Hochwertige Sprachsynthese galt lange als Cloud-Dienst mit Abo und Zeichenpreis. Das quelloffene Modell Kokoro dreht das um und erzeugt Stimmen lokal auf der CPU, ohne Internet und ohne laufende Kosten. Für Datenschutz und Kalkulation ändert das die Ausgangslage, bei deutschen Stimmen gibt es aber einen Haken.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Lokale Sprachsynthese war bis vor Kurzem entweder langsam oder blechern. Kokoro liest einen Absatz auf einem normalen Notebook in ein bis knapp fünf Sekunden vor, ohne dass ein einziges Zeichen den Rechner verlässt. Damit rückt eine Technik ins Büro, die bisher großen Anbietern vorbehalten schien.
Das Wichtigste in Kürze
- Kokoro-82M ist ein quelloffenes TTS-Modell unter Apache-2-Lizenz, läuft auf der CPU und wiegt quantisiert rund 85 MB.
- Es beherrscht 8 Sprachen und 54 Stimmen, Deutsch ist noch nicht dabei.
- Keine Cloud, keine API-Kosten: Text und Audio bleiben auf dem eigenen Gerät.
- Für deutsche Ansagen führt der lokale Weg heute über Piper mit der freien Thorsten-Stimme.
Wie kann ein 82-Millionen-Modell auf der CPU sprechen?
Möglich macht das die Modellgröße. Kokoro-82M trägt nur 82 Millionen Parameter, einen Bruchteil großer KI-Modelle, und ist deshalb schnell genug für gewöhnliche Prozessoren.[2] Der Entwickler Ariya Hidayat zeigt in einem Blogbeitrag, wie das Modell über den Container Kokoro-FastAPI läuft und dabei sogar die Sprachschnittstelle von OpenAI nachbildet.[1]
Auf einem AMD Ryzen 7 liest Kokoro einen Absatz in rund anderthalb Sekunden vor, ein zehn Jahre alter Intel-Chip braucht knapp fünf, jeweils ohne Grafikkarte. In der Diskussion auf Hacker News berichten Nutzer zusätzlich von einer Browser-Variante mit etwa 85 Megabyte, die komplett im Tab arbeitet. Kokoro reiht sich damit in einen Trend ein, den wir zuletzt bei einem 7 MB kleinen Modell im Browser und bei kompakten Modellen abseits der Cloud gesehen haben.
Was spart die lokale Stimme gegenüber ElevenLabs?
Cloud-Dienste rechnen die Stimme pro Zeichen ab. Beim Anbieter ElevenLabs kostet der Creator-Tarif rund 19 € im Monat für 121.000 Zeichen, jedes weitere Zeichen verbraucht Guthaben.[3] Kokoro läuft nach dem einmaligen Download ohne laufende Kosten. Wer viel vorliest, verschiebt die Rechnung von der Betriebsausgabe zur Anschaffung, ein Muster, das auch die Debatte um irreführende KI-Kostenkennzahlen prägt.
Der zweite Hebel ist der Datenschutz. Bei einem Cloud-Dienst verlässt jeder vorzulesende Text das Haus und landet beim Anbieter, was unter der DSGVO eine Auftragsverarbeitung nötig macht. Lokal bleibt der Text auf dem Gerät, die Frage der Weitergabe stellt sich gar nicht erst.
Die eigentliche Nachricht ist nicht die Stimme, sondern der Ort: Sie entsteht auf dem eigenen Rechner statt in einer fremden Cloud. Für jeden, der Kundentexte vorlesen lässt, verschiebt das die Datenschutzfrage vom Anbieter zurück ins eigene Haus.
— Markus Seyfferth, Chefredakteur Dr. Web
rund 19 € im Monat für 121.000 Zeichen im Creator-Tarif. Jeder vorzulesende Text geht an den Anbieter.
Apache-2-Lizenz, einmal geladen. Der Text bleibt auf dem Gerät und läuft offline weiter.
Deutsch noch nicht dabei: keine von Kokoros 54 Stimmen spricht Deutsch. Der lokale Weg führt hier heute über Piper mit der freien Thorsten-Stimme.
Spricht Kokoro auch Deutsch?
Hier kommt der Haken. Kokoro beherrscht acht Sprachen und 54 Stimmen, von amerikanischem Englisch über Mandarin und Hindi bis Brasilianisch, aber Deutsch ist nicht darunter. Für deutsche Ansagen bringt das Modell heute also nichts.
Den lokalen Weg für deutsche Stimmen gibt es trotzdem. Das ebenfalls quelloffene Piper liefert mit der frei nutzbaren Thorsten-Stimme eine deutsche Ausgabe, die offline nach demselben Prinzip arbeitet. Das gewinnt an Gewicht, seit das Barrierefreiheitsstärkungsgesetz am 28. Juni 2025 in Kraft getreten ist und viele Shops und Dienste dazu verpflichtet, Inhalte über mehr als einen Sinneskanal anzubieten, etwa per Vorlesefunktion.
Für den Einstieg lohnt ein klarer Testfall: englische Produktvideos oder Podcasts über Kokoro vertonen, deutsche Vorlesefunktionen über Piper mit der Thorsten-Stimme, und beides zunächst auf einem einzelnen Rechner statt in der Cloud. So sinken Kosten und Datenschutzrisiko, bevor eine größere Lösung ansteht. Welche KI-Werkzeuge im Unternehmen wirklich zählen, ordnet unser Leitfaden ein.
Quellen
[1] Ariya Hidayat: „Local, CPU-Friendly, High-Quality TTS (Text-to-Speech) with Kokoro“ ↩
[2] hexgrad: Kokoro-82M, Modellkarte auf Hugging Face ↩
[3] ElevenLabs: Preisübersicht der Tarife ↩
Mehr Newshunger?
- Ternlight: Ein 7 MB großes Embedding-Modell läuft komplett im Browser
- Kleine KI-Modelle gewinnen dort an Boden, wo das Netz schwächelt
- Preis pro Million Token: Warum die beliebteste KI-Kostenkennzahl in die Irre führt
- GLM 5.2 und der drohende Margen-Kollaps der KI-Branche
- KI-Tools im Unternehmen: Diese Kategorien zählen wirklich
