Was ist Audio8 TTS?
Audio8 TTS ist eine Familie kompakter Text-to-Speech-Modelle von Edge0, die eine Stimme aus einer kurzen Referenzaufnahme und deren Transkript klonen. Die aktuelle Version, Audio8-TTS-Realistic-Air, hat 601 Millionen Parameter plus einen Audio-Codec und unterstützt 23 Sprachen, 12 mehr als das Preview 0.6B, auf dem sie aufbaut. Sie wurde am 14. Oktober 2026 auf Hugging Face hochgeladen, zusammen mit einem Paper, das ein Training mit einem „Realismus-Kritiker“ beschreibt, der menschenähnliche Prosodie belohnt.
Die Architektur folgt dem DualAR-Design von Fish Audio S2 Pro: Ein langsames Modell mit 24 Schichten sagt pro Frame ein semantisches Token voraus, ein schnelles Modell mit 4 Schichten sagt 10 Codec-Codebooks voraus, ausgegeben mit 44,1 kHz. Die Gewichte liegen als BF16-Safetensors unter Apache 2.0 vor, ebenso der Code.
Ein kleineres Preview 0.1B (etwa 170 Millionen Parameter plus ein Codec mit 120 Millionen Parametern) zielt auf Chinesisch und Englisch und läuft als ONNX-INT8-Export auf der CPU in etwa 0,4 GiB. Es hat eine eigene Community-Lizenz, die für Firmen mit einem Jahresumsatz ab 2 Millionen US$ eine kostenpflichtige Lizenz verlangt.
Lohnt sich Audio8 TTS?
Audio8 TTS fällt eher durch seine Größe auf als durch absolute Qualität. Im selbst gemeldeten Seed-TTS-Test für Englisch und Chinesisch liegt die durchschnittliche Fehlerrate von Realistic Air bei 1,25 %, gegenüber 1,11 % für das 4B-Modell Higgs Audio v3, 1,32 % für das 4.6B-Modell Fish S2 Pro und 1,67 % für CosyVoice3. Ein Modell mit 601 Millionen Parametern entspricht nach unserer Rechnung etwa 1,2 GB Gewichten in BF16, klein genug für eine bescheidene GPU.
Die mehrsprachigen Werte sind weniger schmeichelhaft. Im MiniMax-Set mit 24 Sprachen liegt der durchschnittliche Fehler bei 5,89 %, gegenüber 4,40 % für Fish S2 Pro und 2,74 % für Higgs Audio v3, und das 0.6B-Modell von Qwen3-TTS erreicht 1,12 % bei Seed-TTS, etwas besser. Die Model Card nennt ihre Tabelle einen Referenzvergleich statt einer abgestimmten Rangliste und weist darauf hin, dass die Qualität je nach Sprache schwankt; alle Zahlen stammen von Edge0, und keine misst Realismus direkt.
Der Betrieb ist besser dokumentiert als bei den meisten kleinen Labs. Ein SGLang-Omni-Adapter bietet eine OpenAI-kompatible Sprach-API mit Batching; auf einer NVIDIA H20 maß er 0,691 s Latenz im warmen Zustand für etwa 5,9 s Audio, ein Echtzeitfaktor von 0,116, allerdings lief dieser Test mit dem Preview 0.6B, das dieselbe Architektur hat. Laut Model Card wurden Durchsatz und Streaming von Realistic Air selbst nicht gemessen, und es gibt dafür noch keinen ONNX-Export, sodass CPU-Nutzer auf die älteren Preview-Modelle beschränkt sind.
Der Haken: Herkunft und Schutzmaßnahmen. Die Identität des Herstellers ist dünn: GitHub nennt Edge0-AI, Hugging Face Edge0, der Code in der Model Card des 0.1B verweist auf Audio8, und es werden weder Standort noch Firmendaten veröffentlicht. Die Model Card des 0.1B bittet vor dem Klonen um Einwilligung, aber keine der beiden Model Cards erwähnt Wasserzeichen. Das Repository ist aktiv, mit 2.361 Sternen und einem Push am 2. November 2026, und Realistic Air kam im letzten Monat auf 11.349 Downloads.
Wo es sich lohnt
Ein Zwei-Personen-Studio, das Indie-Spiele auf Thai, Vietnamesisch und Indonesisch lokalisiert
Dieselben Figuren in allen Sprachen vertonen, ohne Gebühren pro Figur
Jeden Sprecher aus einem kurzen Referenzclip mit Transkript klonen und die Zeilen im Batch auf einer Consumer-GPU rendern; Apache 2.0 erlaubt kommerzielle Nutzung. Jede Sprache nach Gehör prüfen, da die Model Card vor schwankender Qualität warnt.
Ein Backend-Engineer bei einem Voice-Agent-Start-up
Geklonte Stimmen von einer GPU aus an viele Anrufer gleichzeitig ausliefern
Den SGLang-Omni-Adapter betreiben, der standardmäßig bis zu 32 laufende Anfragen hinter einem OpenAI-kompatiblen Endpoint /v1/audio/speech bündelt; der gemessene RTF von 0,116 auf einer H20 deutet auf Reserven hin, aber der Durchsatz von Realistic Air selbst ist nicht gemessen.
Ein Hobbyist, der einen Offline-Vorleseassistenten auf einem Laptop baut
Chinesischen und englischen Text ohne GPU sprechen lassen
Die ONNX-INT8-Laufzeit des Preview 0.1B auf der CPU in etwa 0,4 GiB nutzen, mit Streaming-PCM und einem lokalen Webserver. Für den privaten Gebrauch in Ordnung; eine Firma mit über 2 Millionen US$ Umsatz braucht eine Lizenz.
Bevor du dich festlegst
- Einrichtung
- Python 3.10+ und eine CUDA-GPU; das Repo klonen, pip install -r requirements.txt ausführen und audio8_tts_infer.py mit der Modell-ID starten, zum Klonen einen Referenzclip und ein Transkript angeben. SGLang Omni muss auf einen getesteten Commit festgelegt werden.
- Integrationen
- Transformers (4.57 bis unter 5; 5.x kann stumme Ausgabe erzeugen), SGLang Omni mit OpenAI-kompatibler Sprach-API, ONNX Runtime für die Preview-Exporte, Skripte für Supervised Fine-Tuning.
- Daten und Datenschutz
- Selbst gehostet; nichts verlässt deine Rechner. Realistic Air und Preview 0.6B stehen unter Apache 2.0; die Community-Lizenz des Preview 0.1B verlangt ab 2 Millionen US$ Jahresumsatz, verbundene Unternehmen eingerechnet, eine schriftliche kommerzielle Lizenz.
- Kosten im großen Maßstab
- Etwa 1,2 GB BF16-Gewichte für das 0.6B-Modell; der SGLang-Server nutzt standardmäßig einen statischen Speicheranteil von 0,2 auf einer GPU. Derzeit bietet kein gehosteter Anbieter es an.
- Grenzen
- 2.048 gepackte Text- und Audiopositionen; Qualität je nach Sprache ungleich; Geschwindigkeit und Streaming von Realistic Air nicht gemessen; lange, verrauschte oder falsch transkribierte Referenzclips verringern Stabilität und Ähnlichkeit.
Was gut ist
- Gewichte und Code der 0.6B-Modelle unter Apache 2.0
- Seed-TTS-Fehlerrate nahe an sechs- bis achtmal größeren Modellen
- 23 Sprachen, Ausgabe mit 44,1 kHz
- SGLang-Omni-Server mit OpenAI-kompatibler API, RTF 0,116 auf einer H20
- 0.1B als ONNX INT8 läuft auf der CPU in etwa 0,4 GiB
Was nicht
- Liegt im Test mit 24 Sprachen hinter Fish S2 Pro und Higgs Audio v3
- Alle Benchmarks selbst gemeldet; Geschwindigkeit von Realistic Air nicht gemessen
- Kein ONNX- oder CPU-Weg für Realistic Air
- Kein Wasserzeichen; Angaben zum Hersteller nicht veröffentlicht
- Lizenz des 0.1B kostet Firmen ab 2 Millionen US$ Umsatz Geld
Am besten für
Entwickler, die permissiv lizenziertes mehrsprachiges Voice Cloning mit kleinem GPU-Budget brauchen und die Qualität in ihren eigenen Sprachen testen können.
Alternativen zu Audio8 TTS
Audio8 TTS: häufige Fragen
- Lohnt sich Audio8 TTS?
- Das 0.6B-Modell von Audio8 klont Stimmen in 23 Sprachen mit Fehlerraten nahe an Konkurrenten mit 4B Parametern, ein starkes Angebot gemessen an der Größe, das beim härtesten mehrsprachigen Test aber noch zurückliegt. Wir bewerten es mit 3.8 von 5.
- Was kostet Audio8 TTS?
- Kostenlos. Die Gewichte von Realistic Air und Preview 0.6B stehen unter Apache 2.0; Preview 0.1B ist kostenlos für nicht kommerzielle Nutzung und für Firmen unter 2 Millionen US$ Jahresumsatz. Keine gehostete API.
- Welche Nachteile hat Audio8 TTS?
- Liegt im Test mit 24 Sprachen hinter Fish S2 Pro und Higgs Audio v3; Alle Benchmarks selbst gemeldet; Geschwindigkeit von Realistic Air nicht gemessen; Kein ONNX- oder CPU-Weg für Realistic Air; Kein Wasserzeichen; Angaben zum Hersteller nicht veröffentlicht; Lizenz des 0.1B kostet Firmen ab 2 Millionen US$ Umsatz Geld.
- Für wen eignet sich Audio8 TTS?
- Entwickler, die permissiv lizenziertes mehrsprachiges Voice Cloning mit kleinem GPU-Budget brauchen und die Qualität in ihren eigenen Sprachen testen können.
- Was kostet Audio8 TTS für ein Team oder im Produktivbetrieb?
- Etwa 1,2 GB BF16-Gewichte für das 0.6B-Modell; der SGLang-Server nutzt standardmäßig einen statischen Speicheranteil von 0,2 auf einer GPU. Derzeit bietet kein gehosteter Anbieter es an.
- Ist Audio8 TTS sicher für Firmendaten?
- Selbst gehostet; nichts verlässt deine Rechner. Realistic Air und Preview 0.6B stehen unter Apache 2.0; die Community-Lizenz des Preview 0.1B verlangt ab 2 Millionen US$ Jahresumsatz, verbundene Unternehmen eingerechnet, eine schriftliche kommerzielle Lizenz.
- Was sind die besten Alternativen zu Audio8 TTS?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3-TTS, Chatterbox, OmniVoice und Kokoro-82M.
Antworten geprüft am 5. Nov. 2026.