Was ist KittenTTS 2?
KittenTTS 2 ist ein Text-to-Speech-Modell von KittenML, der Marke der von Y Combinator unterstützten Stellon Labs, Ende September 2026 auf Hugging Face veröffentlicht. Es ist eine andere Art Modell als die Versionen von KittenTTS 0.8 mit 15M bis 80M Parametern: ein Sprach-Sprachmodell mit 1,7 Milliarden Parametern, das S3-Codec-Tokens schreibt, die ein Vocoder in Audio mit 24 kHz umwandelt. Seine linearen Gewichte sind ternär (jedes hat einen von drei Werten), der Standard-Download ist also 954 MB groß gegenüber 3.469 MB in schlichtem bf16, wobei beide bitgleiches Audio erzeugen.
Es bringt 115 eingebaute Stimmen mit, klont eine Stimme aus 5 bis 30 Sekunden eines Sprechers und versteht zehn Emotions-Tags, zehn Tags für Stimmereignisse wie <laugh> sowie Betonung per dreifacher Klammer, alles als Beta gekennzeichnet. Die Model Card nennt Stimmen für 16 Sprachen, das GitHub-README listet 20. Es läuft über das Python-Paket kittenml (PyTorch, vLLM auf NVIDIA, MLX auf Apple Silicon) oder über KittenMLs llama.cpp-Fork für CPUs.
Der Python-Code steht unter Apache 2.0, die Gewichte aber unter der Stellon Labs Community License, die die kostenlose kommerzielle Nutzung beendet, sobald du 1 Million $ Jahresumsatz oder insgesamt eingesammelte Finanzierung überschreitest. Das zugehörige GitHub-Repository hat etwa 16.600 Sterne.
Was kostet KittenTTS 2?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | Stellon Labs Community License; kommerzielle Nutzung unter 1 Million $ Umsatz und Finanzierung |
| Enterprise licence | Not published | Oberhalb der Schwellenwerte erforderlich |
Gewichte kostenlos unter der Stellon Labs Community License für Forschung und für kommerzielle Nutzer mit weniger als 1 Million $ Umsatz und Finanzierung, mit Registrierung. Preise für eine gehostete API nicht veröffentlicht.
Lohnt sich KittenTTS 2?
KittenTTS 2 ist ein interessantes Kompressionsergebnis mit zu wenig Belegen für seine Qualität. Ein Sprachmodell mit 1,7B Parametern in ternäre Gewichte zu packen, senkt den Download verlustfrei auf 954 MB, und KittenMLs MLX-Notizen erklären, warum das zählt: Die Generierung braucht einen Forward Pass pro 1/25 Sekunde Sprache und ist durch die Speicherbandbreite begrenzt, etwa 1,4 GB pro Token statt 3,5 GB zu lesen ist also der Geschwindigkeitsgewinn. Was KittenML nicht veröffentlicht, sind eine Wortfehlerrate, ein Hörtest oder ein Ranglisteneintrag, und auf beiden Text-to-Speech-Ranglisten von Artificial Analysis fehlt das Modell.
Das Versprechen, es laufe auf einer CPU, muss man genau lesen. KittenMLs eigene MLX-Anleitung sagt, das Standard-Backend PyTorch laufe auf einem Mac mit Apple Silicon langsamer als Echtzeit, und der Bericht von Better Stack stellte fest, dass ein kurzer Satz dort mehrere Sekunden brauchte. Der schnelle Weg ist der C++-Fork in der Beta: Auf einem Xeon mit acht Threads erzeugt er 45,7 Tokens pro Sekunde, was bei 25 Tokens pro Sekunde Audio nach unserer Rechnung etwa 1,8-facher Echtzeit allein für das Sprachmodell entspricht, bevor der Vocoder läuft. Auf einer RTX 3060 senkt vLLM mit 4-Bit-Gewichten eine lange Passage von 45,20 Sekunden in PyTorch auf 10,38.
Cloning ist die Hauptfunktion, und KittenMLs einzige Zahl stammt von KittenML selbst: 0,81 Sprecherähnlichkeit beim Klonen einer unbekannten Aufnahme. Die Lizenz der Gewichte erwähnt weder Einwilligung noch Identitätsanmaßung; sie verweist auf eine Acceptable-Use-Policy, die es nur auf Anfrage bei Stellon Labs gibt, die Regeln zum Klonen realer Menschen sind also nicht öffentlich.
Die Lizenz ist das größere Hindernis. Kostenlose kommerzielle Nutzung verlangt eine Registrierung bei Stellon Labs und endet, sobald du oder verbundene Unternehmen 1 Million $ Jahresumsatz oder kumulierte Gesamtfinanzierung überschreiten, was die meisten Startups nach einer Seed-Runde ausschließt. Produkte müssen "Powered by KittenML" anzeigen, Ausgaben dürfen keine generativen Basismodelle trainieren, und die Erlaubnis ist widerruflich. Chatterbox und Kokoro, beide auf der Rangliste offener Modelle von Artificial Analysis, kommen mit weit einfacheren Bedingungen.
Wo es sich lohnt
Ein Einzelentwickler, der eine Offline-Lese-App für Linux-Laptops baut
Artikel ohne Cloud-Aufrufe und ohne GPU vorlesen
Baue kitten-tts-2-cpp und nutze den Decoder student_w4, der auf der Festplatte 39 MB belegt. Rechne mit einer Batch-CLI statt eines Streaming-Servers und teile Eingaben in Stücke: Laut KittenML schneidet das Modell lange Passagen in einem Durchgang ab oder verfällt in Wiederholungen.
Ein universitäres Sprachlabor, das kleine Cloning-Modelle vergleicht
Messen, wie viel Qualität ternäres Packen gegenüber bf16 kostet
Forschung ist kostenlos, und das Repository liefert die Varianten bf16, ternär und mit 4-Bit-Embedding derselben Gewichte, eine Studie kann sie also direkt vergleichen. KittenML veröffentlicht keine Wortfehlerrate, die eigene Evaluierung des Labors schließt also eine echte Lücke.
Die CTO eines Startups mit Seed-Finanzierung über 2 Millionen $
Prüfen, ob KittenTTS 2 in einem bezahlten Produkt eingesetzt werden kann
Nicht ohne gesonderte Lizenz: Eine Gesamtfinanzierung über 1 Million $ beendet die kostenlose kommerzielle Erlaubnis unabhängig vom Umsatz. Kommerzielle Bedingungen gibt es auf Anfrage unter info@stellonlabs.com, Preise sind nicht veröffentlicht.
Bevor du dich festlegst
- Einrichtung
- pip install kittenml, KittenML/kitten-tts-2 laden und generate mit einem Stimmennamen oder einem Referenzclip aufrufen; eine Anmeldung bei Hugging Face ist nicht nötig. KittenML verlangt eine CUDA-GPU mit etwa 8 GB freiem Speicher oder eine CPU mit etwa 6 GB RAM, dazu etwa 2 GB Festplatte.
- Integrationen
- Standardmäßig PyTorch, ein optionales vLLM-Backend auf NVIDIA (Treiber 580 oder neuer), ein MLX-Backend auf Apple Silicon, ein Docker-Image mit OpenAI-kompatibler Speech-API und Voice Cloning sowie der llama.cpp-Fork kitten-tts-2-cpp mit Python-Bindings.
- Daten und Datenschutz
- Stellon Labs Community License: kostenlos für Forschung und nicht kommerzielle Nutzung; kommerzielle Nutzung braucht eine Registrierung und endet oberhalb von 1 Million $ Jahresumsatz oder Gesamtfinanzierung; Namensnennung "Powered by KittenML"; kein Training generativer Basismodelle mit Ausgaben; widerruflich. Das mitgelieferte Sprechermodell von pyannote steht unter MIT, der Code unter Apache 2.0. Selbst gehostet verlässt das Audio nie deinen Rechner.
- Kosten im großen Maßstab
- Self-Hosting ist günstig: KittenMLs vLLM-Benchmark nutzt eine einzelne RTX 3060 mit 12 GB, und die C++-Runtime hält die Transformer-Gewichte auf der CPU in etwa 357 MiB. Die gehostete KittenML-Plattform verlangt eine Anmeldung und veröffentlicht keine Preise.
- Grenzen
- Die Emotionssteuerung ist Beta und variiert je nach Stimme. Der englische Textnormalisierer verstümmelt Zahlen und Daten in anderen Sprachen, sofern nicht normalize=False gesetzt ist. Streaming arbeitet in Stücken, Text unter etwa 380 Zeichen kommt also als ein Stück an; die C++-Runtime kann nicht streamen und braucht einen Offline-Schritt in Python, um eine geklonte Stimme vorzubereiten; ihr TQ2_1-GGUF lädt nicht im normalen llama.cpp.
Was gut ist
- Verlustfreier ternärer Download mit 954 MB, 469 MB mit verlustbehaftetem Embedding
- Voice Cloning aus 5 bis 30 Sekunden Audio
- 115 eingebaute Stimmen mit Tags für Emotionen und Stimmereignisse
- Backends für CPU, NVIDIA (vLLM) und Apple Silicon (MLX)
Was nicht
- Keine veröffentlichten Genauigkeits- oder Hörtestergebnisse; fehlt auf den Ranglisten von Artificial Analysis
- Kostenlose kommerzielle Nutzung endet bei 1 Million $ Umsatz oder 1 Million $ Finanzierung
- Acceptable-Use-Policy nicht öffentlich
- Standard-Backend PyTorch läuft auf einem Mac langsamer als Echtzeit
Am besten für
Hobbyisten, Forschende und unfinanzierte Entwickler, die Voice Cloning offline auf normaler Hardware wollen und mit einer unbewiesenen Qualitätsobergrenze leben können.
Alternativen zu KittenTTS 2
KittenTTS 2: häufige Fragen
- Lohnt sich KittenTTS 2?
- KittenTTS 2 quetscht ein Sprachmodell mit Cloning in weniger als ein Gigabyte, doch außerhalb von KittenML hat noch niemand gezeigt, wie es klingt, und die Lizenz schließt die meisten finanzierten Unternehmen aus. Wir bewerten es mit 3.4 von 5.
- Was kostet KittenTTS 2?
- Gewichte kostenlos unter der Stellon Labs Community License für Forschung und für kommerzielle Nutzer mit weniger als 1 Million $ Umsatz und Finanzierung, mit Registrierung. Preise für eine gehostete API nicht veröffentlicht.
- Welche Nachteile hat KittenTTS 2?
- Keine veröffentlichten Genauigkeits- oder Hörtestergebnisse; fehlt auf den Ranglisten von Artificial Analysis; Kostenlose kommerzielle Nutzung endet bei 1 Million $ Umsatz oder 1 Million $ Finanzierung; Acceptable-Use-Policy nicht öffentlich; Standard-Backend PyTorch läuft auf einem Mac langsamer als Echtzeit.
- Für wen eignet sich KittenTTS 2?
- Hobbyisten, Forschende und unfinanzierte Entwickler, die Voice Cloning offline auf normaler Hardware wollen und mit einer unbewiesenen Qualitätsobergrenze leben können.
- Was kostet KittenTTS 2 für ein Team oder im Produktivbetrieb?
- Self-Hosting ist günstig: KittenMLs vLLM-Benchmark nutzt eine einzelne RTX 3060 mit 12 GB, und die C++-Runtime hält die Transformer-Gewichte auf der CPU in etwa 357 MiB. Die gehostete KittenML-Plattform verlangt eine Anmeldung und veröffentlicht keine Preise.
- Ist KittenTTS 2 sicher für Firmendaten?
- Stellon Labs Community License: kostenlos für Forschung und nicht kommerzielle Nutzung; kommerzielle Nutzung braucht eine Registrierung und endet oberhalb von 1 Million $ Jahresumsatz oder Gesamtfinanzierung; Namensnennung "Powered by KittenML"; kein Training generativer Basismodelle mit Ausgaben; widerruflich. Das mitgelieferte Sprechermodell von pyannote steht unter MIT, der Code unter Apache 2.0. Selbst gehostet verlässt das Audio nie deinen Rechner.
- Was sind die besten Alternativen zu KittenTTS 2?
- Die nächsten Alternativen, die wir getestet haben, sind Kokoro-82M, Chatterbox, Qwen3-TTS und OmniVoice.
Antworten geprüft am 28. Okt. 2026.