiteste Sprachabdeckung
Qwen3-TTS	Alibaba (Qwen-Team)	0.6B / 1.7B	Apache 2.0	Ultra-Low-Latency-Streaming, Instruction-Control
Chatterbox	Resemble AI	0.5B	MIT	Emotion-Exaggeration, schlägt ElevenLabs in Blindtests
Kokoro	hexgrad (Indie)	82M	Apache 2.0	Winziges, extrem effizientes Modell
NeuTTS (Air/Nano/2E)	Neuphonic	120–360M aktiv	Apache 2.0 / NeuTTS Open License	On-Device/Offline, läuft auf CPU/Raspberry Pi
VoxCPM2	OpenBMB	2B	Open Source	Tokenizer-freie Diffusion, 48kHz Studio-Qualität
Gepard 1.0	nineninesix	555M	Open Source	Streaming-first, ~50ms Time-to-First-Audio

1. OmniVoice – Der Sprachen-Champion

OmniVoice von k2-fsa (bekannt aus dem sherpa-onnx-Ökosystem) ist ein massiv multilinguales Zero-Shot-TTS-Modell und unterstützt beeindruckende über 600 Sprachen – das ist die derzeit breiteste Sprachabdeckung unter allen Zero-Shot-TTS-Systemen überhaupt.

Highlights:

Basiert auf einer neuartigen Diffusion-Language-Model-Architektur
Voice Cloning bereits mit 3–10 Sekunden Referenzaudio
Voice Design über Attribute wie Geschlecht, Alter, Tonhöhe, Akzent/Dialekt (inkl. chinesischer Regionaldialekte wie Sichuanesisch) – ganz ohne Referenzaudio
Feinsteuerung über Inline-Tags ([laughter], [sigh]) und Aussprachekontrolle via Pinyin oder CMU-Phonemen
Sehr schnelle Inferenz: RTF (Real-Time Factor) bis zu 0,025 – also 40× schneller als Echtzeit
Lizenz: Apache 2.0, auf GitHub bereits 8.500+ Stars

Einsatzgebiete: Ideal für Projekte, die tatsächlich globale Sprachabdeckung brauchen (Lokalisierung, Sprachassistenten für Nischensprachen), weniger für Ultra-Low-Latency-Dialoganwendungen.

2. Qwen3-TTS – Alibabas Streaming-Kraftpaket

Alibabas Qwen-Team hat mit Qwen3-TTS ein technisch besonders ausgereiftes Modell veröffentlicht, das in zwei Größen erscheint: 0.6B und 1.7B Parameter, jeweils in den Varianten Base (Voice Clone), CustomVoice (feste Premium-Stimmen) und VoiceDesign (Stimme per Text-Prompt erzeugen).

Highlights:

Eigener Tokenizer Qwen3-TTS-Tokenizer-12Hz – erzielt in Benchmarks Bestwerte bei PESQ, STOI und UTMOS gegenüber Konkurrenten wie Mimi oder X-Codec2
Dual-Track-Streaming-Architektur: Ein Modell für Streaming UND Nicht-Streaming, End-to-End-Latenz bis 97ms
Deckt 10 Hauptsprachen ab: Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch, Italienisch
In Benchmarks (Seed-TTS-Test) schlägt Qwen3-TTS-12Hz-1.7B-Base sogar CosyVoice3 und MiniMax-Speech bei der Wortfehlerrate (WER) im Englischen (1,24 vs. 1,45/1,65)
Bei Sprecherähnlichkeit (SIM) und Instruction-Following liegt es klar vor ElevenLabs und GPT-4o-Audio
Day-0-Support in vLLM-Omni für produktionsreife Bereitstellung
Lizenz: Apache 2.0, 12.600+ GitHub-Stars

Einsatzgebiete: Sehr starke Allround-Wahl für mehrsprachige Sprachassistenten und Voice-Agents, besonders wenn Instruction-basierte Emotionssteuerung gewünscht ist.

3. Chatterbox – Der ElevenLabs-Herausforderer

Chatterbox von Resemble AI war einer der ersten Open-Source-Releases, der es 2025 schaffte, in Blindtests gegen ElevenLabs zu bestehen – und ist mittlerweile in Version Multilingual V3 angekommen.

Highlights:

0,5B-Parameter-Modell mit Llama-3-Backbone
Als erstes Open-Source-TTS-Modell mit Emotion-Exaggeration-Control (regelbare emotionale Übertreibung via exaggeration- und cfg-Parameter)
Multilingual V3 deckt 23+ Sprachen ab, inklusive dedizierter "Single Language Packs" für Chinesisch, Hindi und mehrere Spanisch-/Portugiesisch-Varianten
Trainiert auf 0,5 Mio. Stunden Audiodaten
Eingebautes PerTh-Wasserzeichen (überlebt MP3-Kompression) für Responsible-AI-Zwecke
MIT-Lizenz – die freieste Lizenz unter allen hier verglichenen Modellen
Über 2,5 Mio. Downloads/Monat auf Hugging Face

Einsatzgebiete: Sehr beliebt für kreative Inhalte (Memes, Videos, Games), Voice-Agents mit emotionalem Ausdruck – Referenz-Community-Favorit.

4. Kokoro – Klein, aber oho

Kokoro-82M ist das Gegenstück zu den riesigen Modellen: Mit nur 82 Millionen Parametern liefert es laut Entwickler hexgrad Qualität, die mit deutlich größeren Modellen konkurrieren kann.

Highlights:

Basiert architektonisch auf StyleTTS 2
Extrem ressourcenschonend – läuft flüssig auf CPU, sogar im Browser (Kokoro.js via ONNX)
Nutzt die eigene G2P-Bibliothek misaki
Unterstützt mehrere Sprachvarianten (US-/UK-Englisch, Spanisch, Französisch, Hindi, Italienisch, Japanisch, Brasilianisches Portugiesisch, Mandarin)
Apache-2.0-Lizenz, 8.100+ GitHub-Stars
Kein Voice-Cloning-Feature – arbeitet mit vordefinierten Stimm-Presets (z. B. af_heart)

Einsatzgebiete: Perfekt für kosteneffiziente Massenproduktion von Sprache (Podcasts, Hörbuch-Vertonung, eingebettete Anwendungen), wo Server-Kosten und Latenz wichtiger sind als Voice-Cloning.

5. NeuTTS – On-Device-Champion

Die NeuTTS-Familie von Neuphonic (Air, Nano-Multilingual-Collection, 2E) ist explizit für den offline, on-device Betrieb konzipiert – bis hin zum Raspberry Pi.

Highlights:

Verschiedene Backbone-Größen: NeuTTS-Air (~360M aktiv), NeuTTS-Nano (~120M aktiv), NeuTTS-2E (~125M aktiv, mit Emotionssteuerung)
Eigener Audio-Codec NeuCodec (50Hz, Single-Codebook, hohe Qualität bei niedriger Bitrate)
GGUF-Quantisierungen (Q4/Q8) für maximale Effizienz auf CPU
Benchmark-Werte beeindruckend: Auf einem AMD Ryzen 9HX 370 erreicht NeuTTS-Nano 221 Tokens/Sekunde rein auf CPU
Instant Voice Cloning mit nur 3 Sekunden Referenzaudio
Unterstützt Englisch, Spanisch, Deutsch, Französisch (modellabhängig)
Lizenzmix: NeuTTS-Air unter Apache 2.0, neuere Modelle (Nano, 2E) unter der "NeuTTS Open License 1.0"
Eingebautes Perth-Wasserzeichen
Auf GitHub bereits 6.200+ Stars, sehr aktive Entwicklung (fast täglich neue Commits)

Einsatzgebiete: Ideal für Privacy-first-Anwendungen, eingebettete Sprachassistenten, Spielzeuge oder Compliance-sensible Apps, bei denen keine Daten das Gerät verlassen dürfen.

6. VoxCPM2 – Tokenizer-freie Diffusion aus China

VoxCPM2 von OpenBMB (bekannt von den MiniCPM-Sprachmodellen) verfolgt einen architektonisch besonders interessanten Ansatz: Es ist tokenizer-frei und generiert kontinuierliche Sprachrepräsentationen direkt über ein End-to-End-Diffusion-Autoregressive-Modell.

Highlights:

2 Milliarden Parameter – das größte Modell in diesem Vergleich
Kein diskreter Audio-Tokenizer nötig – arbeitet direkt mit kontinuierlichen Repräsentationen, was Informationsverlust reduziert
Unterstützt 30+ Sprachen
Ausgabe in 48kHz Studio-Qualität
Trainiert auf über 2 Millionen Stunden Sprachdaten
Laut Community-Berichten erreicht VoxCPM2 im Similarity-Benchmark rund 85,4 % bei englischer Sprache und gilt als eines der Modelle, die ElevenLabs bei der Sprecherähnlichkeit übertreffen
State-of-the-art oder konkurrenzfähige Ergebnisse bei wichtigen Zero-Shot- und Controllable-TTS-Benchmarks
Open Source über GitHub/Hugging Face

Einsatzgebiete: Für Anwendungen, die höchste Audioqualität (48kHz) und kontextbewusste, ausdrucksstarke Sprache brauchen – z. B. professionelle Synchronisation, Hörbücher, kreative Content-Produktion.

7. Gepard 1.0 – Der Sprint-Champion für Echtzeit-Dialoge

Gepard 1.0 (passenderweise nach dem schnellsten Landtier benannt) von nineninesix ist das jüngste und auf reine Streaming-Performance getrimmte Modell in diesem Vergleich.

Highlights:

555 Millionen Parameter, Qwen3.5-Backbone
Streaming-first: Das Modell beginnt zu sprechen, sobald der erste Text-Chunk eintrifft – Audio wird frame-weise generiert
Beeindruckende Performance-Kennzahlen: ~50ms Time-to-First-Audio (TTFA) und ~20× Real-Time-Factor auf einer einzelnen RTX 5090
Explizit für Real-Time-Dialogue-Synthese konzipiert – also für Sprachassistenten und Konversations-KI, bei denen jede Millisekunde Latenz zählt
Bereits Tag-0-Integrationsarbeit in vLLM-Omni in Vorbereitung
Sehr frisch: erst vor wenigen Wochen open-sourced, aber schon große Aufmerksamkeit auf Reddit/HackerNews/X

Einsatzgebiete: Die klare Nummer 1 für latenzkritische Voice-Agent- und Conversational-AI-Anwendungen (z. B. Telefonie-Bots, Live-Übersetzung), wo eine Reaktionszeit im Millisekundenbereich entscheidend ist.

Direkter Vergleich nach Anwendungsfall

Anwendungsfall	Empfehlung
Maximale Sprachabdeckung (Nischensprachen)	OmniVoice (600+ Sprachen)
Bester Allround-Multilingual-Agent mit Instruction-Control	Qwen3-TTS
Emotionale/kreative Inhalte, MIT-Lizenz gewünscht	Chatterbox
Extrem günstige Massenproduktion (CPU/Browser)	Kokoro
Offline/On-Device/Privacy (Raspberry Pi, Mobile)	NeuTTS
Höchste Audioqualität (48kHz Studio-Sound)	VoxCPM2
Echtzeit-Dialog mit minimaler Latenz	Gepard 1.0

Gemeinsame Trends

Bei der Recherche fallen mehrere Muster auf, die die gesamte Open-Source-TTS-Szene 2026 prägen:

LLM-Backbones sind Standard geworden: Chatterbox nutzt Llama 3, NeuTTS und Gepard bauen auf Qwen-Backbones – TTS-Modelle werden zunehmend wie kleine Sprachmodelle behandelt.
Voice Cloning mit wenigen Sekunden Audio ist mittlerweile Basisfunktion, nicht mehr das Alleinstellungsmerkmal.
Watermarking (meist via Resemble AIs Perth) setzt sich als Responsible-AI-Standard durch – gleich mehrere Modelle (Chatterbox, NeuTTS) integrieren es standardmäßig.
Streaming-Fähigkeit wird zum entscheidenden Wettbewerbsfaktor – sowohl Qwen3-TTS als auch Gepard 1.0 werben explizit mit Latenzen unter 100ms.
Apache 2.0/MIT dominieren als Lizenzmodell, was kommerzielle Nutzung stark vereinfacht (Ausnahme: NeuTTS-Nano/2E mit eigener "Open License").

Fazit

Es gibt kein "bestes" TTS-Modell – die Wahl hängt vollständig vom Anwendungsfall ab. Wer Reichweite über möglichst viele Sprachen sucht, landet bei OmniVoice. Wer ein produktionsreifes Allround-System mit starker Instruction-Steuerung will, ist mit Qwen3-TTS gut bedient. Für kreative, emotionale Sprachausgabe unter freizügiger Lizenz bleibt Chatterbox der Community-Favorit. Wer Kosten minimieren will, greift zu Kokoro. Datenschutz und Offline-Betrieb sprechen für NeuTTS, Studio-Qualität für VoxCPM2 – und wer eine blitzschnelle Sprachausgabe für Echtzeit-Konversationen braucht, sollte sich Gepard 1.0 genau ansehen.

Die gute Nachricht: Alle sieben Modelle sind Open Source und lassen sich kostenlos selbst hosten – ein enormer Fortschritt gegenüber der Zeit, in der hochwertige TTS-Qualität ausschließlich hinter kostenpflichtigen APIs verschlossen war.