Winzige Text-zu-Sprache-Modelle, die auf einer CPU laufen: vier offene Optionen im Vergleich
Kokoro, Pocket TTS, Phonon 31M und Supertonic 3 sind offene TTS-Modelle mit maximal 100M Parametern, die auf der CPU eines Laptops laufen. Vergleich von Größe, Sprachen, Voice Cloning und Lizenzen.
Vier offene Text-zu-Sprache-Modelle mit höchstens 100 Millionen Parametern laufen inzwischen auf der CPU eines gewöhnlichen Laptops: Kokoro, Pocket TTS, Phonon 31M und Supertonic 3. Kyutais Pocket TTS kam im Januar 2026, Supertones Supertonic 3 im Mai und Gradiums Phonon im Oktober, während Kokoro seit Januar 2025 existiert. Auf dem Datenblatt ähneln sie sich; worin sie unterscheiden, entscheidet, welchen Sie ausliefern können.
Die vier auf einen Blick
| Modell | Größe | Sprachen | Voice Cloning | Lizenz der Gewichte |
|---|---|---|---|---|
| Kokoro (hexgrad) | 82M, 327 MB | 8, mit 54 Stimmen | Nein | Apache 2.0 |
| Pocket TTS (Kyutai) | 100M, 0.22 GB | 6, plus Niederländisch laut README | Ja, ab etwa 5 Sekunden | CC BY 4.0 hinter einem verbotene-Verwendung-Gate |
| Phonon 31M (Gradium) | 31M, 64.5 MB | nur Englisch | Nein, nur API | Apache 2.0 |
| Supertonic 3 (Supertone) | 99M, rund 400 MB | 31, kein Chinesisch | Nein, 10 voreingestellte Stimmen | OpenRAIL-M |
Tempo und Qualität sind selbstberichtete Werte
Jede Zahl unten stammt vom jeweiligen Entwickler, gemessen auf unterschiedlicher Hardware und unterschiedlichen Testsets. Kyutai berichtet, Pocket TTS laufe auf einem MacBook Air M4 mit zwei CPU-Kernen etwa sechsmal schneller als Echtzeit, und dass es zusammen mit Kokoro das einzige Modell im Laptop-Vergleich war, das auf einer CPU schneller als Echtzeit war. Das Oktober-Update ergänzt englische Modelle mit 18,2M und 1,9M Parametern, die auf einem CPU-Thread mit dem 9,9- und 25-Fachen der Echtzeit laufen. Gradium sagt, Phonon 31M beginne auf einer Laptop-CPU nach etwa 7 ms zu sprechen. Supertone sagt, Supertonic 3 laufe schnell auf CPU, selbst im Vergleich zu größeren Modellen, die auf einer A100 gemessen wurden.
Auch die Qualitätsbehauptungen passen nicht zusammen. In Gradiums Englisch-Test erzielt Phonon 31M ein Elo von 2.098 gegen 2.043 für Kokoro. In Kyutais Tests hat Pocket TTS die niedrigste Word Error Rate, 1,84 %, liegt aber bei der Audioqualität hinter Chatterbox Turbo und hat die geringste Sprecher-Ähnlichkeit der vier Cloning-Modelle. Hören Sie Ihren eigenen Text, bevor Sie wählen.
Die Lizenzen entscheiden mehr als die Größe
Nur Kokoro und Phonon 31M verwenden schlichtes Apache 2.0 für ihre Gewichte. Pocket TTS ist auf Hugging Face als CC BY 4.0 gelistet, hinter einem Hinweis, der Identitätsdiebstahl, Täuschung und rechtswidrige Inhalte verbietet, während Kyutais Launch-Post MIT sagt – prüfen Sie also das Repository, aus dem Sie laden. Jede voreingestellte Stimme hat eine eigene Lizenz, und ein Schwester-Repository ohne Cloning-Funktion ist nicht gated. Supertonic 3 nutzt OpenRAIL-M, eine OpenRAIL-Lizenz, die kommerzielle Nutzung erlaubt, aber verlangt, dass jede Kopie und jeder Ableger ihre Liste verbotener Verwendungen mitführt. Phonons größere 40M-Modelle sind CC BY-NC und nicht frei für kommerzielle Nutzung.
Was Sie abgeben
Kleine Modelle tauschen Kontrolle ein. Kokoros Stimmen sind fest, die meisten arbeiten am besten auf Text von rund 100 bis 200 Tokens, und langer Text sollte in Blöcke geteilt werden. Pocket TTS kann keine Pausen über Stille im Text einfügen, und GPU-Nutzung wird offiziell nicht unterstützt. Phonon 31M teilt lange Eingaben in Sätze, die Intonation trägt also nicht über den ganzen Text, und es liest andere Sprachen mit englischer Aussprache. Supertonic 3 hat zehn voreingestellte Stimmen, und Cloning wurde nur über Supertones gehostete Dienste angeboten. Wenn Sie Lang narration oder viele eigene Stimmen brauchen, passt ein größeres Modell auf einer GPU besser.
Was wählen
- Die kleinste Datei, auf Englisch: Phonon 31M ist 64.5 MB groß, hat 37 Stimmen und ein Runtime für Python, Rust, C und C++, Swift, Android und den Browser.
- Voice Cloning auf CPU: Pocket TTS klont eine Stimme in sechs Sprachen – lesen Sie aber zuerst das Gate und die Stimmen-Lizenzen.
- Am weitesten verbreitet: Kokoro hatte rund 12,5 Millionen Downloads in den 30 Tagen bis zum 11. November 2026, mit dem breitesten Angebot fertiger Stimmen. Es kann keine Stimme klonen, und die letzte Modellveröffentlichung war im Februar 2025.
- Viele Sprachen, darunter Koreanisch, Japanisch und Arabisch: Supertonic 3 – aber Supertone hat das Projekt im September 2026 archiviert, rechnen Sie also nicht mit Korrekturen.
- Ein größeres Modell, das noch lokal läuft: ZONOS3-Mini hat 800M Parameter, aber nur rund 100M aktive, klont Stimmen in 43 Sprachen und läuft laut Zyphra in Echtzeit auf Laptops, Handys und im Browser. Es ist Apache 2.0 und wurde am 9. November 2026 veröffentlicht – wenig Track Record.
- Zwei weitere CPU-Optionen außerhalb dieses Vergleichs: MOSS-TTS-Nano von OpenMOSS hat rund 100M Parameter, klont Stimmen, listet etwa 20 Sprachen und schreibt 48-kHz-Stereo; laut OpenMOSS lief die ONNX-Version flüssig auf einem Kern eines MacBook Air M4. VieNeu-TTS v3 ist ein 131M-Modell für Vietnamesisch und Englisch mit 23 Stimmen und Cloning; laut Karte kommt das erste Audio nach etwa 300 ms auf CPU in fp32. Beide sind Apache 2.0, und keines der Projekte veröffentlicht einen Qualitäts-Benchmark für sein Sprachmodell.
Die Liste der besten Open-Source-TTS-Modelle rangiert auch die größeren Optionen, und wie man ein TTS-Modell wählt führt durch die Entscheidung. Voice Cloning erklärt die Einwilligungsregeln, auf die sich diese Lizenzen beziehen.
Quellen
- Kokoro-82M model card (Hugging Face) huggingface.co
- Pocket TTS: a high-quality TTS with voice cloning that runs on CPU (Kyutai, 13 Jan 2026) kyutai.org
- The tiny TTS was actually 10x too big (Kyutai, 20 Oct 2026) kyutai.org
- Pocket TTS model card and prohibited-use notice (Hugging Face) huggingface.co
- Phonon 31M English model card (Hugging Face) huggingface.co
- Open-Sourcing Phonon, a suite of frontier on-device TTS models (Gradium) gradium.ai
- ZONOS3-Mini (Zyphra blog, 9 Nov 2026) zyphra.com
- Supertonic 3 model card (Hugging Face) huggingface.co
- Supertonic repository, archived on 9 Sep 2026 (GitHub) github.com
- MOSS-TTS-Nano repository (GitHub) github.com
- VieNeu-TTS v3 Turbo model card (Hugging Face) huggingface.co
Modelle in diesem Artikel
| Modell | Erscheinungsdatum | Parameter | Kontext | Lizenz | Bedarf der kleinsten Variante |
|---|---|---|---|---|---|
| Kokoro EN hexgrad | 82M | – | Apache 2.0 (Permissiv) | 0.38 GB Laptop oder Smartphone | |
| Pocket TTS EN Kyutai | 18M – 100M | – | CC BY 4.0 (Permissiv) | 0.127 GB Laptop oder Smartphone | |
| Phonon 31M EN Gradium | 31M | – | Apache 2.0 (Permissiv) | 0.0747 GB Laptop oder Smartphone | |
| Supertonic 3 EN Supertone | 99M | – | OpenRAIL-M (Bedingt) | 0.46 GB Laptop oder Smartphone | |
| ZONOS3-Mini EN Zyphra | 800M 100M aktiv | – | Apache 2.0 (Permissiv) | 10 GB Laptop oder Smartphone | |
| MOSS-TTS-Nano EN OpenMOSS | 100M | – | Apache 2.0 (Permissiv) | 0.276 GB Laptop oder Smartphone | |
| VieNeu-TTS v3 EN Phạm Nguyễn Ngọc Bảo (VieNeu-TTS) | 48M – 131M | – | Apache 2.0 (Permissiv) | 0.322 GB Laptop oder Smartphone |