Kitten TTS im Test mit Installationsanleitung: ein Text-to-Speech-Modell mit 23 MB

Die meisten Text-to-Speech-Modelle setzen eine GPU und Gigabytes an Speicherplatz voraus. Kitten TTS geht den umgekehrten Weg: 15 Millionen Parameter und etwa 23 MB auf der Platte, was es zum wahrscheinlich kleinsten funktionierenden TTS-Modell machte.

Es bietet mehrere ausdrucksstarke Stimmen, erzeugt Sprache in Echtzeit auf einer CPU und ist Open Source unter der freizügigen Lizenz Apache 2.0. Das passt zu Entwicklern, die für eingebettete Hardware, Raspberry-Pi-Projekte oder Browser-Apps bauen, wo Modellgröße und Tempo am meisten zählen.

Stärken

• Kleiner Fußabdruck: Mit 23 MB läuft es auf fast allem, von Laptops über einen Raspberry Pi bis zu Edge-Geräten.
• Keine GPU: Die Inferenz läuft auf der CPU, was Stromverbrauch und Kosten niedrig hält.
• Acht eingebaute Stimmen, vier männliche und vier weibliche, jede mit einer gewissen Ausdrucksbreite.
• Tempo: Die Erzeugung läuft auf einer gewöhnlichen CPU oft in Echtzeit oder nahe daran.
• Komplett offline: Alles läuft lokal ohne API-Aufrufe, was Apps hilft, die private Daten verarbeiten.

Schwächen

• Audioqualität: Körnigkeit, Abbrüche und Artefakte fallen auf, besonders in längeren oder ausdrucksstärkeren Sätzen.
• Vorerst nur Englisch; die Entwickler sagen, mehrsprachige Unterstützung komme „bald“.
• Keine ausdrückliche Kontrolle über Emotion oder Prosodie, obwohl die Stimmen ausdrucksstark sind.
• Es ist eine Preview: Es funktioniert, ist aber nicht reif für die Produktion.

Kitten TTS unter Linux installieren (CPU)

Voraussetzungen

• Python 3.8 oder neuer
• Ubuntu oder ein anderes Debian-basiertes Linux
• Optional: eine virtuelle Umgebung
• Keine GPU nötig

1. Eine virtuelle Umgebung anlegen (empfohlen)

python3 -m venv kittenenv
source kittenenv/bin/activate

2. Das Paket installieren

KittenML veröffentlicht das Modell als Wheel auf GitHub:

pip install https://github.com/KittenML/KittenTTS/releases/download/0.1/kittentts-0.1.0-py3-none-any.whl

Das einfache Nutzungsbeispiel steht auf der Hugging-Face-Seite des Modells.

Diese Anleitung ging ursprünglich davon aus, dass sich Kitten TTS auch über Mozillas TTS-Bibliothek oder einen Fork davon laden lässt, mit diesen Schritten:

git clone https://github.com/mozilla/TTS.git
cd TTS
pip install -r requirements.txt
python setup.py install

Prüfe im Repository von Mozilla TTS, ob es einen eigenen Modell-Loader oder eine Gradio-Oberfläche gibt, bevor du dich auf diesen Weg verlässt.

Beispiel: eine lokale Gradio-App

Das baut eine einfache Gradio-Oberfläche um das Modell, über den oben beschriebenen Weg mit Mozilla TTS:

# app.py
import gradio as gr
from TTS.api import TTS

tts = TTS("tts_models/en/kitten-tts/nano", progress_bar=False, gpu=False)

def speak(text, voice):
    return tts.tts(text, speaker=voice)

demo = gr.Interface(
    fn=speak,
    inputs=[gr.Text(label="Text"), gr.Radio(["1F", "2F", "3M", "4M"], label="Voice")],
    outputs="audio"
)

demo.launch()

Dann starte:

python app.py

Öffne http://localhost:7860, um es auszuprobieren.

Leistung

Laut dem ursprünglichen Testbericht ist die Inferenz selbst auf bescheidener Hardware wie Dual-Core-CPUs oder virtuellen Maschinen schnell: unter 2 Sekunden für einen normalen Satz. Der Speicherverbrauch bleibt unter 1 GB, und die CPU-Last ist gering.

Der Haken: Lange Sätze können unvollständig herauskommen, das Audio kann je nach Stimme und Systemlast körnig oder roboterhaft klingen, und die Wiedergabe im Browser kann hängen, was wahrscheinlich am Browser liegt und nicht am Modell.

Wo es hineinpasst

Kitten TTS soll keine High-Fidelity-Modelle wie ElevenLabs, XTTS oder Bark ersetzen. Seine Größe und freizügige Lizenz passen zu anderen Aufgaben:

Einsatzzweck	Warum Kitten TTS passt
Eingebettete Geräte	Passt insgesamt in unter 50 MB; keine GPU
Datenschutzorientierte Apps	Komplett offline; keine APIs von Drittanbietern
Schnelles Prototyping	Schnell, um Oberflächenabläufe mit Stimme zu testen
Bildung	Gut für Demos im Unterricht und Informatik-Praktika
KI-Begleiter	Lässt sich mit kleinen LLMs zu lokalen Agenten kombinieren
Statische Websites	Lokale Sprachausgabe ohne Cloud

Bewertung

Kategorie	Wertung
Audioqualität	2/5
Inferenztempo	5/5
Ressourcenverbrauch	5/5
Stimmenvielfalt	4/5
Entwicklererfahrung	4/5
Open-Source-Wert	5/5

Gesamtwertung: 4,2 von 5.

Unser Fazit: Die Qualität reicht nicht an die besten Modelle heran, aber wo eine kleine Offline-Stimme wichtiger ist als Feinschliff, ist Kitten TTS heute gut genug, und es zeigt, dass brauchbare Sprachausgabe keinen großen Download und keine High-End-GPU mehr braucht.

Eine High-Fidelity-Alternative behandelt unser Testbericht zu ElevenLabs.