Was ist ChatTTS?
ChatTTS ist ein Text-to-Speech-Modell von 2noise für gesprochene Dialoge, etwa als Stimme eines LLM-Assistenten, auf Chinesisch und Englisch. Du kannst Steuer-Tokens wie [laugh], [uv_break] und [lbreak] in den Text setzen oder auf Satzebene festlegen, wie umgangssprachlich die Stimme klingt, wie viel sie lacht und pausiert, und ein zufälliges Speaker-Embedding ziehen, um eine neue Stimme zu bekommen. Ausgegeben wird Audio mit 24 kHz.
Laut Team wurde das Hauptmodell mit mehr als 100.000 Stunden chinesischem und englischem Audio trainiert, die offene Version ist aber ein Basismodell mit 40.000 Stunden ohne überwachtes Fine-Tuning. Die Gewichte auf Hugging Face wurden zuletzt im Oktober 2024 aktualisiert. Um Missbrauch zu erschweren, haben die Autoren beim Training etwas hochfrequentes Rauschen hinzugefügt und das Audio als MP3 komprimiert, das offene Modell klingt also absichtlich rauer, als es könnte.
Die Lizenzen solltest du zuerst lesen. Der Code steht unter AGPLv3 oder später, die verlangt, dass du deinen Quellcode veröffentlichst, wenn du eine veränderte Version als Netzwerkdienst anbietest. Die Modellgewichte stehen unter CC BY-NC 4.0, und das README sagt, sie seien nur für akademische und Forschungszwecke gedacht, nicht für kommerzielle Nutzung. Das Repo hat rund 40.000 Sterne; v0.2.5 vom 10. April 2026 ist das jüngste Release und zugleich der letzte Commit.
Lohnt sich ChatTTS?
ChatTTS ist ein Forschungswerkzeug für Gesprächssprache, und die Lizenz macht daraus eine feste Grenze statt einer Empfehlung. Die Gewichte unter CC BY-NC 4.0 verbieten kommerzielle Nutzung, der AGPLv3+-Code verpflichtet jeden, der eine veränderte Version über ein Netzwerk anbietet, zur Offenlegung des Quellcodes, und 2noise bietet keine kommerzielle Lizenz zum Kauf an. Ein Startup mit einem kostenpflichtigen Sprachassistenten kann es nicht ausliefern.
Innerhalb dieser Grenze kann es etwas, das viele offene TTS-Modelle noch schlecht können: Es klingt nach Unterhaltung statt nach Vorlesen. Die Prosodie lässt sich auf zwei Ebenen steuern. Ein Prompt auf Satzebene wie [oral_2][laugh_0][break_6] legt fest, wie plaudernd, lachend und pausenreich die Stimme ist, und Tokens auf Wortebene setzen ein Lachen oder eine Pause genau dorthin, wo du sie willst. Zufällig gezogene Sprecher liefern neue Stimmen, und das gespeicherte Embedding holt dieselbe Stimme später zurück.
Der Haken: Das offene Modell ist nicht das, welches das Team beschreibt. Es ist eine Basis mit 40.000 Stunden ohne Fine-Tuning, gegenüber einem Hauptmodell mit mehr als 100.000 Stunden, und die Autoren haben absichtlich hochfrequentes Rauschen und MP3-Kompression hinzugefügt. Die FAQ räumen die Instabilität autoregressiver Modelle ein, etwa eine Stimme, die den Sprecher wechselt, oder sinkende Audioqualität, und empfehlen, mehrere Varianten zu erzeugen und eine auszuwählen. Unterstützt werden nur Englisch und Chinesisch, und das README nennt Englisch experimentell. Die FAQ nennen mindestens 4GB GPU-Speicher für einen 30-Sekunden-Clip und einen Echtzeitfaktor von etwa 0.3 auf einer RTX 4090.
Die Pflege beschränkt sich inzwischen auf das Nötigste. v0.2.5 im April 2026 behob Fehler mit neueren Transformers-Versionen und brachte teilweise DirectML-Unterstützung; die Gewichte sind seit Oktober 2024 unverändert, und die Steuerung mehrerer Emotionen aus der Roadmap ist nicht gekommen. Rund 60 Issues sind offen.
Unser Fazit: ChatTTS ist eine gute Referenz dafür, wie Gesprächsprosodie klingen sollte, so wie ein Konzeptauto zeigt, wohin ein Design geht; alles, was du verkaufen willst, braucht ein Modell mit freizügiger Lizenz.
Wo es sich lohnt
Eine Sprachforscherin an einem Universitätslabor
Vergleichen, wie Prosodie-Tokens die wahrgenommene Natürlichkeit im Dialog verändern
Dieselben Skripte mit und ohne die Tokens [laugh] und [uv_break] erzeugen, das Speaker-Embedding festhalten, damit sich nur die Prosodie ändert, und einen Hörtest durchführen. Für akademische Arbeit kostenlos unter CC BY-NC 4.0; eine GPU mit 4GB reicht.
Ein Hobbyist, der lokal einen chinesischsprachigen Begleit-Bot baut
Den Antworten eines LLM eine Stimme geben, die nach lockerem Gespräch klingt
Den LLM-Text mit einem gespeicherten Speaker-Embedding und niedriger Temperatur für Konsistenz an chat.infer geben. Nur private, nicht kommerzielle Nutzung; gelegentlich muss ein instabiler Clip neu erzeugt werden.
Bevor du dich festlegst
- Einrichtung
- pip install ChatTTS (oder das Repo klonen und requirements.txt installieren, im conda-Beispiel mit Python 3.11). chat.load() lädt die Gewichte von Hugging Face; examples/web/webui.py startet eine lokale Web-UI, examples/cmd/run.py schreibt MP3-Dateien.
- Integrationen
- Python-API mit Batch-Inferenz; optional vLLM unter Linux; Streaming-Ausgabe; Gewichte auf Hugging Face. Oberflächen aus der Community stehen im Index Awesome-ChatTTS, nicht im Haupt-Repo.
- Daten und Datenschutz
- Läuft vollständig lokal; Text wird nirgendwohin geschickt. Code unter AGPLv3+, Gewichte unter CC BY-NC 4.0, laut README für akademische und Forschungszwecke. Die Autoren sagen, sie hätten einen Detektor für ihr Audio trainiert, ihn aber nicht veröffentlicht.
- Kosten im großen Maßstab
- Keine bezahlte Edition und keine kommerzielle Lizenz, daher gibt es keine legalen Produktionskosten zu nennen. Für Forschung braucht es laut FAQ mindestens eine GPU mit 4GB.
- Grenzen
- Nur Englisch und Chinesisch, Englisch experimentell; nur [laugh], [uv_break] und [lbreak] als Tokens auf Wortebene; autoregressive Instabilität erfordert Wiederholungen; Echtzeitfaktor etwa 0.3 auf einer RTX 4090; TransformerEngine und FlashAttention-2 sind im README als nicht zu installieren markiert.
Was gut ist
- Steuerung von Lachen, Pausen und Umgangston auf Satz- und Wortebene
- Auf Dialoge abgestimmte Prosodie, die die Autoren über den meisten offenen TTS-Modellen sehen
- Zufällige Sprecher mit wiederverwendbaren Stimm-Embeddings
- pip install ChatTTS, dazu eine Web-UI und ein Kommandozeilenbeispiel
Was nicht
- Gewichte unter CC BY-NC 4.0: keine kommerzielle Nutzung, keine bezahlte Lizenz
- AGPLv3+-Code verlangt Quellcode-Freigabe bei veränderten Netzwerkdiensten
- Das offene Modell ist eine 40.000-Stunden-Basis mit absichtlichem Rauschen und MP3-Kompression
- Englisch ist experimentell; Gewichte seit Oktober 2024 unverändert
Am besten für
Forschende und Hobbyisten, die Gesprächssprache auf Chinesisch oder Englisch untersuchen und das Ergebnis nie in einem kommerziellen Produkt einsetzen.
Alternativen zu ChatTTS
ChatTTS: häufige Fragen
- Lohnt sich ChatTTS?
- ChatTTS gibt einem Sprachagenten in der Forschung noch immer überzeugende Lacher und Pausen auf Chinesisch und Englisch, doch nicht kommerzielle Gewichte, absichtlich verschlechtertes Audio und ein seit 2024 unverändertes Modell schließen es für Produkte aus. Wir bewerten es mit 3.4 von 5.
- Was kostet ChatTTS?
- Kostenlos. Der Code steht unter AGPLv3+; die Modellgewichte unter CC BY-NC 4.0, also keine kommerzielle Nutzung. Eine bezahlte oder kommerzielle Lizenz wird nicht angeboten.
- Welche Nachteile hat ChatTTS?
- Gewichte unter CC BY-NC 4.0: keine kommerzielle Nutzung, keine bezahlte Lizenz; AGPLv3+-Code verlangt Quellcode-Freigabe bei veränderten Netzwerkdiensten; Das offene Modell ist eine 40.000-Stunden-Basis mit absichtlichem Rauschen und MP3-Kompression; Englisch ist experimentell; Gewichte seit Oktober 2024 unverändert.
- Für wen eignet sich ChatTTS?
- Forschende und Hobbyisten, die Gesprächssprache auf Chinesisch oder Englisch untersuchen und das Ergebnis nie in einem kommerziellen Produkt einsetzen.
- Was kostet ChatTTS für ein Team oder im Produktivbetrieb?
- Keine bezahlte Edition und keine kommerzielle Lizenz, daher gibt es keine legalen Produktionskosten zu nennen. Für Forschung braucht es laut FAQ mindestens eine GPU mit 4GB.
- Ist ChatTTS sicher für Firmendaten?
- Läuft vollständig lokal; Text wird nirgendwohin geschickt. Code unter AGPLv3+, Gewichte unter CC BY-NC 4.0, laut README für akademische und Forschungszwecke. Die Autoren sagen, sie hätten einen Detektor für ihr Audio trainiert, ihn aber nicht veröffentlicht.
- Was sind die besten Alternativen zu ChatTTS?
- Die nächsten Alternativen, die wir getestet haben, sind VibeVoice und audio.cpp.
Antworten geprüft am 14. Nov. 2026.