12. November 2026 · VRAMfarm-Team
Text to Speech auf eigener GPU: Qwen3-TTS, VoxCPM2 und Stimmklonen mit Chatterbox
Ein Schulungskurs von 40 Minuten braucht bis Freitag einen Sprecher, auf Englisch und Deutsch. Auf einer gemieteten 12-GB-Karte mit einem Open-Source-Sprachmodell ist die Vertonung an einem Nachmittag fertig und kostet auf einer RTX 3060 etwa 0,18 € GPU-Zeit. Text to Speech ist eine der wenigen KI-Aufgaben, für die die günstigsten Karten im Katalog reichen: Die Modelle sind klein, und die eigentliche Arbeit stecken Sie in Ihr Skript und Ihr Gehör.
Wir haben drei fertige Sprach-Apps, die Sie kostenlos nutzen; Sie zahlen nur für die GPU-Zeit, ab 0,12 € pro Stunde auf einer RTX 3060. Jede ist für etwas anderes gut.
Drei Apps, drei Aufgaben
| Qwen3-TTS | VoxCPM2 | Chatterbox Multilingual | |
|---|---|---|---|
| Entwickelt von | Alibaba (Qwen) | OpenBMB | Resemble AI |
| Am besten für | Fertige Stimmen, die Sie mit Worten steuern | Natürliche Betonung, lange Texte | Sprechen mit einer Stimme aus Ihrer Aufnahme |
| Ihre eigene Stimme | Nein (in unserer App nur fertige Stimmen) | Ja, aus einer Probe plus deren Transkript | Ja, aus etwa 5–10 Sekunden |
| Stimme aus einer Beschreibung | Stilanweisungen („ruhig, langsamer“) | Ja („eine tiefe, warme Männerstimme“) | Nein |
| Sprachen | Etwa 10 große | 30 | 23 |
| Lizenz | Apache 2.0 | Apache 2.0 | MIT |
| Unsere App braucht | 12 GB | 12 GB | 12 GB |
Qwen3-TTS ist am einfachsten: Wählen Sie eine der eingebauten Stimmen, fügen Sie den Text ein und ergänzen Sie bei Bedarf eine Anweisung wie „fröhlich, etwas schneller“. Gut für Hinweise, Erklärvideos und alles, wofür eine gleichbleibende Standardstimme genügt. Zur Qwen3-TTS-Familie gehört auch ein eigenes Klonmodell, das Sie selbst auf einem leeren Server installieren können.
VoxCPM2 klingt von den dreien am lebendigsten: Pausen, Fragen und Ausrufe kommen so heraus, wie ein Mensch sie lesen würde. Nehmen Sie es für Hörbücher, Podcasts und lange Sprechertexte. Es kann eine Stimme nach einer Beschreibung entwerfen oder eine aus einer kurzen Probe übernehmen, wenn Sie das Transkript der Probe mitgeben.
Chatterbox ist das Modell zum Klonen: Laden Sie eine saubere Aufnahme von ein paar Sekunden hoch, und es liest jeden Text mit dieser Stimme, in 23 Sprachen. Außerdem hat es einen Regler „exaggeration“, mit dem der Vortrag flacher oder ausdrucksstärker wird.
Alle drei öffnen sich in Ihrem Browser. Die Seite zu Text to Speech hat Hörproben desselben Textes in jeder App, und so wählen Sie am schnellsten.
VRAM und welche Karte Sie mieten
Es sind kleine Modelle mit jeweils ein paar Gigabyte Gewichten (bei VoxCPM2 etwa 5 GB). Im Betrieb belegen sie etwa 6–8 GB VRAM. Eine 12-GB-Karte hat also genug Platz, und unsere Apps verlangen 12 GB. Die RTX 3060 ist die günstigste Karte, die das erfüllt; eine RTX 3080 mit 10 GB ist für unsere Apps zu knapp.
Eine schnellere Karte hilft, aber weniger, als Sie vielleicht erwarten. Sprachmodelle erzeugen Audio Stück für Stück. Eine Karte mit zwei- oder dreimal so viel Rechenleistung liefert jeden Satz also schneller, aber nicht im selben Verhältnis günstiger. Als grobe Regel:
- RTX 3060 (12 GB): gut für eine Vertonung, die Sie sich Satz für Satz anhören.
- RTX 4090 oder RTX 5090: lohnt sich, wenn Sie stundenlange Texte in einem Batch vertonen oder wenn Sie 20 Sekunden Wartezeit pro Absatz ausbremsen.
- Alles mit 48 GB oder mehr: bringt für diese Modelle nichts. Sie zahlen für Speicher, der leer bleibt.
Tempo und Kosten pro Stunde Sprechertext
Auf einer 12-GB-Karte brauchen ein paar Sätze mit Qwen3-TTS zwischen 10 und 30 Sekunden und eine einzelne Phrase mit Chatterbox 5–20 Sekunden, je nach Länge. Das ergibt auf einer RTX 3060 etwa 1–2,5 Sekunden GPU-Zeit pro Sekunde Sprache, auf einer RTX 4090 etwa 0,4–1 Sekunde. Das sind grobe Planungswerte, keine Benchmarks: Textlänge, Einstellungen und Modellversion verschieben sie, und der erste Satz einer Sitzung ist immer langsamer, weil das Modell noch lädt.
Für eine Stunde fertigen Sprechertext (etwa 9.000 Wörter, jeweils mit der Mitte der Spanne gerechnet):
| Karte | GPU-Zeit pro Stunde Sprache | Kosten |
|---|---|---|
| RTX 3060 | etwa 1 h 45 min | 0,21 € |
| RTX 4090 | etwa 40 min | 0,41 € |
Dazu kommen die Minuten, in denen Sie zuhören und Sätze neu erzeugen, meist 10–20 % davon, und ein paar Minuten am Anfang, in denen die App ihre Pakete installiert und die Gewichte herunterlädt. Diese Installationsminuten werden berechnet, ebenso der Download als Traffic zum Tarif der Maschine. Selbst mit Wiederholungen und Installation kommt eine Stunde Sprechertext auf einer RTX 3060 auf etwa 0,26 €. Der Ratgeber zur Abrechnung erklärt das Minimum von 15 Minuten pro Start und warum es sinnvoll ist, alles in einer Sitzung zu vertonen.
Eine Stimme klonen: Die Aufnahme entscheidet
Mit Chatterbox (oder VoxCPM2) hängt die Qualität des Klons viel stärker von der Probe ab als von der Karte.
- Länge: 5–10 Sekunden durchgehende Sprache. Längere Proben helfen nur, wenn sie sauber bleiben.
- Sauber: ein Sprecher, keine Musik, kein Raumhall, keine Artefakte einer Rauschunterdrückung. Ein Handy dicht am Mund in einem eingerichteten Zimmer schlägt ein gutes Mikrofon in einer kahlen Küche.
- Der richtige Ton: Der Klon übernimmt auch den Vortrag. Lesen Sie die Probe so, wie der Sprechertext klingen soll, ruhig für einen Kurs, lebhaft für eine Werbung.
- Die richtige Sprache: Eine Probe in der Zielsprache ergibt den besten Akzent. Ist die Probe in Chatterbox in einer anderen Sprache, verringert ein Wert der Guidance-Einstellung (CFG weight) bei oder nahe 0 den übernommenen Akzent.
- Bei VoxCPM2: Tippen Sie den genauen Wortlaut der Probe in das Transkriptfeld. Ein falsches Transkript verschlechtert den Klon.
Klingt die Stimme gehetzt, senken Sie das CFG weight in Chatterbox ein wenig; klingt sie monoton, erhöhen Sie „exaggeration“. Ändern Sie immer nur eine Einstellung und lassen Sie den Seed beim Vergleichen fest.
Lange Texte, ohne den Verstand zu verlieren
Die Apps sind für Absätze gemacht, nicht für ganze Bücher am Stück. Ein Ablauf, der sich bewährt:
- Teilen Sie das Skript in Absätze von zwei bis fünf Sätzen. Einen Absatz neu zu erzeugen geht schneller als ein ganzes Kapitel.
- Schreiben Sie Zahlen, Daten und Abkürzungen aus. „Zehntausend Euro“ und „der zwölfte März“ kommen richtig heraus; „10.000 €“ und „12.03.“ manchmal nicht.
- Steuern Sie mit Satzzeichen. Kommas geben kurze Pausen, Punkte längere, Fragezeichen heben das Satzende an.
- Nummerieren Sie Ihre Dateien (
01.wav,02.wav), wenn Sie sie aus dem Player herunterladen. - Fügen Sie sie danach zusammen, in Audacity, Ihrem Videoschnittprogramm oder mit ffmpeg.
Für einen langen Batch zeigt der Link „Use via API“ unten in jeder App, wie Sie sie aus einem Skript mit Pythons gradio_client aufrufen, ein Absatz pro Aufruf. So wird ein Skript mit 9.000 Wörtern zu einer Schleife, die Sie starten und später wieder ansehen.
Laden Sie jeden Clip herunter, sobald er fertig ist. Die Apps legen erzeugtes Audio in temporären Dateien außerhalb von /workspace ab. Es ist also nicht im gespeicherten Ordner und verschwindet, wenn der Server stoppt. Ihre Referenzaufnahme und Ihre Skripte können in /workspace liegen und überstehen Speichern und stoppen; die Modellgewichte werden beim nächsten Start erneut heruntergeladen. Siehe was mit Ihren Dateien passiert, wenn Sie eine GPU stoppen.
Wessen Stimme ist das? Einwilligung und der AI Act der EU
Eine Stimme zu klonen ist technisch inzwischen trivial, und genau deshalb zählen die Regeln. Das hier sind allgemeine Informationen, keine Rechtsberatung; für ein kommerzielles Projekt mit der Stimme eines anderen Menschen fragen Sie einen Anwalt in Ihrem Land.
- Ihre eigene Stimme: dürfen Sie klonen und nutzen.
- Die Stimme eines anderen Menschen: nur mit dessen klarer Erlaubnis, am besten schriftlich, mit Angabe, wofür und wie lange sie genutzt wird. Das gilt auch für Freunde, Kollegen und Sprecher. Viele Verträge von Sprechern erwähnen das Klonen mit KI inzwischen ausdrücklich; prüfen Sie das, statt es anzunehmen.
- Personen des öffentlichen Lebens und Verstorbene: lassen Sie es. Die Stimme eines realen Menschen ohne Einwilligung nachzuahmen, kann in vielen Ländern Persönlichkeitsrechte und das Recht am eigenen Bild oder an der eigenen Vermarktung verletzen, und in manchen ist es strafbar, wenn es zur Täuschung eingesetzt wird.
- Die Aufnahme ist ein personenbezogenes Datum. Eine Stimmprobe einer identifizierbaren Person fällt unter die DSGVO, und eine Stimme, mit der jemand erkannt werden soll, gilt als biometrisches Datum. Bewahren Sie die Probe nur so lange auf, wie Sie sie brauchen.
Der AI Act der EU bringt in Artikel 50 Transparenzpflichten, die ab August 2026 gelten; einige Details und Übergangsfristen wurden im Laufe von 2026 noch angepasst, prüfen Sie also vor einer kommerziellen Veröffentlichung den aktuellen Stand. Grob gesagt: Systeme, die synthetisches Audio erzeugen, sollen es als maschinell erzeugt kennzeichnen, und wenn Sie Audio veröffentlichen, das einen realen Menschen so nachahmt, dass es für echt gehalten werden könnte, wird von Ihnen erwartet, dass Sie es als künstlich offenlegen. Für eindeutig künstlerische oder satirische Werke gelten leichtere Regeln. Welche Pflichten Sie treffen, hängt von Ihrer Rolle und der Nutzung ab. Eine einfache Gewohnheit deckt die meisten Fälle ab: Schreiben Sie in den Abspann oder die Beschreibung, dass die Stimme mit KI erzeugt ist.
Chatterbox versieht jede erzeugte Datei mit dem unhörbaren Wasserzeichen von Resemble AI, das Erkennungswerkzeuge auslesen können. Soweit wir wissen, fügen Qwen3-TTS und VoxCPM2 standardmäßig keines hinzu; die Offenlegung liegt dann bei Ihnen.
Brauchen Sie dafür eine eigene GPU?
Ehrlich gesagt nicht immer. Für ein paar Sätze pro Woche ist ein gehosteter TTS-Dienst oder ein kleines Modell auf der CPU Ihres Laptops weniger Aufwand, und manche kommerziellen Dienste haben in bestimmten Sprachen ausgefeiltere Standardstimmen. Eine gemietete GPU ist das bessere Geschäft, wenn Sie stundenlange Texte vertonen, mehrere Sprachen mit einer Stimme brauchen, eine geklonte Stimme wollen, die nie eine Maschine unter Ihrer Kontrolle verlässt, oder keine Abrechnung pro Zeichen möchten. Starten Sie eine RTX 3060 mit der passenden App, vertonen Sie den ersten Absatz, und nach 15 Minuten wissen Sie, ob es richtig klingt.