Der Nighthog über die neuen Modelle von Thorsten-Voice: Piper, Kokoro und CosyVoice3. Drei Generationen deutscher Sprachsynthese, lokal und ohne Lizenzkosten.

Thorsten-Voice: eine geschenkte Stimme, jetzt mit KI dahinter

Sprechende Maschinen und ich, das war lange keine Liebesgeschichte.

Ich habe Formantsynthese gehört, als sie noch neu war. Es klang nach einem Roboter mit Kieferklemme. Danach kam die Bahnhofsansage, die jeden Ortsnamen so betonte, als läse sie ihn vom Ende her. Und dann kamen die Cloud-Dienste. Die klangen endlich gut. Sie rechneten nur eben pro Zeichen ab und wollten dafür wissen, was gesprochen werden soll.

Für einen, der nachts Systeme betreut, ist das eine unangenehme Kombination. Eine Monitoring-Ansage, die den Namen des ausgefallenen Servers zu einem amerikanischen Rechenzentrum schickt, damit er zurückkommt und im Flur vorgelesen wird. Man muss kein Datenschutzbeauftragter sein, um das komisch zu finden.

Deutsch war zusätzlich das Stiefkind. Die guten freien Stimmen sprachen englisch. Die deutschen freien Stimmen klangen, als spräche jemand englisch und meine es gut.

Was Thorsten-Voice ist

Thorsten Müller hat sich 2019 hingesetzt und angefangen, Sätze einzusprechen. Nicht ein paar hundert. Über vierzig Stunden Material sind es inzwischen, in mehreren Datensätzen, der größte mit rund 78.500 Aufnahmen in 44 kHz.

Das Bemerkenswerte ist nicht die Menge. Es ist die Lizenz.

Der komplette Datensatz steht unter CC0. Public Domain. Keine Namensnennung, keine Rückfrage, keine Unterscheidung zwischen privat und kommerziell. Ein Mann hat uns allen seine Stimme geschenkt, damit deutsche Maschinen nicht länger klingen müssen wie ein schlecht gelaunter Tourist. Seit Februar 2026 liegen die Daten zusätzlich im Mozilla Data Collective, weiterhin unter CC0.

Die daraus trainierten Modelle stehen unter Apache 2.0. Auch das ist eine bewusste Entscheidung und keine Nachlässigkeit. Man darf sie in ein Produkt einbauen und muss niemanden fragen.

Drei Generationen im selben Werkzeugkasten

Bis vor Kurzem hätte ich hier von Piper und Coqui erzählt und wäre fertig gewesen. Seit Dezember 2025 stimmt das nicht mehr. Das Projekt hat drei Modellfamilien nebeneinander liegen, und sie lösen unterschiedliche Aufgaben.

Modell	Rechenbedarf	Wofür
Piper	Läuft auf einem Raspberry Pi	Ansagen, Assistenten, alles Kleine
Kokoro	Echtzeit auf einer normalen CPU	Der Alltagsfall auf Laptop und Server
CosyVoice3	Will eine GPU	Wenn der Klang zählt

Piper ist der Arbeitsesel. Schnell, sparsam, unaufgeregt, und es gibt ihn in Standarddeutsch, in Hessisch und in einer emotionalen Variante.

Kokoro ist der Neuzugang aus der Mittelklasse. Basis ist Kokoro-82M, ein englisches Modell mit ganzen 82 Millionen Parametern, nachtrainiert auf Thorstens Datensatz. Es läuft ohne Grafikkarte in Echtzeit oder schneller. Für ein Modell dieser Größe ist das eine erstaunlich gute Rechnung.

Und dann CosyVoice3, seit dem 29. Juni 2026. Das ist die interessante Baustelle.

Was „LLM-basiert” bei einer Stimme heißt

Klassische Sprachsynthese hat Text auf ein Spektrogramm abgebildet und daraus eine Wellenform gemacht. Das funktioniert, aber die Betonung entsteht dabei als Durchschnitt aus dem Trainingsmaterial. Deshalb klingen solche Stimmen sauber und trotzdem ein bisschen tot.

CosyVoice3 teilt die Arbeit anders auf. Basis ist Fun-CosyVoice3-0.5B-2512 von FunAudioLLM. Thorstens Fassung tauscht zwei Teile davon aus:

llm.pt, 1,9 GB, zuständig für Sprechrhythmus, Betonung und Sprechstil
flow.pt, 1,3 GB, zuständig für Klangfarbe und spektrale Eigenheiten

Der HiFi-GAN-Vokoder bleibt unverändert aus dem Basismodell. Trainiert wurde auf 12.283 deutschen Sätzen aus dem Datensatz von 2022.

Der Punkt an der Sache: Ein Sprachmodell entscheidet über die Prosodie. Es sagt nicht nur, welcher Laut kommt, sondern wie lange er dauert, wo eine Pause sitzt und welches Wort das wichtige im Satz ist. Genau daran hängt, ob eine Maschine vorliest oder spricht.

Ein kleiner Blechroboter steht auf der Werkbank vor einem Bandmikrofon, hält ein Blatt Papier in beiden Händen und liest daraus vor, daneben ein alter Röhrenmonitor mit Tastatur

Ob es gelungen ist, muss man selbst hören. Auf der Projektseite lassen sich alle drei Familien im Browser gegeneinander testen, ohne Anmeldung und ohne Installation. Das ist der ehrlichere Test als jede Beschreibung, meine eingeschlossen.

Die Rechenfrage

Natürlichkeit kostet. Das Projekt ist dabei angenehm offen und veröffentlicht seine Messwerte gleich mit. Für CosyVoice3, kurzer Satz und langer Absatz:

Hardware	Kurzer Satz	Langer Absatz
MacBook Air M1, CPU	47 s	4:30 min
QNAP-NAS, Intel-CPU	50 s	—
RTX 4090	2,9 s	12,9 s

Diese Tabelle ist die eigentliche Entscheidungshilfe.

Für Ansagen, die einmal erzeugt und danach als Datei abgespielt werden, ist sie irrelevant. Telefonansagen, Wartemusik-Texte, die Durchsage im Aufzug, vertonte Schulungsunterlagen: Da darf die Erzeugung eine Minute dauern, sie passiert genau einmal. Nehmen Sie CosyVoice3 und freuen Sie sich am Ergebnis.

Für einen Assistenten, der auf eine Frage antworten soll, sieht es anders aus. Siebenundvierzig Sekunden Denkpause hat noch niemand als Gesprächsführung durchgehen lassen. Dort gehört Kokoro hin, oder Piper, wenn die Kiste klein ist.

Der Weg in den Betrieb

Für CosyVoice3 gibt es einen fertigen Container. Ein Befehl, danach steht eine HTTP-Schnittstelle:

docker run -p 8000:8000 \
  -v cosyvoice_models:/app/CosyVoice/pretrained_models \
  thorstenvoice/cosyvoice-tts

curl -X POST http://localhost:8000/tts \
     -F "text=Der Backup-Job auf Server zwei ist durchgelaufen." \
     --output ansage.wav

Das war es. Kein Konto, kein Schlüssel, kein Kontingent.

Wer es von Hand aufsetzen will, braucht Python 3.10 oder 3.11 und muss das CosyVoice-Repository auf einem bestimmten Commit auschecken. Unter 3.12 sind Anpassungen am Code nötig. Ich habe den Container genommen.

Piper wiederum ist in Home Assistant über das Wyoming-Protokoll ohnehin vorgesehen. Wer dort bisher eine Cloud-Stimme deutsch sprechen ließ, tauscht sie in wenigen Minuten gegen eine aus, die das Haus nie verlässt.

Hessisch

Es gibt die Stimme im Dialekt. Sowohl für Piper als auch für CosyVoice3.

Das klingt zunächst nach Spielerei, ist technisch aber ein sauberer Beleg dafür, dass die Sache funktioniert: Der Dialekt ist ein Speaker-Fine-Tune auf zusätzlichen Aufnahmen, kein Zero-Shot-Klon einer beliebigen Stimme. Das Modell kann genau diesen einen Menschen hessisch sprechen lassen, sonst niemanden.

Für eine Firmenansage ist das vermutlich nichts. Für die Frage, ob regionale Sprachvarianten in freien Modellen überhaupt abbildbar sind, ist es eine Antwort.

Die Kehrseite, und wer sie ausspricht

Am 15. August 2026 stand Thorsten Müller auf der FrOSCon und hielt einen Vortrag mit dem Titel „Risiken von kopierten Stimmen”. Seine Kernaussage: Die Zeit, in der wir uns auf die Echtheit vertrauter Stimmen verlassen konnten, ist vorbei.

Das sagt der Mann, der uns allen seine eigene Stimme geschenkt hat. Ich finde, das verdient Respekt. Es wäre bequemer gewesen, das Thema den Kritikern zu überlassen.

Für den Mittelstand ist der Satz keine Philosophie, sondern eine offene Rechnung. Der Anruf, in dem der Geschäftsführer aus dem Urlaub eine dringende Überweisung anordnet, funktionierte früher über Zeitdruck und Autorität. Heute kann er zusätzlich nach dem Geschäftsführer klingen. Eine bekannte Stimme am Telefon ist kein Identitätsnachweis mehr, und niemand hat das den Buchhaltungen bislang systematisch beigebracht.

Was hilft, ist unspektakulär und seit Jahrzehnten dasselbe: Rückruf über die im Adressbuch hinterlegte Nummer, niemals über die genannte. Zwei Augenpaare auf jeder Zahlung oberhalb einer festgelegten Grenze. Ein abgesprochenes Codewort für den Fall, dass es doch eilt. Das Verfahren muss schriftlich stehen und darf nicht davon abhängen, dass jemand am Telefon skeptisch genug ist.

Thorsten-Voice selbst ist an dieser Stelle übrigens unschuldig. Das Projekt klont keine fremden Stimmen, es reproduziert eine gespendete. Die Werkzeuge, die es anders machen, gibt es trotzdem, und sie fragen niemanden um Erlaubnis.

Mein Urteil

Der Nighthog sitzt an der Werkbank und hört dem kleinen Blechroboter zu, der gegenüber am Mikrofon steht und von einem Blatt Papier vorliest

Ich habe lange behauptet, freie deutsche Sprachsynthese sei ein Kompromiss, den man eingeht, weil man muss.

Das stimmt nicht mehr. Es gibt jetzt eine abgestufte Auswahl, von der Stimme für den Bastelrechner bis zum LLM-Modell mit ordentlicher Prosodie, alles unter Lizenzen, die keine Anwälte beschäftigen, und nichts davon verlässt das eigene Netz. Ein Einzelner hat das über sieben Jahre aufgebaut und es dann uns allen geschenkt.

Wenn Sie irgendwo im Haus eine Cloud-Stimme betreiben, die eigentlich nur Statusmeldungen vorliest: Der Wechsel dauert einen Nachmittag.

Details zum Projekt stehen bei uns unter Thorsten-Voice. Wenn Sie überlegen, wo im Betrieb Sprachausgabe sinnvoll wäre, ohne dass dabei Daten abfließen, reden Sie mit uns. Wer über lokale KI ganz allgemein nachdenkt, findet bei Ollama das Gegenstück auf der Textseite.

— der Nighthog, halb drei nachts, der Rechner hat gerade „Guten Morgen” gesagt und es klang wie ein Mensch