Sprachausgabe und Stimmenklonen laufen heute vollständig auf einer einzelnen Grafikkarte – auf einer Maschine in Ihrem Büro oder Ihrer Werkstatt, ohne Cloud, ohne Konto, ohne Abrechnung pro Wort. Der Haken sitzt nicht in der Technik, sondern in der Lizenz: Bei den gängigen Modellen gilt die offene Lizenz meist nur für den Programmcode, nicht für die Gewichte – und genau die Gewichte erzeugen die Stimme. Wir sortieren dieses Feld deshalb von der Lizenz her und nicht von der Rangliste. Vier Modelle tragen den Text, ein fünftes führen wir als Vorfahren mit: Piper liest deutschen Text auf zwei CPU-Kernen vor [27], CosyVoice 2 trägt das Klonen – Apache 2.0 für Code und Gewichte, 0,5 Milliarden Parameter [20][21] –, F5-TTS klont ebenfalls, steht mit seinen Gewichten aber unter einer Lizenz ohne kommerzielle Nutzung [15], und Kokoro-82M bleibt das kleine Modell für Englisch [23]. Deutsch ist der wunde Punkt: Offiziell belegt ist es bei Piper [13]; bei F5-TTS, E2-TTS und CosyVoice 2 steht es in keiner der Herstellerangaben, die wir am 14.10.2026 abgerufen haben [14][15][20][21]. Wer eine Stimme produktiv einsetzt, kennzeichnet sie außerdem – Artikel 50 der Verordnung verlangt das [29]. Und: „lokal“ ist eine technische Eigenschaft, keine Datenschutzgarantie.

Der Text beantwortet drei Fragen in dieser Reihenfolge: Was läuft wirklich lokal, wie belastbar ist es auf einer Consumer-Grafikkarte, und wofür lohnt es sich – und wofür ausdrücklich nicht. Alle Modellnamen, Lizenzen, Versionsstände und Messtwerte stammen aus Adressen, die am 14.10.2026 abgerufen wurden; die Liste am Ende nennt Datum und Adresse. Wo eine Zahl für die eigene Entscheidung fehlt, steht das im Text als Lücke und nicht als Schätzung.

Was „lokal“ bei Sprache bedeutet

Lokal heißt: Das Modell rechnet auf Ihrer Hardware, die Referenzaufnahme bleibt auf Ihrer Platte, und kein Anbieter erhält Stimmprobe oder Text. Kein Konto, keine Credits, keine Nutzungszähler, keine Preisänderung von außen.

Bei Sprache wiegt diese Frage schwerer als bei Bildern. Eine Stimmaufnahme ordnet eine Aussage einer konkreten Person zu. Wer eine Telefonansage, ein Erklärvideo oder eine Vertonung für Kunden produziert, entscheidet damit auch darüber, wo diese Aufnahme liegt und wer sie verarbeiten kann. Ist das Modell lokal, ist die Antwort technisch eindeutig: Sie selbst, und niemand sonst.

Vorsicht bei Werkzeugen, die sich lokal nennen. Ein Browserfenster ist keine lokale Ausführung. Entsteht die Stimme auf einem fremden Server, geht Ihre Referenzaufnahme dorthin – und mit ihr ein Datenpunkt, der eine Person identifizierbar macht. Die Prüfung dauert zwei Minuten und ist für jeden nachvollziehbar: Rechner vom Netz trennen, Text sprechen lassen. Läuft es weiter, ist es lokal.

Nicht jede Sprache braucht dafür eine Grafikkarte. Piper erzeugt deutschen Text auf zwei CPU-Kernen; im einzigen deutschen Messvergleich, den wir gefunden haben, mit einem Echtzeitfaktor von 0,455 – für eine Sekunde Aufnahme braucht das System also 0,455 Sekunden und ist damit gut doppelt so schnell wie die Wiedergabe [27]. Kokoro kommt mit unter 2 GB aus und ist CPU-tauglich, beherrscht aber kein Deutsch [8][23]. Wer nur vorlesen will, kommt mit einem Bürorechner aus. Wer klonen will, braucht eine Grafikkarte.

Vier Modelle, vier Aufgaben

Die Modelllandschaft beim Sprechen ist unübersichtlich, weil in den Übersichten alles nebeneinander steht: Forschungsarbeiten, Cloud-Anbieter, kleine Spezialmodelle. Für ein KMU-Setup bleiben vier Kandidaten übrig, die sich in genau einer Frage unterscheiden – wofür sie gebaut sind.

Datenstand der Tabelle: 14.10.2026 [9][10][11][12][13][14][15][17][18][19][20][21][23][24][25]

Piper ist der deutsche Vorleser. Es ist der einzige Kandidat, für den ein deutscher Messvergleich existiert [27], und der einzige, der ohne Grafikkarte auskommt. Die verbreitete Stimme de_DE-thorsten-medium ist 63,2 MB groß, arbeitet mit 22,05 kHz und stammt aus dem Thorsten-Voice-Projekt, dessen Datensatz unter CC0 steht [12]. Wichtig für die Praxis: Der aktive Träger ist ein Nachfolge-Projekt unter GPL-3.0, das Original unter MIT ist archiviert und wird nicht mehr gepflegt [9][10][11]. Klonen kann Piper nicht – deshalb ist es der unkritische Einstieg, bei dem die Frage nach der Einwilligung gar nicht entsteht.

F5-TTS klont Stimmen auf der Grafikkarte, ist für Kundenarbeit aber gesperrt. Zero-Shot-Klonen aus wenigen Sekunden Referenzaudio, Flow-Matching-Architektur, Release 1.1.22, Checkpoint-Größe rund 1,35 GB [14][15][16]. Bemerkenswert ist daran weniger die Technik als die Lizenz: Die Lizenz des Codes ist MIT, die Lizenz der Gewichte ist es nicht, und Deutsch steht in keiner offiziellen Angabe des Projekts, sondern nur in einer Reihe von Community-Finetunes [15]. Wir führen es deshalb als Beispiel für genau diese Lizenzfalle und nicht als Empfehlung für gewerbliche Leser.

E2-TTS führen wir als Vorfahren, nicht als Tipp. Die Arbeit von 2024 beschreibt einen vollständig nicht-autoregressiven Generator, der ohne Dauer-Modell und ohne Alignment-Suche auskommt – die Idee, auf der F5-TTS aufsetzt [17]. Ein offizielles Projekt-Repository existiert nicht; die Adresse im bekannten Projektnamen antwortet bei unserer Prüfung am 14.10.2026 mit dem Fehler 404. Es gibt Gewichte unter CC-BY-NC-4.0 und eine Community-Implementierung unter MIT [18][19]. Für ein Produktivsystem ist das keine Grundlage.

CosyVoice 2 trägt den Klonweg. 0,5 Milliarden Parameter, Apache 2.0 für Code und Gewichte, Sprachwechsel und promptbasiertes Klonen als Kernfunktion, Streaming und Non-Streaming in einem Modell [20][21][22]. Zwei Punkte zur Genauigkeit gehören dazu: Der Hersteller beschreibt das Streaming, nicht ein „Multi-Stream“-Verfahren, und Deutsch ist bei dieser Version nicht belegt – die Sprachenliste mit Deutsch gehört zur Nachfolgeversion Fun-CosyVoice 3.0 [20][21][22]. Wer Deutsch braucht, muss diese Version selbst hören; eine belegte deutsche Sprachenliste gibt es für sie nicht.

Kokoro-82M bleibt die englische Wahl. 82 Millionen Parameter, Apache 2.0, acht Sprachen mit 54 Stimmen, die Mehrheit davon amerikanisches und britisches Englisch; unter den Sprachen fehlt Deutsch vollständig [23][24][25]. Die Modellkarte warnt selbst, dass nicht-englische Sprachen dünn oder gar nicht unterstützt sind [23]. Dafür läuft es auf jedem Bürorechner und ist bei englischen Inhalten nach wie vor eine der praktischsten Lösungen.

Die Lizenz entscheidet, nicht der Rang

Wer eine Stimme veröffentlicht, braucht das Recht dazu. Dieses Recht steht nicht im Programm, sondern in der Lizenz der Modellgewichte – und dort liegen mehrere Regelungen nebeneinander.

Der Kern des Problems steht wörtlich im F5-TTS-Projekt: Der Code stehe unter MIT, die vorab trainierten Modelle dagegen unter der CC-BY-NC-Lizenz, weil sie auf dem Emilia-Datensatz trainiert wurden [15]. Übersetzt: Der Quellcode ist frei, die Gewichte sind es nicht. Für private Versuche ist das gleichgültig, für Kundenarbeit ist es das Ende des Weges – und es ist genau der Punkt, den eine Übersicht mit einem Häkchen bei „Open Source“ verschweigt. Dasselbe Muster gilt für E2-TTS, dessen Gewichte unter CC-BY-NC-4.0 stehen [18].

Die Apache-2.0-Modelle sind an dieser Stelle die Ausnahme und der Grund, warum CosyVoice 2 und Kokoro-82M in diesem Text so weit oben stehen: Code und Gewichte unter derselben freizügigen Lizenz, ohne Auflagen für die kommerzielle Nutzung [20][21][23][25]. Bei Piper muss man zwei Dinge auseinanderhalten: Der aktive Fork steht unter GPL-3.0, das archivierte Original unter MIT, und die Stimmen liegen in einem Repository mit MIT-Tag auf einem Trainingsdatensatz unter CC0 [9][10][11][12]. Wer Piper in eine eigene Anwendung einbettet, sollte die Copyleft-Frage vorher klären. Ein Risiko gehört offen dazugesagt: Das Piper-Projekt sucht nach eigener Angabe aktiv Maintainer – ein gepflegtes, aber kein selbstverständlich dauerhaft besetztes Projekt [9].

Zum Vergleich, wie weit die Spanne reicht: Auch das in den Ranglisten führende Breeze TTS 2 hat offenen Code, aber Gewichte, die nicht kommerziell freigegeben sind [28]. Ein Elo-Wert sagt über die Nutzbarkeit nichts.

Ranglisten: was sie zeigen und was nicht

Die bekannteste Übersicht für Sprache ist das Arena-Elo-Leaderboard von Artificial Analysis. Es ist am 14.10.2026 abrufbar und führt 97 Modelle nach einer Präferenzwertung aus Hörervergleichen [26]. Von unseren vier Kandidaten steht dort nur Kokoro-82M, mit einem Wert von 1.063 [26]. Piper, F5-TTS und CosyVoice 2 erscheinen in dieser Liste nicht – für sie ist kein Arena-Wert belegt, und wir erfinden keinen.

Die Einordnung ist wichtiger als die Zahl. Arena-Elo misst, welcher Klang in Blindvergleichen bevorzugt wird; es ist kein MOS-Wert, es ist kein Qualitätsurteil und es sagt nichts über deutsche Sprachqualität [26]. Vor allem mischt die Liste offene und kommerzielle Anbieter, inklusive Cloud-Diensten. Wer die Rangfolge liest, ohne die Lizenzspalte daneben zu legen, plant am Ende mit einem Modell, das er nicht einsetzen darf.

Deutsch: was belegt ist und was nicht

Eine Sprachenliste in einer Projektbeschreibung ist eine Angabe des Herstellers, keine Qualitätsaussage. Bei unseren vier Kandidaten ist die Lage eindeutig dokumentiert:

Wie gut Deutsch klingt, ist eine zweite Frage – und die ist dünner belegt, als man erwarten würde. Gefunden haben wir genau einen deutschen Messvergleich, einen Community-Test vom 18.05.2026 mit 15 Sätzen, darunter ein längerer Buchhaltungsdialog, gemessen auf einer L4-Grafikkarte und zwei CPU-Kernen [27]:

Zu dieser Tabelle gehört die Quellenkritik, sonst wird sie überlesen: Das Repository hat keine Sterne, keine ausgewiesene Lizenz und keine Begutachtung, es ist eine Einzelmessung mit 15 Sätzen, und die Fehlerrate wurde über eine Spracherkennung gemessen – sie misst damit Verständlichkeit, nicht Natürlichkeit [27]. Als Indiz ist der Test brauchbar, als Nachweis nicht.

Für die Klon-Modelle F5-TTS, E2-TTS und CosyVoice 2 existiert in den von uns abgerufenen Quellen kein deutscher MOS- oder CMOS-Wert [14][15][17][18][20][21]. Wer eine Empfehlung für einen konkreten Betrieb braucht, kommt an einer eigenen Hörprobe mit der eigenen Fachsprache deshalb nicht vorbei – Firmenname, Materialbegriffe, Ortsnamen.

Hardware: 3090, 4090, 5090 – worauf es wirklich ankommt

Eine verbreitete Angabe gehört an dieser Stelle korrigiert: Die RTX 5090 hat nicht 24 GB, sondern laut NVIDIA 32 GB [1][2]. Für die Modelle in diesem Text ändert das nichts – relevant wird der Unterschied erst bei deutlich größeren Modellen. Die 0,5-B-Klasse, zu der F5-TTS und CosyVoice 2 gehören, braucht in der Praxis rund 4 bis 6 GB, Piper unter 1 GB, Kokoro unter 2 GB [7][8]. Alles, was hier als Empfehlung steht, läuft auf einer RTX 3090.

Für Sprachmodelle zählt zuerst der Grafikspeicher, danach die Speicherbandbreite: Autoregressive Sprachmodelle lesen pro erzeugtem Ton die Gewichte erneut, deshalb wirkt sich Bandbreite direkt auf die Geschwindigkeit aus. Zwischen 3090 und 4090 liegen rechnerisch 7,7 Prozent mehr Bandbreite bei gleichem Speicher, zwischen 4090 und 5090 rechnerisch 77,8 Prozent mehr Bandbreite und 33 Prozent mehr Speicher [2][4][6]. Eine Einschränkung, die in vielen Vergleichen fehlt: Die Quelle, die den Bandbreitenhebel als Unterschied zwischen 936 GB/s und 504 GB/s benennt, bezeichnet ihre Zahlen ausdrücklich als rechnerische Obergrenzen und nicht als gemessene Werte [7]. Wir geben das so weiter und nicht als Messversprechen.

Gemessene Werte gibt es nur für einen Teil des Feldes, und das ist der wichtigste Absatz dieses Abschnitts. In den für diesen Text abgerufenen Quellen findet sich für die RTX 3090 und die RTX 5090 kein belastbarer Sprach-Messwert [1][2][5][6]. Im Netz kursieren einzelne Zahlen von Hosting-Anbietern und aus Community-Beiträgen – die Methodik dahinter ist nicht nachvollziehbar, und deshalb zitieren wir sie nicht als Messwerte. Die verbreiteten verlässlichen Messwerte stammen von Server-Grafikkarten und taugen als Größenordnung, nicht als Versprechen für Ihren Rechner [8]. Wer wissen will, was auf der eigenen Maschine herauskommt, muss dort messen, wo sie steht.

Die Kaufentscheidung fällt damit nüchterner aus, als die Datenblätter nahelegen. Die RTX 3090 genügt für alles, was in diesem Text als Empfehlung steht [5][6]. Die RTX 4090 bringt bei gleicher Speichergröße mehr Rechenleistung und etwas mehr Bandbreite [3][4]. Die RTX 5090 zahlt sich erst aus, wenn deutlich größere Modelle lokal laufen sollen oder FP4-Quantisierung genutzt wird [1][2] – und weil für sie in den abgerufenen Quellen kein Sprach-Messwert existiert, gehört an diese Stelle eine eigene Messung mit der eigenen Stimme, kein Datenblattversprechen.

Was das im Betrieb leistet – und wo die Grenze liegt

Sinnvoll ist lokale Sprachausgabe überall dort, wo regelmäßig gesprochene Inhalte entstehen und die Aufnahmen das Haus nicht verlassen sollen: Erklärvideos für Kunden, vertonte Anleitungen und Unterweisungen, Vorlesefassungen langer Angebots- und Vertragstexte, Begrüßungen und Warteschleifentexte einer Telefonanlage, Vertonung von Social-Media-Serien, Prototypen für Werbespots, bevor ein Studio gebucht wird. Ein zweiter Nutzen kommt ohne Werbung aus: Wer lange Texte lieber hört als liest, bekommt sie als Audio – auf derselben Maschine, ohne dass eine Kundenakte in einen fremden Dienst wandert.

Die Grenzen liegen nicht dort, wo das Marketing sie vermutet. Vier davon gehören in jede Kalkulation.

Die erste ist die Beweislage für Deutsch. Für F5-TTS, E2-TTS und CosyVoice 2 existiert kein deutscher Natürlichkeitswert, für Piper nur der eine Community-Test mit 15 Sätzen [27]. Ob das Ergebnis in Ihrem Wortschatz gut klingt, beantwortet kein Datenblatt, sondern eine Hörprobe.

Die zweite ist die Kennzeichnung. Eine geklonte Stimme ist synthetisch, und das muss erkennbar bleiben; die Pflicht dazu steht nicht im Werkzeug, sondern im Rechtsrahmen – dazu im nächsten Abschnitt.

Die dritte ist die Maschine selbst. Eine Grafikkarte trägt einen Lauf gleichzeitig, Sprachaufträge werden deshalb gereiht und nicht parallel gestartet. Hinzu kommt Handarbeit: Modelle in mehreren Gigabyte herunterladen, Freigabe im eigenen Netz, Speicherverwaltung, Updates und Pflege ohne Support-Hotline. Wer das selbst macht, bezahlt mit Arbeitszeit; wer es outsourcen will, braucht jemanden dafür. Das ist keine Nebenkostenposition, sondern die häufigste Ursache dafür, dass ein lokales System nach drei Monaten stillsteht.

Die vierte ist die Erwartung an das Klonen. Aus wenigen Sekunden Referenzaudio entsteht eine ähnliche Stimme, nicht dieselbe. Für eine Ansage, ein Erklärvideo oder eine Vertonung trägt das Ergebnis in unserer Erfahrung gut; für ein Kundengespräch in Echtzeit ist es der falsche Werkzeugsatz – belastbare Latenzwerte für ein solches Szenario haben wir in den abgerufenen Quellen nicht gefunden und behaupten sie deshalb nicht.

Compliance: was belegbar ist und was nicht

Bei diesem Thema wird viel versprochen. Deshalb hier getrennt, was sich feststellen lässt und was eine Rechtsfrage bleibt.

Feststellen lässt sich die technische Tatsache: Läuft die Spracherzeugung auf eigener Hardware im eigenen Netz und ist das Werkzeug nicht aus dem Internet erreichbar, verlässt die Stimmprobe das Haus nicht. Diese Feststellung gilt für eine sauber abgeschottete Installation. Autoupdates, Telemetrie oder Lizenzabfragen einzelner Werkzeuge können genau dieses Bild kippen, deshalb prüfen wir das bei jedem Aufbau einzeln. Und keine Übermittlung an Dritte zu haben ist noch keine Aussage über die Rechtmäßigkeit eines Einsatzes.

Nicht daraus ableitbar ist eine pauschale Datenschutz-Garantie. „Lokal“ ist eine Eigenschaft der Verarbeitung, nicht des Einsatzzwecks. Ob ein konkreter Einsatz rechtmäßig ist, hängt am Zweck, an den verwendeten Daten und an der Rechtsgrundlage – und damit an der eigenen Bewertung, nicht am Werkzeug. Wer lokales Stimmenklonen als „automatisch DSGVO-konform“ verkauft, verkauft eine Behauptung.

Ordnung gehört an zwei Stellen dazu. Erstens der Einsatzzweck. Nach Artikel 50 der Verordnung (EU) 2024/1689 müssen Anbieter synthetischer Audioinhalte ihre Ausgaben maschinenlesbar kennzeichnen und als künstlich erzeugt erkennbar machen; Betreiber müssen offenlegen, dass Inhalte künstlich erzeugt oder manipuliert wurden, wenn sie als Deepfake erscheinen. Ausgenommen sind offensichtlich künstlerische, satirische und redaktionell geprüfte Inhalte, für die eine Person die Verantwortung übernimmt [29]. Das Kapitel der Verordnung, in dem diese Pflichten stehen, heißt „Transparenzpflichten für Anbieter und Betreiber bestimmter KI-Systeme“ [29]. Wie wir das für einen Betrieb einordnen: Wer eine geklonte Stimme in der Kundenkommunikation oder in der Werbung einsetzt, fällt in diesen Kreis. Das ist unsere Bewertung und keine Formulierung des Verordnungstextes – die Kennzeichnung ist bei uns trotzdem kein Extra, sondern der feste Schritt nach der Produktion.

Vor dem Klonen steht zusätzlich die Zustimmung der sprechenden Person. Die Projektbedingungen eines verbreiteten Klonmodells formulieren das ausdrücklich: Nutzer verpflichten sich, Hörer darüber zu informieren, dass Sprachproben synthetisch sind, sofern keine Erlaubnis für die genutzte Stimme vorliegt, und nur Stimmen zu verwenden, deren Sprecher die Klonfreigabe erteilt haben [30]. Wichtig für die saubere Einordnung: Artikel 50 der Verordnung verlangt diese Einwilligung nicht, er regelt Kennzeichnung und Offenlegung. Welche datenschutzrechtliche Grundlage einen konkreten Einsatz trägt, bleibt eine eigene Bewertung – und damit eine Rechtsfrage, die wir vor dem ersten Projekt klären und nicht danach.

Zweitens die Sicherheit. Artikel 21 der NIS-2-Richtlinie verlangt von den erfassten Einrichtungen geeignete und verhältnismäßige technische, operative und organisatorische Maßnahmen; das BSI formuliert dazu, dass diese Maßnahmen umgesetzt und dokumentiert werden [31][32]. Diese Vorgabe gilt für Einrichtungen, die unter die Regelung fallen – nach Angaben des BSI sind das in Deutschland rund 29.500 Unternehmen [32]. Für alle anderen bleibt genau das trotzdem unsere Praxis im Aufbau: Die Spracherzeugung liegt in einem abgeschotteten Teil des eigenen Netzes, die Schnittstelle des Werkzeugs ist auf das lokale Netz begrenzt und nicht aus dem Internet erreichbar, der Zugriff ist beschränkt und dokumentiert. Das ist kein Zertifikat und kein NIS-2- oder AI-Act-Siegel, sondern die nachvollziehbare Grundlage, auf der eine Bewertung überhaupt stattfinden kann.

Wer Sprachaufgaben im Betrieb plant, sollte den Einsatzzweck vorher aufschreiben: welcher Zweck, welche Daten, wer prüft und gibt frei, wo liegen die Ergebnisse, wie wird gekennzeichnet. Dieser Zettel ersetzt am Ende jedes pauschale Versprechen.

Was wir empfehlen – und was nicht

Piper mit de_DE-thorsten-medium, wenn vorgelesen werden soll. Es ist die praktischste deutsche Lösung: bester gemessener Wert im einzigen gefundenen deutschen Vergleich (Zeichenfehlerrate 0,137) bei einem Echtzeitfaktor von 0,455 auf zwei CPU-Kernen [27]. Es braucht unter 1 GB, wird per Paketbefehl installiert, und de_DE steht in der offiziellen Sprachenliste [7][10][13]. Es klont keine Stimmen – genau deshalb der unkritische Einstieg. Zwei Auflagen: Beim Einbetten in eigene Software ist die GPL-3.0 des aktiven Nachfolge-Repos zu prüfen, und das Projekt sucht aktiv Maintainer [9][10][11].

CosyVoice 2, wenn eine Stimme geklont werden soll. Apache 2.0 für Code und Gewichte, 0,5 Milliarden Parameter, Sprachwechsel und promptbasiertes Klonen, Streaming und Non-Streaming in einem Modell [20][21][22]. Damit ist es der einzige Klonweg in diesem Text, bei dem die Lizenz nicht im Weg steht – Gewichte und Code unter derselben freizügigen Lizenz, ohne Auflagen für die kommerzielle Nutzung. Es läuft in der 0,5-B-Klasse mit rund 4 bis 6 GB Speicherbedarf auf einer RTX 3090 [7]. Eine Einschränkung gehört ausdrücklich dazu: Deutsch ist für diese Version nicht belegt; die Sprachenliste mit Deutsch gehört zur Nachfolgeversion Fun-CosyVoice 3.0, und für die liegt uns keine abgerufene Herstellerangabe vor [20][21]. Wer deutsche Fachsprache vertonen will, kommt deshalb an der eigenen Hörprobe nicht vorbei – und wer eine belegte deutsche Sprachenliste braucht, prüft die Nachfolgerin selbst.

Kokoro-82M für englische Inhalte. Apache 2.0, 82 Millionen Parameter, läuft auf CPU und unter 2 GB, acht Sprachen ohne Deutsch [8][23][24]. Kein Klonen, kein Deutsch – dafür die reibungsloseste Lösung, wenn Ihre Inhalte englisch sind.

Nicht empfehlen wir die folgenden Wege, und zwar aus unterschiedlichen Gründen:

• F5-TTS im gewerblichen Einsatz – technisch stark, aber die Gewichte stehen unter CC-BY-NC-4.0 und dürfen damit nicht für Kundenarbeit genutzt werden; Deutsch ist nur über Community-Finetunes belegt [14][15].
• XTTS-v2 – seit Jahren in fast jeder Anleitung, aber Gewichte unter einer Lizenz ohne kommerzielle Nutzung und im gefundenen deutschen Vergleich der schlechteste Wert [27].
• E2-TTS – interessant als Architektur, ohne offizielles Repository und mit Gewichten unter CC-BY-NC-4.0; kein Produktivweg [17][18][19].
• Modelle, deren Gewichte unter CC-BY-NC oder Forschungsbedingungen stehen (etwa Breeze TTS 2) – technisch stark, rechtlich für Kundenarbeit gesperrt [28].
• Werkzeuge, die „lokal“ nur behaupten – prüfbar in zwei Minuten mit gezogenem Netzstecker.

Bei der Hardware bleibt die Empfehlung entsprechend schlicht: Die RTX 3090 genügt für alles, was hier steht [5][6]. Die RTX 5090 ist erst dann die richtige Karte, wenn deutlich größere Modelle oder FP4-Quantisierung genutzt werden sollen [1][2]. Die Reihenfolge vor jedem Kauf lautet: Zweck klären, Lizenz prüfen, Einwilligung regeln, Modell wählen, selbst messen – und erst dann über Hardware sprechen.

Wie wir solche Systeme aufbauen

Wir arbeiten mit einer eigenen Maschine im eigenen Netz. Diese Infrastruktur läuft seit Monaten und trägt Sprachmodelle, Texterkennung und Bildauswertung; die Fixkosten verteilen sich damit auf mehrere Aufgaben, und Sprachausgabe ist ein weiterer Baustein darauf, kein eigener Rechner.

Was in der Praxis zählt, ist die Reihenfolge. Erst Zweck und Lizenz klären, dann ein Modell auswählen – und vor jedem Modellwechsel die Lizenz erneut prüfen, weil ein Schritt innerhalb derselben Modellfamilie von einer freizügigen in eine gesperrte Lizenz führen kann. Wir halten die Erzeugung in einem abgeschotteten Netzsegment, die Schnittstelle des Werkzeugs ist nicht aus dem Internet erreichbar, der Zugriff ist beschränkt und dokumentiert. Die Kennzeichnung synthetischer Inhalte ist bei uns ein fester Schritt der Veröffentlichung. Und weil eine Maschine nur einen Lauf gleichzeitig trägt, werden Sprachaufträge gereiht statt parallel gestartet.

Der Teil, der in Anbietertexten fehlt: Bevor wir eine Stimme für einen Betrieb empfehlen, entsteht eine Hörprobe mit dessen eigenem Wortschatz – Firmenname, Materialbegriffe, Ortsnamen. Die veröffentlichten Zahlen geben für deutsche Fachsprache nichts her, und ein Betrieb, der eine Ansage produziert, merkt den Unterschied in der ersten Sekunde.

Was nicht belegt ist

Zu jeder Zahl gehört die Angabe, wie belastbar sie ist:

• Die Parameterzahl von Piper und F5-TTS ist in keiner offiziellen Angabe veröffentlicht. Die Werte im Text sind Drittangaben beziehungsweise aus der Dateigröße gerechnet und als solche gekennzeichnet [14][15][27].
• Für E2-TTS ist keine Parameterzahl belegt; die Deutsch-Tauglichkeit ist es ebenfalls nicht [17][18].
• Deutsch ist bei F5-TTS nur über Community-Finetunes dokumentiert, bei CosyVoice 2 gar nicht, bei Kokoro-82M ausdrücklich nicht. Offiziell belegt ist Deutsch allein bei Piper [13][14][15][20][21][23][24].
• MOS-Werte existieren zu keinem der vier Modelle in den abgerufenen Quellen [13][14][20][21][23].
• Arena-Elo ist für Piper, F5-TTS und CosyVoice 2 nicht belegt – sie stehen nicht im Leaderboard; nur Kokoro-82M ist dort mit 1.063 gelistet [26].
• Für RTX 3090 und RTX 5090 haben wir in den abgerufenen Quellen keinen belastbaren Sprach-Messwert gefunden; die kursierenden Einzelwerte aus Hosting- und Community-Quellen sind methodisch nicht nachvollziehbar und deshalb nicht zitiert [1][2][5][6].
• Der deutschsprachige Messvergleich ist eine Einzelquelle mit 15 Sätzen, ohne Lizenz und ohne Begutachtung; die Zeichenfehlerrate wurde über eine Spracherkennung gemessen und zeigt Verständlichkeit, nicht Natürlichkeit [27].
• Echtzeitfaktoren aus Herstellerangaben sind Selbstauskünfte und überwiegend auf Server-Hardware gemessen; sie sind nicht auf eine 24-GB-Karte übertragbar [20][21].
• Aussagen zur Echtzeit-Kundenkommunikation lassen sich mit den abgerufenen Quellen nicht belegen und stehen deshalb nicht im Text.
• Rangwerte und Versionsstände sind Momentaufnahmen vom 14.10.2026 [26].

Wenn bei Ihnen regelmäßig gesprochene Inhalte entstehen – Kundeninformation, Unterweisung, Erklärvideo, Warteschleife – oder wenn eine Stimme im Betrieb eingesetzt werden soll: Welche Aufnahmen entstehen bei Ihnen, und wer spricht sie? Schreiben Sie uns zwei Sätze dazu. Sie bekommen eine Einschätzung, welches Modell trägt, welche Lizenz dazu passt und was Sie vorher selbst hören sollten. Und eine ehrliche Antwort, wenn die Vertonung besser im Studio bleibt.

Quellen

Alle Angaben stammen aus Adressen, die am 14.10.2026 abgerufen und auf Abrufbarkeit geprüft wurden. Rangwerte, Versionsstände und Messwerte sind Momentaufnahmen dieses Tages; Datumsangaben der Quellen stehen in den Titeln.

1. https://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5090 – NVIDIA, GeForce RTX 5090 (32 GB GDDR7, Blackwell, 5. Generation Tensor-Kerne, FP4)
2. https://www.notebookcheck.net/NVIDIA-GeForce-RTX-5090-Benchmarks-and-Specs.935680.0.html – Notebookcheck, RTX 5090 (512-Bit-Interface, 1.792 GB/s, 575 W)
3. https://www.nvidia.com/en-us/geforce/graphics-cards/40-series/rtx-4090 – NVIDIA, GeForce RTX 4090 (24 GB GDDR6X, Ada Lovelace, 4. Generation Tensor-Kerne)
4. https://www.techspot.com/specs/gpu/252744-nvidia-geforce-rtx-4090.html – TechSpot, RTX 4090 (384 Bit, 1.008 GB/s, 450 W)
5. https://www.nvidia.com/en-us/geforce/graphics-cards/30-series/rtx-3090-3090ti – NVIDIA, GeForce RTX 3090 / 3090 Ti (Ampere, 3. Generation Tensor-Kerne)
6. https://www.notebookcheck.net/Nvidia-GeForce-RTX-3090-FE-High-end-graphics-power-at-a-premium-price.518526.0.html – Notebookcheck, RTX 3090 (384 Bit, 936 GB/s, 350 W)
7. https://localaimaster.com/blog/best-local-tts-models – Local AI Master, Best Local TTS Models 2026 (Speicherbedarf 0,5-B-Klasse rund 4 bis 6 GB, Piper unter 1 GB; Bandbreitenvergleich ausdrücklich als rechnerische Obergrenze)
8. https://pinggy.io/blog/best_open_source_self_hosted_text_to_speech_models – Pinggy, Best Open Source Self-Hosted TTS Models (Kokoro unter 2 GB; Gewichte nicht kommerziell freigegebener Modelle)
9. https://github.com/OHF-Voice/piper1-gpl – Piper, aktiv gepflegtes Nachfolge-Repository (GPL-3.0, Version 1.8.0, Maintainer-Suche)
10. https://pypi.org/project/piper-tts/ – Piper, Paketveröffentlichung 1.8.0 (GPL-3.0-or-later)
11. https://github.com/rhasspy/piper – Piper, Original-Repository (MIT, archiviert)
12. https://huggingface.co/rhasspy/piper-voices/tree/main/de/de_DE/thorsten/medium – Stimme de_DE-thorsten-medium (63.201.294 Byte, 22.050 Hz, Datensatz CC0)
13. https://github.com/OHF-Voice/piper1-gpl/blob/main/docs/VOICES.md – Piper, offizielle Sprachenliste
14. https://github.com/SWivid/F5-TTS – F5-TTS, Code (MIT, Release 1.1.22, Flow Matching)
15. https://huggingface.co/SWivid/F5-TTS – F5-TTS, Gewichte (CC-BY-NC-4.0; Trainingsdatensatz Emilia als Grund der Lizenzbeschränkung)
16. https://arxiv.org/abs/2410.06885 – F5-TTS, Paper (Flow Matching)
17. https://arxiv.org/abs/2406.18009 – E2 TTS, Paper (vollständig nicht-autoregressiv, SLT 2024)
18. https://huggingface.co/SWivid/E2-TTS – E2-TTS, Gewichte (CC-BY-NC-4.0)
19. https://github.com/lucidrains/e2-tts-pytorch – E2-TTS, Community-Implementierung (MIT); ein offizielles Repository existiert nach unserer Prüfung nicht (die Adresse https://github.com/SWivid/E2-TTS antwortet am 14.10.2026 mit HTTP 404 und steht deshalb nicht als Quelle in dieser Liste)
20. https://github.com/FunAudioLLM/CosyVoice – CosyVoice, Code (Apache-2.0)
21. https://huggingface.co/FunAudioLLM/CosyVoice2-0.5B – CosyVoice 2, Modellkarte (Apache-2.0, 0,5 B); Sprachenliste mit Deutsch gehört zur Nachfolgeversion
22. https://arxiv.org/abs/2412.10117 – CosyVoice 2, Paper (Streaming und Non-Streaming in einem Modell)
23. https://huggingface.co/hexgrad/Kokoro-82M – Kokoro-82M, Modellkarte (Apache-2.0, 82 Mio. Parameter, Version 1.0; Hinweis zur dünnen Unterstützung nicht-englischer Sprachen)
24. https://huggingface.co/hexgrad/Kokoro-82M/blob/main/VOICES.md – Kokoro, Stimmen- und Sprachenliste (acht Sprachen, kein Deutsch)
25. https://github.com/hexgrad/kokoro – Kokoro, Code (Apache-2.0)
26. https://artificialanalysis.ai/text-to-speech/leaderboard – Artificial Analysis, TTS-Leaderboard (97 Modelle, Kennzahl „Provider Voice Arena Preference Elo“; Kokoro 82M v1.0 mit 1.063; Piper, F5-TTS, CosyVoice 2 nicht gelistet)
27. https://github.com/vibecode-vm/german-tts-modal-benchmark – Deutscher Vergleichstest offener Sprachmodelle auf Modal (18.05.2026, 15 Sätze; Einzelquelle ohne Lizenz und ohne Begutachtung)
28. https://huggingface.co/BreezeBlue/breeze-tts-2 – Breeze TTS 2, Gewichte (offener Code, Gewichte nicht kommerziell freigegeben)
29. https://ai-act-service-desk.ec.europa.eu/de/ai-act/article-50 – AI Act Service Desk der EU-Kommission, Artikel 50 der Verordnung (EU) 2024/1689
30. https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md – StyleTTS 2, Projektbeschreibung (Informationspflicht gegenüber Hörern, nur Stimmen mit Klonfreigabe)
31. https://www.buzer.de/21_NIS2.htm – NIS-2-Richtlinie, Artikel 21 (geeignete und verhältnismäßige Maßnahmen)
32. https://www.bsi.bund.de/DE/Themen/Regulierte-Wirtschaft/NIS-2-regulierte-Unternehmen/NIS-2-Infopakete/NIS-2-Risikomanagementmassnahmen/NIS-2-Risikomanagementmassnahmen.html – BSI, NIS-2-Risikomanagementmaßnahmen (Umsetzung und Dokumentation; rund 29.500 erfasste Unternehmen in Deutschland)

Autor: Team REN-AI-SSANCE – mit KI-Unterstützung erstellt, von Menschen geprüft und freigegeben.