VoxCPM

Sprachsynthese wurde lange von zwei Kräften ausgebremst, und das muss man klar benennen: Die besten Stimmen stecken hinter abgerechneten Cloud-APIs, und die meisten offenen Systeme klingen entweder roboterhaft oder kommen mit Gewichten, die man rechtlich nicht in ein Produkt packen darf. VoxCPM von der OpenBMB-Gruppe hinter den MiniCPM-Modellen versucht, beide Lücken zugleich zu schließen. Es ist ein tokenizer-freies TTS-System, dessen aktuelle Version VoxCPM2 mit 2 Milliarden Parametern läuft und 30 Sprachen abdeckt, darunter Deutsch. Statt Text auf einen festen Satz diskreter Audio-Tokens abzubilden, erzeugt es kontinuierliche Sprachrepräsentationen direkt. Das praktische Versprechen ist Studio-Qualität zum Selbsthosten, mit einer Lizenz, Apache-2.0, die auch die Modellgewichte umfasst, sodass die Ausgabe ohne Abrechnung pro Zeichen kommerziell nutzbar ist.

Architektonisch bricht VoxCPM mit dem heute üblichen Muster, Audio in diskrete Codes zu quantisieren. Das Projekt beschreibt ein durchgängiges diffusions-autoregressives Design, das in einem kontinuierlichen Latentraum (einem AudioVAE) arbeitet, auf dem MiniCPM-4-Backbone aufbaut und laut OpenBMB auf mehr als zwei Millionen Stunden mehrsprachiger Sprache trainiert wurde. Zwei Funktionen stechen heraus. Voice Design erzeugt eine neue Stimme aus einer reinen Textbeschreibung, etwa eine junge Frau mit sanfter Stimme, ganz ohne Referenz-Audio. Voice Cloning arbeitet mit einem kurzen Referenzclip, optional ergänzt um ein Transkript für eine genauere Fortsetzung von Klangfarbe und Rhythmus. Es zielt auf Echtzeit: Das Projekt nennt einen Real-Time-Factor um 0,30 auf einer RTX 4090, der sich mit Nano-vLLM verbessert, und bietet eine Streaming-API.

Die natürliche Zielgruppe sind Teams, die Kontrolle und Wirtschaftlichkeit auf ihrer Seite wollen: Selbsthoster mit GPU, die echte kommerzielle Freiheit statt eines abgerechneten Endpunkts brauchen. Konkrete Fälle sind das Vertonen einer App oder Produkt-UI in mehreren Sprachen ohne Kosten pro Anfrage, das Erzeugen von Sprechertexten für Video oder E-Learning, das Prototyping von Spielfiguren oder interaktiver Fiktion über Voice Design und Barrierefreiheits- oder Screenreader-Funktionen, bei denen Daten die eigenen Server nicht verlassen sollen. Der OpenAI-kompatible /v1/audio/speech-Endpunkt, über den vLLM-Omni-Serving-Pfad bereitgestellt, ist hier wichtig: Er lässt sich hinter bereits gegen diese Schnittstelle geschriebenen Code setzen, was den Austausch eines bezahlten TTS-Anbieters gegen einen lokalen in einer bestehenden Pipeline verbilligt.

Die Einschränkungen sind real und gehören abgewogen. VoxCPM braucht eine GPU mit rund 8 GB VRAM und CUDA 12 oder neuer, mit Linux als primärem Ziel, sodass reine CPU- oder Windows-zuerst-Setups außerhalb des Rahmens liegen. Die README selbst sagt offen, dass Voice Design und kontrollierbares Cloning zwischen Durchläufen variieren und schlägt vor, ein bis drei Mal zu generieren, bis die gewünschte Stimme sitzt, was vollautomatischen Batch-Betrieb erschwert. Der Real-Time-Factor hängt stark von der Hardware ab, die genannten Zahlen setzen also starke GPUs voraus. Es gibt zudem kein eingebautes Wasserzeichen und keine Herkunftskennzeichnung, trotz eines ausdrücklichen Verbots von Imitation und Betrug, sodass die Missbrauchsabwehr ganz beim Betreiber liegt. Sprachen jenseits der gelisteten 30 brauchen womöglich Tests oder Fine-Tuning.

Gegenüber gemanagten Alternativen wie ElevenLabs oder den großen Cloud-TTS-APIs tauscht VoxCPM Bequemlichkeit gegen Eigentum. Man verzichtet auf einen polierten gehosteten Dienst, garantierte Verfügbarkeit und einen Supportvertrag und nimmt GPU-Bereitstellung und Betriebsaufwand in Kauf. Dafür gibt es keine Nutzungsabrechnung, volle Kontrolle über die eigenen Daten und Gewichte, die man rechtlich in ein kommerzielles Produkt einbetten darf. Greif zu, wenn du GPU-Kapazität hast, Datensouveränität schätzt und dein Volumen die Abrechnung pro Zeichen schmerzhaft macht: Der OpenAI-kompatible Endpunkt macht die Migration handhabbar. Zu früh ist es, wenn du eine schlüsselfertige API brauchst, nur CPU oder Windows fährst oder die Schwankung zwischen Durchläufen und das fehlende Wasserzeichen nicht tragen kannst. Für das richtige Selbsthosting-Team ist es aber ein glaubwürdiges, wirklich freies Fundament.