# 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: 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.