← Zurück zu Anleitungen

Thorsten-Voice mit Coqui TTS installieren

Zwei bewährte Modelle meiner Stimme (VITS und Tacotron2-DDC), installierbar als Python-Paket. Läuft auch ohne Grafikkarte unter Windows, Mac und Linux – und lässt sich dank der Trainingsdaten auch kommerziell ohne Einschränkungen nutzen.

Auch für kommerzielle Projekte geeignet

Die Coqui-Modelle habe ich ausschließlich mit meinen eigenen Sprachaufnahmen trainiert. Es stecken keine fremden Stimmen oder Daten mit einschränkenden Lizenzen darin. Damit eignen sie sich auch für Produkte, Apps und kommerzielle Anwendungen.

Trainingsdaten
Ausschließlich meine eigenen Sprachaufnahmen, freigegeben unter CC0 (Public Domain). Mehr zu den Aufnahmen →
Modelle
Apache 2.0 (so im Coqui-Modellkatalog hinterlegt)
Software
Coqui TTS steht unter der Mozilla Public License 2.0 (MPL 2.0).

Hinweis: espeak-ng, das nur für das Tacotron2-DDC-Modell benötigt wird, steht unter der GPL-3.0. Wer eine Anwendung weitergeben oder verkaufen möchte, sollte das prüfen – oder einfach das VITS-Modell nutzen, das ohne espeak-ng auskommt. Dies ist keine Rechtsberatung.

1

Python prüfen

Coqui TTS braucht Python 3.10 oder neuer. Welche Version installiert ist, zeigt dieser Befehl:

python3 --version

Unter Windows heißt der Befehl meist python statt python3.

2

Virtuelle Umgebung anlegen

Empfohlen, damit sich Coqui TTS nicht mit anderen Python-Projekten auf deinem Rechner in die Quere kommt.

python3 -m venv thorsten-coqui
source thorsten-coqui/bin/activate

Windows: python -m venv thorsten-coqui und danach thorsten-coqui\Scripts\activate

3

Coqui TTS installieren

Das ursprüngliche Coqui-Projekt wird seit der Schließung von Coqui AI nicht mehr gepflegt. Ich empfehle daher den aktiv weiterentwickelten Community-Fork von Idiap. Wichtig sind die Zusätze in den eckigen Klammern: „cpu“ bringt PyTorch mit (ohne läuft gar nichts), „codec“ das Lesen und Schreiben von Audiodateien, „languages“ die Ausspracheregeln für das VITS-Modell und „server“ die Weboberfläche.

pip install "coqui-tts[cpu,codec,languages,server]"
Fork auf GitHub ↗

Mit NVIDIA-Grafikkarte stattdessen „cuda“ statt „cpu“ angeben. Der Download ist recht groß (PyTorch), das kann ein paar Minuten dauern. „codec“ setzt ein installiertes FFmpeg voraus (macOS: brew install ffmpeg, Debian/Ubuntu: sudo apt install ffmpeg).

4

espeak-ng installieren (nur für Tacotron2-DDC)

Das Tacotron2-DDC-Modell nutzt espeak-ng für die Aussprache. Wer nur das VITS-Modell verwenden möchte, kann diesen Schritt überspringen.

# Debian / Ubuntu / Raspberry Pi OS
sudo apt install espeak-ng

# macOS (Homebrew)
brew install espeak-ng
espeak-ng Releases ↗

Windows: Installer (.msi) von der GitHub-Releases-Seite von espeak-ng laden und installieren, danach das Terminal neu öffnen.

Beide Modelle werden über den Befehl tts aufgerufen. Der Text kommt in Anführungszeichen, das Ergebnis landet als WAV-Datei im aktuellen Ordner.

Thorsten VITS

VITS

Trainiert auf meinem Datensatz Thorsten-22.05-neutral. Kommt ohne espeak-ng aus. Download beim ersten Aufruf: rund 300 MB.

tts --model_name tts_models/de/thorsten/vits \
    --text "Hallo, ich bin Thorsten. Schön, dass du da bist." \
    --out_path ausgabe.wav

Thorsten Tacotron2-DDC

Tacotron2-DDC

Tacotron2 DDC mit HifiGAN-Vocoder, trainiert auf meinem Datensatz Thorsten-Dec2021. Klingt etwas natürlicher als VITS. Benötigt espeak-ng. Download beim ersten Aufruf: rund 500 MB plus Vocoder.

tts --model_name tts_models/de/thorsten/tacotron2-DDC \
    --text "Hallo, ich bin Thorsten. Schön, dass du da bist." \
    --out_path ausgabe.wav

Weboberfläche im Browser

Startet einen kleinen lokalen Webserver. Danach im Browser http://localhost:5002 öffnen, Text eingeben, anhören.

tts-server --model_name tts_models/de/thorsten/vits

Mit NVIDIA-Grafikkarte rechnen

Auf der CPU funktioniert alles, ist bei längeren Texten aber spürbar langsamer. Wurde Coqui mit dem Zusatz „cuda“ statt „cpu“ installiert, übernimmt die Grafikkarte:

tts --model_name tts_models/de/thorsten/vits \
    --text "Jetzt mit Grafikkarte." \
    --out_path ausgabe.wav --device cuda
Alte Anleitungen sagen „pip install TTS“ – was ist der Unterschied? ⌄

TTS ist das ursprüngliche, nicht mehr gepflegte Paket. Es lässt sich nur bis Python 3.11 installieren. coqui-tts ist der Community-Fork mit Unterstützung für aktuelle Python-Versionen. Beide Pakete nutzen intern denselben Namen, daher nie beide gleichzeitig installieren – ein altes Paket vorher mit pip uninstall TTS entfernen.

Fehlermeldung, dass espeak bzw. espeak-ng nicht gefunden wird ⌄

Das betrifft das Tacotron2-DDC-Modell. espeak-ng wie in Schritt 4 beschrieben installieren und das Terminal danach neu öffnen. Alternativ das VITS-Modell verwenden, das kein espeak-ng braucht.

Fehlermeldung zu „gruut“ beim VITS-Modell ⌄

Das VITS-Modell nutzt gruut für die deutsche Aussprache. gruut kommt mit dem Zusatz „languages“ – also einfach pip install "coqui-tts[languages]" in der aktiven virtuellen Umgebung nachholen.

Läuft das nach der Installation komplett offline? ⌄

Ja. Beim allerersten Aufruf lädt Coqui das jeweilige Modell einmalig herunter und legt es im Benutzerverzeichnis ab (unter Linux z. B. ~/.local/share/tts). Danach ist keine Internetverbindung mehr nötig.

Fehlermeldung „Coqui TTS requires the PyTorch and Torchaudio libraries“ ⌄

PyTorch wird nicht automatisch mitinstalliert, sondern nur über einen Zusatz. In der aktiven virtuellen Umgebung pip install "coqui-tts[cpu,codec,languages,server]" ausführen (mit NVIDIA-Grafikkarte „cuda“ statt „cpu“).

Fehlermeldung „the torchcodec library is required for audio IO“ ⌄

Ab PyTorch 2.9 braucht Coqui für Audiodateien das Paket torchcodec. In der aktiven virtuellen Umgebung pip install "coqui-tts[codec]" ausführen. Falls danach noch etwas zu FFmpeg gemeldet wird, FFmpeg installieren (macOS: brew install ffmpeg, Debian/Ubuntu: sudo apt install ffmpeg).

„tts: command not found“ ⌄

Meist ist die virtuelle Umgebung nicht aktiv, etwa in einem neuen Terminalfenster. Erneut source thorsten-coqui/bin/activate ausführen (Windows: thorsten-coqui\Scripts\activate).

Lieber eine andere Variante?

Für sehr schwache Hardware (z. B. Raspberry Pi) ist Piper die leichtere Wahl. Kokoro läuft flott auf normalen Rechnern, CosyVoice klingt mit Grafikkarte am natürlichsten.

Alle Anleitungen ansehen