ElevenLabs-Alternative: Text-to-Speech und Voice Cloning mit Open Source auf eigener GPU

KI-Stimmen lokal erzeugen und klonen statt mit ElevenLabs

Zwei Open-Source-Modelle können die Sprachausgabe einer Firma statt ElevenLabs auf der eigenen Workstation übernehmen: Chatterbox Multilingual V3 von Resemble AI (MIT-Lizenz) und Qwen3-TTS vom Qwen-Team (Apache 2.0) sprechen beide Deutsch, Englisch und viele weitere europäische Sprachen, klonen eine Stimme aus einer kurzen Referenzaufnahme und sind für die kommerzielle Nutzung lizenziert. Für den Betrieb genügt eine NVIDIA-RTX-PRO-Karte ab 24 GB; Skripte, Stimmaufnahmen und fertige Audiodateien bleiben dabei im Firmennetz. ElevenLabs deckt weiterhin mehr Sprachen ab, und im einzigen veröffentlichten deutschen Vergleich, der es einschließt, dem des Qwen-Teams, sprach es deutlicher, während Qwen3-TTS die Referenzstimme genauer traf.

Typische Aufgaben sind Sprechertexte für E-Learning, Ansagen für die Telefonanlage (IVR), Tonspuren für Erklärvideos und Vorlesefunktionen für die Barrierefreiheit; die Hardware steht gebündelt in einem Abschnitt mit Tabelle. Zwei verwandte Aufgaben haben eigene Leitfäden: KI-Synchronisation mit Lippensynchronität für die Übersetzung vorhandener Videos und der Server für Voice-Agenten für eine KI, die Anrufe live beantwortet.

Text-to-Speech (TTS) macht aus geschriebenem Text gesprochenes Audio. Voice Cloning, das Klonen einer Stimme, lässt ein TTS-Modell mit der Stimme einer bestimmten Person sprechen, anhand einer Referenzaufnahme von oft nur wenigen Sekunden. Ein Modell ist die trainierte KI selbst, ein Satz Dateien, der auf die Grafikkarte (GPU) geladen wird; seine Lizenz regelt, was eine Firma damit und mit den Ergebnissen tun darf.

Sprachen, Klonregeln und Datenresidenz bei ElevenLabs

Die Modellübersicht von ElevenLabs, gelesen am 30. Oktober 2026, nennt Eleven v4 mit „90+ languages“ und Eleven v3 mit „70+ languages“. Der Leitfaden zum Voice Cloning beschreibt zwei Arten von Klonen. Instant Voice Cloning arbeitet mit „1–2 minutes of good audio“ und trainiert kein eigenes Modell. Professional Voice Cloning trainiert ein eigenes Modell mit „30–180 minutes of good audio“, und der Leitfaden setzt eine klare Regel: „You can only create a Professional Voice Clone of your own voice“, und „Even with their consent, you cannot clone someone else's voice.“

Laut der Seite zur Datenresidenz speichert ElevenLabs Daten standardmäßig in den USA; Speicherorte in der EU, in Indien und in Singapur sind möglich, und „Data residency is an Enterprise feature“. Sie ergänzt: „While storage will take place in the selected location, processing may nevertheless occur outside of the selected location.“ Bei EU-Residenz lässt sich die Verarbeitung mit dem Zero Retention Mode über die API auf die EU beschränken.

Mit einem lokalen Modell bleiben Skript, Referenzaufnahme und jede erzeugte Datei auf der Workstation, das Internet wird nur zum Herunterladen von Modellen und Updates gebraucht. Dafür testet jemand im Team die Stimmen und betreut die Maschine.

Offene TTS-Modelle und ihre Lizenzen, Oktober 2026

GitHub-Repositorys, Hugging-Face-Modellkarten und Lizenzdateien von resemble-ai/ResembleAI, QwenLM/Qwen, hexgrad, OHF-Voice und rhasspy, coqui, SWivid und fishaudio, gelesen am 30. Oktober 2026. Firmennutzung so, wie die Lizenzen lauten; Ihre Rechtsberatung bestätigt jede Nutzung.

Chatterbox Multilingual V3 ist das Modell von Resemble AI mit 0,5 Milliarden Parametern unter MIT-Lizenz. Zu seinen 23 Sprachen gehören Deutsch, Englisch, Französisch, Italienisch, Spanisch, Polnisch, Niederländisch, Griechisch und die skandinavischen Sprachen, nicht aber Tschechisch, Ungarisch oder Rumänisch. Die Modellkarte empfiehlt es als „one voice cloning model that works across many languages“. „Every audio file generated by Chatterbox includes Resemble AI's Perth (Perceptual Threshold) Watermarker“, ein unhörbares Wasserzeichen, das laut Repository MP3-Kompression und Bearbeitung übersteht.

Qwen3-TTS erschien am 22. Januar 2026 in den Größen 0,6 und 1,7 Milliarden Parameter, für Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch. Die Base-Modelle bieten einen „3-second rapid voice clone from user audio input“ und lassen sich auf einen Sprecher feinabstimmen. Die CustomVoice-Modelle bringen neun vorgefertigte Stimmen mit Steuerung per schriftlicher Anweisung mit, keine davon mit Deutsch als Muttersprache, und das VoiceDesign-Modell erzeugt eine neue Stimme aus einer schriftlichen Beschreibung. Repository und Modellkarte nennen Apache 2.0; eine eigene Lizenzdatei liegt auf Hugging Face nicht.

Kokoro-82M (Apache 2.0) hat 54 vorgefertigte Stimmen in amerikanischem und britischem Englisch, Spanisch, Französisch, Hindi, Italienisch, Japanisch, Mandarin und brasilianischem Portugiesisch, aber keine deutsche, und seine Modellkarte bietet kein Voice Cloning. Für eine europäische Firma ist es eine Option für englische Sprechertexte.

Piper ist eine schnelle, lokale Sprachausgabe. Sein ursprüngliches Repository wurde am 6. Oktober 2025 archiviert, die Entwicklung läuft unter GPL-3.0 in piper1-gpl weiter. Laut Stimmenliste ist Piper nur für die private Nutzung und die Forschung an Sprachausgabe gedacht („intended for personal use and text to speech research only“), und die Lizenz jeder Stimme steht in ihrer Modellkarte; in der Einrichtung, die wir Unternehmen anbieten, ist Piper deshalb nicht enthalten.

Nicht für die Firmennutzung. XTTS-v2 bietet „Voice cloning with just a 6-second audio clip“ in 17 Sprachen. Seine Lizenzdatei, die Coqui Public Model License 1.0.0, erlaubt die Nutzung „for any non-commercial purpose“. Nach ihrer Zusammenfassung erlaubt sie nur die nicht kommerzielle Nutzung des Modells und seiner Ausgaben („allows only non-commercial use of a machine learning model and its outputs“), also auch des erzeugten Audios. F5-TTS veröffentlicht seinen Code unter MIT, doch „The pre-trained models are licensed under the CC-BY-NC license due to the training data Emilia“. OpenAudio S1-mini von Fish Audio steht unter CC-BY-NC-SA-4.0. Alle drei stehen in Listen von ElevenLabs-Alternativen, für Videos, Kurse oder Telefonansagen einer Firma darf jedoch keines von ihnen sprechen.

Sie können die Workstation allein bestellen, die Einrichtung von Chatterbox und Qwen3-TTS allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Wie gut die offenen Modelle Deutsch sprechen

Der einzige deutsche Vergleich mit ElevenLabs, den wir gefunden haben, stammt vom Qwen-Team selbst. Auf seiner Modellkarte, mit dem dort so genannten „TTS multilingual test set“, erreicht Qwen3-TTS 1.7B Base auf Deutsch eine Wortfehlerrate (WER) von 1,235 und eine Sprecherähnlichkeit von 0,775. ElevenLabs erreicht 0,572 und 0,614. Die Wortfehlerrate zählt die Wörter, die eine Spracherkennung beim Abschreiben des erzeugten Audios falsch versteht; niedriger heißt deutlichere Aussprache. Die Sprecherähnlichkeit misst, wie nah der Klon an der Referenzstimme liegt. Welches ElevenLabs-Modell getestet wurde, sagt die Karte nicht, und die Messung ist die des Herstellers.

Einen veröffentlichten deutschen Hörtest haben wir für keines dieser Modelle gefunden.

Ein Test mit Ihren eigenen Texten entscheidet. Nehmen Sie 30 Sätze aus Ihrem Material, mit Produktnamen, Zahlen, Datumsangaben, Abkürzungen, langen Komposita und englischen Lehnwörtern, und lassen Sie jedes Modell sie sprechen. Eine Muttersprachlerin oder ein Muttersprachler bewertet sie, und Whisper schreibt das Audio ab, damit Sie die Abschrift mit dem Skript vergleichen können; das ist dieselbe Methode wie Qwens Wortfehlerrate. Unser Vergleich zur deutschen Spracherkennung zeigt, wie genau Whisper auf Deutsch ist.

Einwilligung, DSGVO und AI Act beim Klonen von Stimmen

Eine geklonte Stimme gehört zu einem Menschen. Artikel 4 Nummer 1 DSGVO definiert personenbezogene Daten als „alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person“ beziehen, und eine Sprachaufnahme einer Mitarbeiterin, eines Mitarbeiters oder einer Sprecherin fällt darunter. Vereinbaren Sie mit der Person, deren Stimme geklont wird, schriftlich den Zweck, die Sprachen, die Dauer der Nutzung und was mit Stimmmodell und Audiodateien geschieht, wenn die Vereinbarung endet. Bei Beschäftigten hält der Europäische Datenschutzausschuss eine freiwillige Einwilligung für unwahrscheinlich (Leitlinien 05/2020 zur Einwilligung, Randnummer 21). Bei einer beauftragten Sprecherin oder einem Sprecher lässt sich die Nutzung der Stimme im Vertrag über die Aufnahmen regeln. Ihr Datenschutz­beauftragter bestätigt die Rechtsgrundlage, und unser Leitfaden zu lokaler KI und DSGVO erklärt, was der Eigenbetrieb ändert.

Die KI-Verordnung (AI Act) fügt zwei Pflichten hinzu. Nach Artikel 50 Absatz 2 sorgen Anbieter von KI-Systemen, die synthetisches Audio erzeugen, dafür, dass die Ausgaben des KI-Systems „in einem maschinenlesbaren Format gekennzeichnet und als künstlich erzeugt oder manipuliert erkennbar sind“. Als Anbieter gilt nach der KI-Verordnung, wer ein KI-System entwickelt oder entwickeln lässt und es unter eigenem Namen in Betrieb nimmt, und die Inbetriebnahme umfasst die Bereitstellung „zum Eigengebrauch“; eine Firma, die sich ein eigenes Sprachsystem einrichten lässt, kann also darunterfallen. Unser Artikel zum EU AI Act für Unternehmen erklärt die Rollen. Artikel 50 gilt ab dem 2. August 2026, und Anbieter von Systemen, die vor diesem Datum in Verkehr gebracht wurden, haben nach Artikel 111 Absatz 4 Zeit bis zum 2. Dezember 2026. Chatterbox bettet in jede Datei ein unhörbares Wasserzeichen ein, und sein Repository liefert ein Skript, das es erkennt; ob das die Anforderung erfüllt, beurteilt Ihre Rechtsberatung. Die Seiten von Qwen3-TTS und Kokoro nennen kein Wasserzeichen; Resemble AI veröffentlicht sein Wasserzeichen-Werkzeug Perth aber auch als eigene Bibliothek unter MIT-Lizenz, die jede Audiodatei markiert, sodass auch die Ausgaben von Qwen3-TTS dieselbe Markierung tragen können.

Nach Artikel 50 Absatz 4 legen Betreiber einen Deepfake offen, den Artikel 3 Nummer 60 als Inhalt definiert, der „wirklichen Personen, Gegenständen, Orten, Einrichtungen oder Ereignissen ähnelt“ und einer Person „fälschlicherweise als echt oder wahrheitsgemäß erscheinen würde“. Ein Klon Ihrer Geschäftsführerin, der einen Text liest, den sie nie gesprochen hat, kann unter diese Definition fallen; eine aus einer Beschreibung entworfene Stimme, die niemandem ähnelt, ist ein anderer Fall. Was jede Nutzung verlangt, bestätigt Ihre Rechtsberatung.

Welche GPU für lokale Sprachausgabe und Voice Cloning

TTS-Modelle sind klein. Die Repositorys nennen keinen GPU-Speicherbedarf, deshalb rechnet die Tabelle mit der Größe der Modelldateien und mit OpenAIs Angabe von etwa 10 GB für Whisper large, das die Ausgabe kontrolliert. Nach unserer Rechnung belegt Chatterbox Multilingual V3 etwa 3,2 GB (seine v3-Dateien mit 2,14 und 1,06 GB), Qwen3-TTS 1.7B Base etwa 4,5 GB (3,86 GB plus 0,68 GB für den Sprach-Tokenizer) und alle drei zusammen etwa 17,8 GB oder 16,5 GiB. Unsere Sizing-Regel zählt 90 Prozent des Speichers, den der Treiber meldet, abzüglich 3 GiB als nutzbar: 18,5 GiB auf einer 24-GB-Karte, 25,7 auf 32 GB, 40,0 auf 48 GB, 61,5 auf 72 GB und 83,0 auf 96 GB.

Dateigrößen aus den Hugging-Face-Repositorys von ResembleAI und Qwen sowie aus OpenAIs Whisper-README, gelesen am 30. Oktober 2026; nutzbarer Speicher nach unserer Sizing-Regel; Kartendaten aus NVIDIAs Datenblättern. Unsere Rechnung, keine Messung; Speicher für die laufende Berechnung kommt zu den Dateien hinzu.

Einstieg. Die NVIDIA RTX PRO 4000 Blackwell hat 24 GB bei 145 W und belegt einen Steckplatz. Die drei Modelle passen in ihre 18,5 GiB mit etwa 2 GiB Reserve; lange Texte erzeugen Sie deshalb besser mit einem Modell nach dem anderen. Die RTX PRO 4500 Blackwell mit 32 GB bei 200 W lässt etwa 9 GiB frei und ist für die tägliche Arbeit die bequemere Wahl.

Team. Die RTX PRO 5000 Blackwell hat 48 oder 72 GB mit 1.344 GB/s und zieht 300 W. Sie nimmt zusätzlich ein lokales Übersetzungsmodell auf, etwa EuroLLM-9B-Instruct (Apache 2.0, etwa 18,3 GB Gewichte in 16 Bit), sodass aus einem deutschen Skript auf derselben Maschine eine französische, polnische oder spanische Sprachaufnahme wird: zusammen mit den TTS-Modellen und Whisper etwa 36,1 GB oder 33,6 GiB, innerhalb der 40,0 GiB der 48-GB-Karte. Qwens Leitfaden zur Feinabstimmung auf einen Sprecher nennt keinen Speicherbedarf; ein Probelauf mit Ihren Aufnahmen zeigt, was sie braucht, und die 72-GB-Karte lässt dafür den meisten Platz. Unser Leitfaden zur maschinellen Übersetzung on-premise behandelt die Übersetzungsmodelle.

Mittel. Eine RTX PRO 6000 Blackwell Workstation Edition oder Max-Q mit 96 GB erzeugt mehrere Stimmen parallel und hält Feinabstimmung und Produktion getrennt. Die Workstation Edition zieht 600 W, die Max-Q 300 W mit Radiallüfter. Zwei Karten der Workstation Edition sind für diese Ausführung das realistische Maximum.

Groß. Vorlesen auf Abruf für eine Website oder eine Telefonanlage mit vielen Leitungen braucht Sprachausgabe in Echtzeit für viele Hörer zugleich. Das ist Serverarbeit, dimensioniert in unserem Leitfaden zum Server für Voice-Agenten.

Geschwindigkeiten für RTX-PRO-Karten sind nicht veröffentlicht. Qwen nennt eine Latenz der Synthese von „as low as 97ms“, ohne die Hardware anzugeben, und Resemble AI gibt für sein kleines englisches Modell Chatterbox-Nano „3x faster than realtime on 8 CPU cores“ an. Wie lange eine Stunde Sprechertext dauert, hängt von Modell, Textlänge und Einstellungen ab; lassen Sie eines Ihrer üblichen Skripte auf der gelieferten Workstation durchlaufen und stoppen Sie die Zeit.

Einrichtung für Kurse, Telefonansagen und Vorlesefunktion

Sprechertexte für E-Learning. Kurse entstehen in Serien: ein Skript, viele kurze Audiodateien. Qwen3-TTS bringt eine Browser-Demo mit, die mit qwen-tts-demo startet, und beide Modelle lassen sich aus einem kurzen Skript aufrufen, das einen Ordner mit Textdateien in Audiodateien verwandelt. Eine feste Referenzaufnahme je Stimme und eine Ausspracheliste für Produktnamen halten die Stimme über alle Module gleich, wie unser Leitfaden zum KI-Voiceover für Marketingvideos beschreibt, zusammen mit dem Timing zum Schnitt.

Telefonansagen. Die Telefonanlage spielt kurze Ansagen ab, und das Audio muss in das Format gebracht werden, das sie erwartet, etwa G.711 mit 8.000 Abtastwerten pro Sekunde, wie unser Leitfaden zur Callcenter-KI festhält. Erzeugen Sie die Ansagen mit der Abtastrate des Modells, die Beispiele von Kokoro verwenden 24.000 Hz, und wandeln Sie sie danach um.

Vorlesefunktion für die Barrierefreiheit. Vorbereitete Audiodateien brauchen keinen Live-Server, und Text, der sich täglich ändert, wird über Nacht erzeugt.

Für das IT-Team. RTX-PRO-Blackwell-Karten brauchen CUDA 12.8 oder neuer, wie unser Leitfaden zur Software-Unterstützung für Blackwell erklärt. Das README von Qwen startet die Demo mit --ip 0.0.0.0, was sie für das ganze Netz öffnet; betreiben Sie solche Oberflächen hinter der Firmen-Firewall und mit Anmeldung. Speichern Sie Referenzaufnahmen und Stimmmodelle mit denselben Zugriffsregeln wie Personalakten.

Nennen Sie uns die Sprachen, die Zahl der Stimmen und die Audiominuten pro Monat, wir schlagen Ihnen die passende Karte und Konfiguration vor.

FAQ