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

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

Gemeinsame Trends

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

1. LLM-Backbones sind Standard geworden: Chatterbox nutzt Llama 3, NeuTTS und Gepard bauen auf Qwen-Backbones – TTS-Modelle werden zunehmend wie kleine Sprachmodelle behandelt.
2. Voice Cloning mit wenigen Sekunden Audio ist mittlerweile Basisfunktion, nicht mehr das Alleinstellungsmerkmal.
3. Watermarking (meist via Resemble AIs Perth) setzt sich als Responsible-AI-Standard durch – gleich mehrere Modelle (Chatterbox, NeuTTS) integrieren es standardmäßig.
4. Streaming-Fähigkeit wird zum entscheidenden Wettbewerbsfaktor – sowohl Qwen3-TTS als auch Gepard 1.0 werben explizit mit Latenzen unter 100ms.
5. 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.