OmniVoice Studio

Sprach-KI ist weitgehend in die Cloud abgewandert. Dort laufen Diktat, Voice-Cloning und Dubbing über kostenpflichtige APIs, die deine Aufnahmen auf fremde Server schicken. OmniVoice Studio vom Entwickler debpalash stellt sich diesem Modell entgegen. Es ist eine fertige Desktop-Anwendung, die drei Aufgaben bündelt, für die man sonst getrennt zahlt: lokales Diktat über einen globalen Hotkey, Zero-Shot-Voice-Cloning aus einem Clip von nur drei Sekunden und vollständiges Video-Dubbing, das transkribiert, übersetzt, neu vertont und als MP4 exportiert. Alles läuft auf dem Gerät, ohne API-Keys und ohne Konto. Das Projekt vermarktet sich als 'die Open-Source-Alternative zu ElevenLabs' und liefert anders als viele Forschungs-Repos in diesem Feld eine echte App mit nativen Installern statt eines Haufens von Skripten.

Technisch ist OmniVoice Studio eine Tauri-Desktop-Hülle um ein React-Frontend und ein FastAPI-Backend, das einen Stapel offener Modelle auf deiner eigenen Hardware orchestriert. Das Besondere ist die Vielfalt austauschbarer Engines statt eines einzigen fest verbauten Modells. Für Text-to-Speech kannst du zwischen OmniVoice, CosyVoice, MLX-Audio, VoxCPM2 und weiteren wählen, für die Transkription stehen WhisperX, Faster-Whisper, MLX Whisper und andere bereit. So passt sich die App daran an, ob du auf einem Apple-Silicon-Mac, einer NVIDIA-GPU oder reinem CPU-Betrieb arbeitest. Sie erkennt CUDA, MPS und ROCm automatisch, lagert auf kleineren GPUs aus und fällt bei Bedarf auf die CPU zurück. Bausteine wie Demucs zur Vocal-Isolation und pyannote zur Speaker-Diarization vervollständigen eine wirklich komplette Dubbing-Pipeline.

Die naheliegende Zielgruppe sind alle, die Sprachverarbeitung brauchen, aber keine Audiodaten an Dritte geben können oder wollen. Dazu zählen Journalisten und Anwälte mit vertraulichen Aufnahmen, interne Teams, die Schulungsvideos lokalisieren, unabhängige Creator, die YouTube-Inhalte in andere Sprachen dubben, und Entwickler, die schlicht Diktat ohne Abo wollen. Weil alles lokal läuft, eignet es sich auch für regulierte Umgebungen in Gesundheitswesen, Finanzbranche oder öffentlichem Sektor, wo Datensouveränität eine harte Anforderung ist, kein Wunsch. Konkrete Anwendungen sind sofort greifbar: die Stimme eines Sprechers aus einer kurzen Probe klonen, um eine einzelne Zeile zu korrigieren, ein Tutorial von Englisch nach Deutsch dubben, ohne neu aufzunehmen, oder per systemweitem Hotkey in jede Anwendung diktieren. Ohne API-Kosten pro Zeichen wird auch Stapelverarbeitung in großem Umfang realistisch.

Die ehrlichen Einschränkungen sind hier wichtig. Nach eigener Aussage des Maintainers ist dies aktive Beta-Software, derzeit etwa v0.3.5, und zwischen Releases gehen Dinge kaputt. Vor allem aber ist das Label 'Open Source' irreführend: Die Lizenz ist FSL-1.1-ALv2, also quelloffen einsehbar (source-available), aber nicht OSI-anerkannt. Du darfst den Code für private und nicht-kommerzielle Zwecke lesen und ausführen, doch kommerzielle oder konkurrierende Nutzung ist eingeschränkt, bis jedes Release zwei Jahre nach Veröffentlichung automatisch in Apache-2.0 übergeht. Abseits der Lizenz hängt bei lokaler Inferenz die Qualität und Geschwindigkeit stark von deiner Hardware ab, mit Auslagerung auf schwachen GPUs und langsamem CPU-Fallback. Voice-Cloning aus drei Sekunden ist beeindruckend, aber unbeständig, und wie bei jedem Cloning-Werkzeug gibt es offensichtliche Risiken bei Einwilligung und Missbrauch, die die Software selbst nicht kontrollieren kann.

Gegenüber ElevenLabs ist der Tausch klar. ElevenLabs liefert ausgereiftere, konsistentere Ergebnisse, einen gemanagten Cloud-Dienst und keine Hardwarelast, berechnet aber pro Nutzung, und deine Audiodaten verlassen dein Gerät. OmniVoice Studio tauscht etwas Qualität und Verlässlichkeit gegen volle lokale Kontrolle, null Grenzkosten und Daten, die das Gerät nie verlassen. Es passt gut, wenn Souveränität, Datenschutz und ausbleibende API-Rechnungen schwerer wiegen als der Bedarf an produktionsreifer Stabilität, und es ist heute schon brauchbar für persönliches Diktat und experimentelles Dubbing. Zu früh ist es, wenn du verlässliche, wiederholbare Ergebnisse für veröffentlichte Arbeit brauchst oder wenn deine Nutzung kommerziell ist: bis das jeweilige Release seine Zwei-Jahres-Umwandlung in Apache erreicht, braucht es dafür eine separate Lizenz, die nicht automatisch kostenlos ist.