Herbst 2026 · Aus der Tranquility-Basis
Ins Mondstudio ↗
Spieleentwicklung

Kokoro TTS und Chatterbox: KI-Stimme kostenlos für Spiele

KI-Stimme kostenlos und kommerziell nutzbar: Kokoro TTS, Chatterbox und Qwen3-TTS ohne GPU. Stimmenklonen mit KI und Tests auf Deutsch.

In der Bar einer Mondbasis strömen orange Schallwellen aus einem Laptop zu einem Roboter-Barkeeper, der ein Glas poliert; ein Astronaut mit Kopfhörern sitzt auf einem Barhocker und zeigt den Daumen nach oben
In der Bar einer Mondbasis strömen orange Schallwellen aus einem Laptop zu einem Roboter-Barkeeper, der ein Glas poliert; ein Astronaut mit Kopfhörern sitzt auf einem Barhocker und zeigt den Daumen nach oben

Die Startseite dieser Website ist eine Mondbasis. Wer terryl.in öffnet, landet in einem kleinen 3D-Spiel, gebaut mit Three.js. Man steuert einen Astronauten durch die Basis, zieht den Raumanzug an, geht durch die Luftschleuse hinaus auf die Mondoberfläche oder bestellt an der Bar einen Cocktail. Der Blog „Mondbasis-Logbuch“ dokumentiert, wie diese Basis Schritt für Schritt entsteht.

In der Bar arbeitet ein Roboter-Barkeeper namens Arthur. Die Figur ist eine Hommage an Arthur, den androiden Barkeeper aus dem Film Passengers (2016). Genau wie sein Vorbild ist er sanft, ausgesucht höflich und spricht ohne jede Mimik. Einige seiner Sätze sind aus dem Film übernommen und leicht abgewandelt, wer ihn gesehen hat, wird sie wiedererkennen. Fragt man ihn, warum er ständig dasselbe Glas poliert, antwortet er: „Wenn ich das Glas nicht wischen würde, müsste ich Konversation machen.“ Nur: Bisher sind all diese Sätze bloß Text in einer Sprechblase.

Im letzten Beitrag habe ich mit Stable Audio 3 Small SFX die Soundeffekte für die Mondbasis erzeugt, diesmal geht es um Stimmen. Wer früher Spielfiguren vertonen wollte, musste Sprecher buchen oder einen Cloud-Dienst für KI-Sprachausgabe wie ElevenLabs nutzen, der nach Zeichen abrechnet. Heute gibt es mehrere Open-Source-TTS-Modelle (Text to Speech), die kostenlos und kommerziell nutzbar sind. Man lädt sie auf den eigenen Rechner, zahlt nichts pro Aufruf und hat damit eine echte kostenlose Alternative zu ElevenLabs.

In diesem Beitrag vergleiche ich die Open-Source-TTS-Modelle, die sich derzeit am meisten lohnen. Ich habe Kokoro TTS und Chatterbox TTS auf einem Laptop ohne Grafikkarte installiert, Arthur auf Englisch und Deutsch sprechen lassen und das kostenlose Stimmenklonen mit KI ausprobiert, damit die Figur in jedem Satz dieselbe Klangfarbe behält.

Welcher KI-Sprachgenerator passt? Open-Source-TTS für kommerzielle Projekte im Vergleich

Zuerst das Fazit. Bei diesen Modellen habe ich die Lizenzen geprüft. Alle sind kommerziell nutzbar:

Modell

Parameter

Lizenz

Stimme klonen

Sprachen

Hardware

Kokoro-82M

82 Millionen

Apache 2.0

Nein, 54 eingebaute Stimmen

8, kein Deutsch

Läuft auf der CPU

Chatterbox-Nano

110 Millionen

MIT

Ja

Nur Englisch

Läuft auf der CPU

Chatterbox-Turbo

350 Millionen

MIT

Ja

Nur Englisch

CPU möglich, langsamer

Chatterbox (Original, Multilingual V3, chinesische Version)

500 Millionen

MIT

Ja

Multilingual V3: 23, inklusive Deutsch

CPU möglich, sehr langsam

Step Audio EditX

rund 3 Milliarden

Apache 2.0

Ja

Stark im Chinesischen

NVIDIA-Grafikkarte nötig

Qwen3-TTS (0.6B, 1.7B)

600 Millionen, 1,7 Milliarden

Apache 2.0

Ja, 3 Sekunden Referenz

10, inklusive Deutsch

0.6B läuft auf der CPU, Klonen sehr langsam

Kurz gesagt:

  • Schnell, leicht, läuft auf jedem Laptop: Kokoro, allerdings ohne Deutsch.
  • Stimme klonen, damit eine Figur immer gleich klingt: Chatterbox. Für Englisch Nano, für Deutsch Multilingual V3.
  • NVIDIA-Grafikkarte vorhanden: Qwen3-TTS. Es kann eine Stimme anhand einer Textbeschreibung „entwerfen“ und die Emotion per Anweisung steuern.
  • Große Grafikkarte und höchste Ansprüche an Klang und Emotion: Step Audio EditX.

Step Audio EditX braucht eine NVIDIA-Grafikkarte, die mein Laptop nicht hat, deshalb habe ich es nicht getestet. Von Qwen3-TTS habe ich das kleinste Modell 0.6B ausprobiert, das auch auf der CPU läuft. Die Ergebnisse stehen weiter unten.

Dieser Beitrag ist ein Überblick. Später bekommt jedes Modell einen eigenen Artikel: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX und außerdem VoiceStudio.

In Ranglisten, in denen Menschen blind bewerten (zum Beispiel Speech Arena), stehen nach wie vor geschlossene Dienste wie ElevenLabs ganz oben, kein Open-Source-Modell hat es bisher in die Top 10 geschafft. Aber ein Spiel braucht nicht immer die allerbeste Klangqualität. Für NPC-Dialoge, KI-Erzählstimmen in Tutorials oder Platzhalter-Vertonung während der Entwicklung reicht ein Open-Source-Modell völlig.

Eine weitere Option: Qwen3-TTS

Qwen3-TTS ist eine TTS-Modellreihe, die das Qwen-Team (Tongyi Qianwen) von Alibaba im Januar 2026 als Open Source veröffentlicht hat. Die Lizenz ist Apache 2.0, kommerzielle Nutzung ist also erlaubt. Es gibt zwei Größen, 0.6B und 1.7B, jeweils in mehreren Varianten für unterschiedliche Zwecke:

  • Base: Stimmenklonen mit nur 3 Sekunden Referenzaudio.
  • CustomVoice: 9 eingebaute Stimmen, darunter Männerstimmen mit Pekinger und Sichuan-Akzent. Die 1.7B-Version lässt sich zusätzlich per Anweisung im Tonfall steuern, etwa „sag es besonders wütend“.
  • VoiceDesign (1.7B): Man beschreibt die Stimme in Worten, zum Beispiel „17-jähriger Junge, Tenor, spricht mit wachsendem Selbstbewusstsein“.

Unterstützt werden 10 Sprachen: Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch. Laut offizieller Evaluierung schlägt es ElevenLabs bei Aussprachegenauigkeit und Stimmähnlichkeit im Chinesischen, allerdings sind das Tests des Herstellers selbst.

Für die Spielvertonung ist der praktischste Weg: erst die Stimme entwerfen, dann klonen. Man beschreibt VoiceDesign die Stimme der Figur, erzeugt einen Satz als Referenz und klont für alle weiteren Sätze mit Base. So bleibt die Klangfarbe konsistent. Das ähnelt stark dem, was ich in diesem Beitrag mit Kokoro und Chatterbox mache.

Installiert wird es mit pip install -U qwen-tts. Die offiziellen Beispiele laufen alle auf NVIDIA-Grafikkarten mit bfloat16 und FlashAttention 2. Wie viel Grafikspeicher nötig ist und ob es auch rein auf der CPU läuft, steht nirgends.

Ich habe 0.6B auf demselben Laptop per CPU getestet:

  • Eingebaute Stimme (CustomVoice): Für einen etwa 6 Sekunden langen Satz brauchte es rund 31 Sekunden.
  • Stimmenklonen (Base): Ein Satz von 4 bis 5 Sekunden dauerte über 4 Minuten, dreimal so lange wie die chinesisch feinabgestimmte Chatterbox-Version.

Wie bei jedem TTS-Modell gilt: Eigennamen, Fremdwörter und Wörter, deren Aussprache vom Kontext abhängt, sollte man sich vor dem Einsatz unbedingt anhören.

Ohne Grafikkarte sind die eingebauten Stimmen von Qwen3-TTS die bessere Wahl. Wer viele Sätze per Stimmenklonen erzeugen will, kommt um eine NVIDIA-Grafikkarte nicht herum.

Sieht nach Open Source aus, ist aber nicht kommerziell nutzbar

Die häufigste Falle bei der Modellwahl ist die Lizenz. Dass die Gewichte auf Hugging Face liegen, heißt noch lange nicht, dass man damit Geld verdienen darf:

  • Coqui XTTS v2: mehrsprachig, kann Stimmen klonen und war früher sehr beliebt, steht aber unter der Coqui Public Model License und ist nur für nicht kommerzielle Zwecke erlaubt.
  • Fish Audio S2 Pro: Gewichte öffentlich, für kommerzielle Nutzung muss man aber eine Lizenz bei Fish Audio kaufen.
  • Manche Forschungsmodelle: stehen unter CC BY-NC (NC heißt: nur nicht kommerzielle Nutzung).

Vor dem Download also immer das Feld License auf der Modellseite prüfen und den vollständigen Lizenztext lesen.

Was ist Kokoro TTS? Kann es Deutsch? Ist kommerzielle Nutzung erlaubt?

Kokoro-82M ist ein TTS-Modell mit gerade einmal 82 Millionen Parametern, Version 1.0 erschien im Januar 2025. Es ist so klein, dass es auf der CPU läuft, und klingt trotzdem besser als fast alles in seiner Größenklasse. Deshalb setzen es viele kommerzielle APIs und Projekte ein.

  • Lizenz: Apache 2.0, kommerziell nutzbar, auch eingebaut in eigene Produkte.
  • Trainingsdaten: Laut offizieller Angabe nur gemeinfreie Aufnahmen, Aufnahmen unter Apache- oder MIT-Lizenz sowie synthetische Sprache aus geschlossenen TTS-Systemen großer Anbieter, keine Sprache, die aus den Stimmen anderer Menschen geklont wurde.
  • Stimmen: 54 eingebaute Stimmen in 8 Sprachen: Englisch (amerikanisch und britisch), Japanisch, Chinesisch, Spanisch, Französisch, Hindi, Italienisch und brasilianisches Portugiesisch.
  • Einschränkungen: Kein Stimmenklonen, man wählt aus den eingebauten Stimmen. Deutsch gehört nicht zu den unterstützten Sprachen.

Für Arthurs englische Stimme habe ich bm_george gewählt. Wer Text to Speech auf Deutsch kostenlos und lokal nutzen möchte, greift zu Chatterbox Multilingual V3 oder Qwen3-TTS (Beispiele weiter unten).

Wichtig: Laut offiziellem Hinweis haben Websites mit „kokoro“ im Domainnamen nichts mit diesem Modell zu tun. Dort sollte man weder bezahlen noch etwas herunterladen.

Was ist Chatterbox TTS? Kann es Deutsch? Ist kommerzielle Nutzung erlaubt?

Chatterbox ist eine TTS-Modellreihe, die das Sprachtechnologie-Unternehmen Resemble AI als Open Source veröffentlicht hat. Die große Stärke ist das Stimmenklonen: Man gibt ihm 5 bis 10 Sekunden einer Stimme, und es spricht neue Sätze mit genau dieser Klangfarbe. Bei der Originalversion lässt sich zusätzlich einstellen, wie stark Emotionen übertrieben werden, und die Turbo-Version versteht Tags im Text wie [laugh], [chuckle] oder [cough] für Lachen oder Husten.

  • Lizenz: MIT, kommerziell nutzbar.
  • Wasserzeichen: Jede erzeugte Aufnahme enthält das Perth-Wasserzeichen von Resemble. Es ist nicht hörbar, übersteht aber die Umwandlung in mp3 und den Schnitt, sodass Erkennungswerkzeuge feststellen können, ob eine Stimme KI-generiert ist.
  • Nicht mehr gepflegt: Im August 2026 hat Resemble AI Chatterbox zum „abgeschlossenen Forschungsprojekt“ erklärt. Es gibt keine Updates mehr, das Unternehmen konzentriert sich jetzt auf Deepfake-Erkennung. Code und Gewichte bleiben unter MIT-Lizenz verfügbar, man kann sie also weiterhin herunterladen und kommerziell nutzen, nur kommen keine neuen Versionen und kein Support mehr.

Gerade der letzte Punkt zeigt den Vorteil von Open Source: Wenn die Gewichte auf dem eigenen Rechner liegen, kann einem die Abschaltung eines Dienstes egal sein. Erhöht ein Cloud-Dienst die Preise oder macht dicht, lässt sich die Vertonung im Spiel nicht mehr ändern. Ein Open-Source-Modell auf der Festplatte erzeugt auch in zehn Jahren noch neue Sätze mit derselben Stimme.

Von Chatterbox gibt es mehrere Versionen, die man anfangs leicht verwechselt:

Version

Parameter

Sprachen

Besonderheiten

Chatterbox (Original)

500 Millionen

Englisch

Emotionsstärke einstellbar (exaggeration)

Multilingual V3

500 Millionen

23, inklusive Deutsch

Ein Modell für viele Sprachen

Chinesisch feinabgestimmt (zh-cmn)

500 Millionen

Chinesisch

Speziell für Chinesisch angepasst

Turbo

350 Millionen

Englisch

Schneller, Tags für Lachen und Husten, Referenzstimme zwingend

Nano

110 Millionen

Englisch

Am kleinsten und schnellsten, laut Hersteller dreimal schneller als Echtzeit auf einer 8-Kern-CPU

Systemanforderungen: Läuft das ohne Grafikkarte?

Mein Laptop hat einen Intel Core Ultra 5 (6 Kerne) und nur eine integrierte Grafik, praktisch läuft also alles auf der CPU. Die Tabelle zeigt die gemessenen Zeiten pro Satz. Jeder Satz ist etwa 4 bis 6 Sekunden lang, die Zeit enthält jeweils auch das Laden des Modells:

Modell

Zeit pro Satz

Kokoro (Englisch)

ca. 9 s

Kokoro (Chinesisch)

ca. 13 s

Chatterbox-Nano (Klonen)

ca. 15 bis 20 s

Chatterbox-Turbo (Klonen)

ca. 40 s

Chatterbox Original

ca. 60 s

Chatterbox chinesisch feinabgestimmt (Klonen)

ca. 80 s

Qwen3-TTS 0.6B (eingebaute Stimme)

ca. 31 s

Qwen3-TTS 0.6B (Klonen)

ca. 4 min

Kokoro und Chatterbox Nano sind auf dem Laptop richtig praktisch: Satz ändern, anhören, nach gut zehn Sekunden ist man fertig. Die Chatterbox-Versionen mit 500 Millionen Parametern brauchen auf der CPU ein bis zwei Minuten pro Satz. Am besten stellt man einen ganzen Stapel zusammen und lässt ihn im Hintergrund laufen. Mit einer NVIDIA-Grafikkarte geht es deutlich schneller.

Beim Speicherplatz belegt die Python-Umgebung jedes Tools (inklusive CPU-Version von PyTorch) jeweils rund 1,5 GB. Die Modelle werden separat heruntergeladen: Die Dateien von Kokoro sind winzig, jede Chatterbox-Version braucht etwa 1 bis 3 GB.

Kokoro TTS installieren (CPU-Version)

Ich empfehle, mit uv eine eigene Python-Umgebung anzulegen, statt ins System-Python zu installieren. Kokoro unterstützt Python 3.10 bis 3.12:

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfile

Für Sprachen außer Englisch übernimmt das mitgelieferte espeak-ng die Aussprache, man muss nichts zusätzlich installieren. Da Kokoro kein Deutsch kann, hier ein englisches Beispiel:

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="b")  # b britisches Englisch, a amerikanisches Englisch, j Japanisch, z Chinesisch
audio = np.concatenate([np.asarray(r.audio) for r in pipe("A bartender keeps confidence.", voice="bm_george")])
sf.write("arthur.wav", audio, 24000)

Der erste Buchstabe eines Stimmennamens steht für die Sprache, der zweite für das Geschlecht: bm_george ist eine männliche Stimme in britischem Englisch, bf_emma eine weibliche. Die vollständige Liste steht in der offiziellen VOICES.md. Beim ersten Start wird das Modell automatisch von Hugging Face heruntergeladen.

Chatterbox TTS installieren: die GitHub-Version, nicht die alte von PyPI

Das war die größte Falle, in die ich getappt bin. Viele Anleitungen sagen pip install chatterbox-tts. Damit landet man bei Version 0.1.7 von PyPI, deren mehrsprachiges Modell noch das alte V2 ist. Ich habe es einen chinesischen Satz von Arthur sprechen lassen: Nach gut 3 Sekunden war der Text durch, danach folgten über zehn Sekunden Pausen und seltsame Geräusche.

Nur die aktuelle Version auf GitHub enthält Multilingual V3, Nano und die chinesisch feinabgestimmte Version. Also direkt von GitHub installieren:

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

Das setuptools<81 am Ende darf nicht fehlen. Das Wasserzeichen-Paket Perth nutzt noch das alte pkg_resources, das neuere setuptools-Versionen entfernt haben. Ohne feste Version bricht es beim ersten Start ab.

Stimme klonen mit Nano:

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

arthur-ref.wav ist die Referenzstimme, die geklont werden soll. Die Dateien der chinesisch feinabgestimmten Version haben ein etwas anderes Format als die des Hauptprogramms, deshalb muss man den Ladecode leicht anpassen. Genau solche Kleinarbeiten kann man gut Claude Code oder Codex überlassen.

Die Installation Claude Code oder Codex überlassen

Wer sich nicht selbst mit Versionsproblemen herumschlagen will, öffnet Claude Code oder Codex im Terminal und gibt ein:

Installiere bitte Kokoro-82M und Chatterbox in ~/tools (Chatterbox in der neuesten Version von GitHub, mit Nano und Multilingual V3), mit der CPU-Version von PyTorch, und richte für beide einen Befehl ein, den ich aus jedem Ordner aufrufen kann

Genau so habe ich es installiert. Die zu alte PyPI-Version, das setuptools-Problem und der Ladefehler der chinesischen Version: Der KI-Assistent hat jedes Mal selbst die Ursache gefunden und das Problem behoben. Der Vorteil von ~/tools: Alle Projekte können es gemeinsam nutzen, man muss nicht für jedes Spiel eine eigene Kopie installieren.

Was ist Stimmenklonen mit KI? Der kostenlose Open-Source-Weg

Beim Stimmenklonen (Voice Cloning) gibt man dem Modell eine Aufnahme einer Stimme, und es spricht neue Sätze mit derselben Klangfarbe. Mit Chatterbox ist das kostenlos und einfach: eine Referenzstimme plus der zu sprechende Text. Die Qualität der Referenz bestimmt das Ergebnis:

  • 5 bis 10 Sekunden lang: Unter 5 Sekunden gibt es direkt eine Fehlermeldung.
  • Nur eine Person spricht, ohne Hintergrundmusik und Störgeräusche.
  • Der Tonfall passt zur Figur: Das Modell übernimmt auch Sprechtempo und Emotion. Soll die Figur langsam und monoton sprechen, muss die Referenz genauso klingen.
  • Am besten in derselben Sprache wie der Text: Eine englische Referenz für einen Text in einer anderen Sprache bringt einen leichten englischen Akzent mit. Für diesen Fall empfiehlt der Hersteller bei Chatterbox Multilingual V3, cfg_weight auf 0 zu setzen.

Woher die Stimme stammt, ist entscheidend. Dass ein Modell kommerziell nutzbar ist, heißt nicht, dass man jede beliebige Stimme kopieren darf:

  • Selbst aufgenommen: kein Problem.
  • Von Sprechern oder Freunden aufgenommen: Vor dem Einsatz im Spiel braucht man deren Zustimmung, am besten schriftlich.
  • Stimmen von Film- oder Spielfiguren oder Prominenten: nicht erlaubt. Schon eine bloße Ähnlichkeit kann Persönlichkeitsrechte verletzen.

Ich nutze zusätzlich einen anderen Weg: Zuerst erzeuge ich mit Kokoro einen Satz, der zur Originalstimme der Figur wird. Kokoro steht unter Apache 2.0, die erzeugten Stimmen sind frei verwendbar. So „entwirft“ man zuerst die Stimme der Figur und lässt dann Chatterbox die übrigen Sätze sprechen und Emotion hinzufügen.

Praxistest: Roboter-Barkeeper Arthur vertonen

Für Arthurs englische Stimme habe ich Kokoros bm_george gewählt. Der ruhige britische Akzent passt zu einem höflichen Butler-Roboter. Das Sprechtempo habe ich auf 0,95 verlangsamt.

Im Film spielt Michael Sheen den Arthur, seine Stimme habe ich aber bewusst nicht nachgeahmt. Die Vertonung nutzt eine eingebaute Kokoro-Stimme, und geklont wird ebenfalls eine von Kokoro erzeugte Stimme. Genau das meinte ich oben mit „Woher die Stimme stammt, ist entscheidend“.

Alle folgenden Aufnahmen kommen direkt aus den Modellen. Ich habe nur die Stille am Anfang und Ende entfernt und die Lautstärke angeglichen.

Kokoro: eingebaute Stimmen direkt verwenden

Kokoro bm_george: „If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.“
Kokoro bm_george: „A bartender keeps confidence. It's the sacred trust of the craft.“

Chatterbox: die Kokoro-Stimme klonen

Als Referenz dient der erste bm_george-Satz von oben (etwa 6 Sekunden).

Chatterbox-Nano klont bm_george: „You can't get so hung up on where you'd rather be that you forget to make the most of where you are.“
Chatterbox-Nano klont bm_george: „A bartender keeps confidence. It's the sacred trust of the craft.“

Zum Vergleich eine eingebaute Stimme der Chatterbox-Originalversion, ohne Klonen, Emotionsstärke auf 0,3 gesenkt:

Eingebaute Stimme von Chatterbox Original: „If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.“

Ein paar Beobachtungen:

  • Kokoro liefert immer dasselbe Ergebnis: Gleicher Satz, gleiche Stimme, jede Generierung klingt identisch, man muss nicht aussortieren. Für eine andere Wirkung wechselt man die Stimme oder das Tempo.
  • Chatterbox liefert jedes Mal etwas anderes: Mit einem anderen Seed bekommt derselbe Satz einen anderen Tonfall und Rhythmus. Man sollte also mehrere Versionen erzeugen und die beste auswählen.
  • Klonen hält die Stimme konsistent: Mit nur einem Referenzsatz haben alle geklonten Sätze die Klangfarbe derselben Figur, ohne jedes Mal neu eine Stimme auszuwählen.
  • Geklonte Versionen sprechen schneller: Beim gleichen Text ist die von Nano geklonte Version 10 bis 20 % kürzer als das Kokoro-Original. Wer es langsamer möchte, nimmt eine langsamer gesprochene Aufnahme als Referenz.

Text to Speech auf Deutsch: der Test

Jetzt dieselben zwei Sätze von Arthur, ins Deutsche übersetzt. Kokoro fällt hier weg, getestet habe ich die beiden Modelle, die Deutsch unterstützen:

  • Chatterbox Multilingual V3: klont die englische Stimme bm_george, mit cfg_weight auf 0. Diese Einstellung empfiehlt der Hersteller, wenn Referenzstimme und Text in unterschiedlichen Sprachen sind. Sie verhindert, dass ein englischer Akzent durchklingt.
  • Qwen3-TTS 0.6B: die eingebaute Stimme Ryan.
Chatterbox Multilingual V3 (klont bm_george): „Wenn ich das Glas nicht wischen würde, müsste ich Konversation machen. Und dann fühlen sich die Gäste unwohl.“
Chatterbox Multilingual V3 (klont bm_george): „Ein Barkeeper wahrt Vertraulichkeit. Das ist das heilige Vertrauen des Handwerks.“
Qwen3-TTS 0.6B (Ryan): „Wenn ich das Glas nicht wischen würde, müsste ich Konversation machen. Und dann fühlen sich die Gäste unwohl.“
Qwen3-TTS 0.6B (Ryan): „Ein Barkeeper wahrt Vertraulichkeit. Das ist das heilige Vertrauen des Handwerks.“

So habe ich geprüft: Jede Aufnahme wurde mit Whisper (Spracherkennung) zurück in Text umgewandelt und mit dem Originaltext verglichen. Beim Deutschen war sich das kleine Whisper-Modell anfangs bei einigen Wörtern unsicher. Eine erneute Prüfung mit dem größeren Whisper large-v3 bestätigte, dass alles korrekt gesprochen war.

Zum Tempo: Wird das Modell nur einmal geladen und werden die Sätze anschließend direkt nacheinander erzeugt, braucht Chatterbox Multilingual V3 auf demselben Laptop ohne Grafikkarte etwa 30 Sekunden pro Satz, Qwen3-TTS 0.6B 20 bis 30 Sekunden. Kokoro schafft einen Satz in wenigen Sekunden.

Wie schreibt man Prompts für KI-Vertonung? Claude Code oder Codex übernehmen lassen

Bei TTS gibt man den Satz selbst ein, nicht wie bei Soundeffekten einen Prompt, der den gewünschten Klang beschreibt. Stimmenwahl, Klonen und Prüfung folgen aber immer demselben Ablauf, und der passt perfekt in die globalen Einstellungen eines KI-Coding-Assistenten. Bei Claude Code ist das die Datei ~/.claude/CLAUDE.md, bei Codex ~/.codex/AGENTS.md. Danach genügt „vertone diese drei Sätze von Arthur“, und der Assistent hält sich an diese Regeln:

## Spielfiguren mit lokalem TTS vertonen

Wenn ich eine Vertonung möchte, nutze die lokalen Installationen von Kokoro und Chatterbox nach diesen Regeln:

- Jede Figur bekommt eine feste Stimme. Für eine neue Figur zuerst eine eingebaute Kokoro-Stimme wählen, einen 5 bis 10 Sekunden langen Satz als Referenzstimme speichern und danach immer davon klonen.
- Sätze ohne Emotion oder Lachen direkt mit Kokoro erzeugen (Kokoro kann kein Deutsch). Für Emotion, Lachen ([laugh], [chuckle]) oder exakte Übereinstimmung mit der Referenz mit Chatterbox klonen: Englisch mit Nano oder Turbo, andere Sprachen wie Deutsch mit Multilingual V3 (cfg_weight auf 0, wenn Referenz und Text verschiedene Sprachen haben).
- Eigennamen, Fremdwörter und kontextabhängig ausgesprochene Wörter vor der Freigabe anhören oder per Spracherkennung prüfen.
- Ein Satz pro Datei, Dateiname nach dem Schema „Figur-Sprache-Nummer“.
- Bei Chatterbox jeden Satz mit 3 verschiedenen Seeds erzeugen und Dateinamen samt Text zur Auswahl auflisten.
- Nach dem Erzeugen die Länge prüfen: Ist die Datei deutlich länger, als der Satz sein sollte, wurde zu viel gesprochen. Seed wechseln und neu erzeugen.
- Keine echten Stimmen klonen, außer ich bestätige, dass die Person zugestimmt hat.
- Für Web oder Spiel Stille am Anfang und Ende entfernen, kurz ausblenden, Lautheit angleichen und in mp3 umwandeln.

Mehr Ausdruck: die Lach-Tags von Turbo

Bei Chatterbox-Turbo kann man Tags direkt in den Text schreiben, etwa [chuckle] für ein leises Lachen, [laugh] für lautes Lachen und [cough] für Husten:

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo klont bm_george, mitten im Satz ein [chuckle]

Grenzen von Open-Source-TTS

Nach einer kompletten Runde möchte ich auf ein paar Punkte hinweisen:

  • Ohne Grafikkarte braucht man Geduld: Kokoro und Chatterbox Nano sind schnell, die anderen Chatterbox-Versionen brauchen auf der CPU ein bis zwei Minuten pro Satz.
  • Englisch ist am besten abgedeckt: Kokoro kann kein Deutsch, Nano und Turbo sprechen nur Englisch. Bei Eigennamen, Fremdwörtern und Wörtern mit kontextabhängiger Aussprache sollte man vor dem Einsatz genau hinhören.
  • Die richtige Version wählen: Die PyPI-Version von Chatterbox ist zu alt, und da Chatterbox nicht mehr gepflegt wird, werden manche Probleme nie behoben.
  • Emotion kommt von Referenz und Parametern: Das Modell versteht die Handlung nicht und weiß nicht, ob ein Satz ein Scherz ist oder wütend gemeint. Soll ein Satz aufgeregt klingen, braucht man eine aufgeregte Referenz oder eine höhere Emotionsstärke.
  • Das Ergebnis muss geprüft werden: Zusätzlich gesprochene Wörter, verschluckte Silben oder Geräusche am Anfang kommen vor. Wie bei den Soundeffekten kann man Claude Code oder Codex einen Subagenten für eine unabhängige Prüfung starten lassen: per Spracherkennung zurück in Text umwandeln, mit dem Originaltext vergleichen und bei Abweichungen neu erzeugen.

Der größte Vorteil für Indie-Entwickler: Vertonung schon in der frühen Entwicklung

Wie beim Soundeffekt-Tool aus dem letzten Beitrag liegt der größte Wert von Open-Source-TTS für mich darin, dass ein Spiel schon früh in der Entwicklung eine Vertonung haben kann.

Am Anfang ändert sich das Drehbuch ständig. Hat ein Sprecher schon aufgenommen, heißt jede Textänderung: neu aufnehmen. Mit lokalem TTS ändert man einen Satz, lässt ihn neu erzeugen und ist nach gut zehn Sekunden fertig, ohne Zusatzkosten. Steht das Drehbuch, entscheidet man, ob echte Sprecher neu aufnehmen.

Bis dahin sind Satzlängen, Anzeigedauer der Sprechblasen und die Dauer von Mundbewegungen oder Animationen bereits auf die Vertonung abgestimmt. Beim Wechsel zu echten Aufnahmen tauscht man einfach die gleichnamigen Audiodateien aus.

Ein weiterer Vorteil ist Mehrsprachigkeit. Die Mondbasis-Website gibt es in 15 Sprachen. 15 Sprachen von Sprechern aufnehmen zu lassen, ist unrealistisch. Kokoro unterstützt aber 8 Sprachen und Chatterbox Multilingual V3 sogar 23, darunter Deutsch. So bekommen zumindest die wichtigsten Sprachen schon jetzt eine Stimme.

Häufige Fragen

Kann Kokoro TTS Deutsch?

Nein. Kokoro unterstützt 8 Sprachen: Englisch (amerikanisch und britisch), Japanisch, Chinesisch, Spanisch, Französisch, Hindi, Italienisch und brasilianisches Portugiesisch. Deutsch ist nicht dabei. Für deutsche Sprachausgabe eignen sich Chatterbox Multilingual V3 und Qwen3-TTS, die beide Deutsch unterstützen und lokal laufen.

Kann Chatterbox TTS Deutsch?

Ja, mit Multilingual V3, das 23 Sprachen einschließlich Deutsch unterstützt. Nano, Turbo und die Originalversion sprechen nur Englisch. Man kann eine englische Referenzstimme klonen und damit deutschen Text sprechen lassen. Dafür empfiehlt der Hersteller cfg_weight auf 0, damit kein englischer Akzent durchklingt. Achtung: Die alte PyPI-Version spricht am Satzende zusätzliche Laute, deshalb von GitHub installieren.

Ist kostenloses Stimmenklonen mit KI kommerziell nutzbar?

Chatterbox steht unter MIT-Lizenz, das Modell ist also kommerziell nutzbar. Man braucht aber auch das Recht, die geklonte Stimme zu verwenden: die eigene Stimme, die Stimme einer Person, die zugestimmt hat, oder, wie in diesem Beitrag, eine von Kokoro erzeugte Stimme. Außerdem enthält jede Ausgabe das Perth-Wasserzeichen.

Gibt es eine kostenlose Alternative zu ElevenLabs?

Für Spieldialoge, Erzählstimmen und die Vertonung von Tutorial-Videos sind Kokoro und Chatterbox kostenlose, kommerziell nutzbare Open-Source-Alternativen, die auf dem eigenen Rechner laufen. Klangqualität und Ausdruck reichen noch nicht an ElevenLabs heran, dafür zahlt man nicht nach Zeichen und muss weder Preiserhöhungen noch eine Abschaltung fürchten.

Läuft Open-Source-TTS ohne Grafikkarte?

Ja. Kokoro und Chatterbox Nano erzeugen auf einer Laptop-CPU einen Satz in gut zehn Sekunden. Die Chatterbox-Versionen mit 500 Millionen Parametern brauchen ein bis zwei Minuten pro Satz und laufen am besten stapelweise im Hintergrund.

Fazit: Ein Laptop reicht, um Spielfiguren zu vertonen

Früher hielt ich die Vertonung für den größten Luxus bei Indie-Spielen: Sprecher sind teuer, Cloud-TTS rechnet nach Zeichen ab, und bei vielen Dialogen kommt schnell ein hoher Betrag zusammen. Kokoro und Chatterbox senken die Hürde auf „ein Laptop, ein Satz, gut zehn Sekunden“, kommerziell nutzbar, und die Modelle liegen auf dem eigenen Rechner, ganz ohne Angst vor einer Abschaltung.

Als Nächstes kommt Arthurs Vertonung ins Spiel, damit er wirklich spricht, wenn seine Sprechblase erscheint.

Dieser Beitrag ist der Überblick über Open-Source-TTS. Danach folgen eigene Artikel zu Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX und VoiceStudio, mit Installation, Parametern und weiteren Tests.

Wie vertonst du deine Spielfiguren? Schreib mir gern einen Kommentar unter meine Posts auf Threads oder X.