VoiceStudio: Lokale ElevenLabs-Alternative, Open Source

Hintergrund

Sprachsynthese und Stimmklonen laufen seit Jahren überwiegend über Cloud-Dienste. Kommerzielle Produkte wie ElevenLabs bieten ein ausgereiftes Erlebnis. Doch Text, Referenzaufnahmen und Videos wandern auf einen fremden Server, und abgerechnet wird nach Nutzung. Für viele Kreative und kleine Teams sind Datenschutz und laufende Kosten ein Grund zum Zögern. Genau hier setzt VoiceStudio an. Das Projekt versteht sich als quelloffene, komplett lokale Alternative zu ElevenLabs. Es bündelt Stimmklonen, Stimmdesign, Videovertonung, Diktat, Transkription und Hörbuch-Erstellung in einer einzigen Desktop-App.

Das Projekt liegt auf GitHub, ist hauptsächlich in Python geschrieben und hat 66375 Sterne gesammelt. Zu den Themen-Tags zählen local-first, CUDA, MLX und Hugging Face. Damit steht es an der Schnittstelle zwischen lokal arbeitender Software und dem offenen Modell-Ökosystem. Das auffälligste Versprechen ist die Abdeckung von 646 Sprachen. Laut Quelle laufen die lokalen Abläufe auf der eigenen Hardware, Remote-Dienste sind nur optional, und Nutzungsstatistiken werden erst nach Zustimmung aktiviert.

Für einzelne Kreative, Indie-Entwickler und kleine Studios zählt diese Ausrichtung mehr als ein weiterer dünner Modell-Wrapper. Die Daten bleiben auf dem Rechner, und das Abonnement weicht Hardware, die viele ohnehin besitzen.

Tiefenanalyse

VoiceStudio ist keine Einzelfunktion, sondern eine Werkstatt rund um den Klang. Die Standard-Engine ist k2-fsa/OmniVoice, andere Engines lassen sich austauschen. Welche das sind, steht im Katalog zu Funktionen und Engines. Das Klonen ist geradlinig: Man wählt eine vorhandene Stimme oder fügt eine saubere Referenzaufnahme hinzu, tippt den Text ein und erzeugt die Sprache. Das Stimmdesign erlaubt es, ganz ohne Aufnahme eine neue Stimme zu definieren. Die Videovertonung setzt auf Sprache mit Zeitachse. Die erzeugten Sätze sollen dem Rhythmus des Originalvideos folgen, statt nur eine Übersetzung vorzulesen.

Hinzu kommen ein Diktat als schwebendes Fenster, Transkription, Geschichten und Hörbücher sowie Stapelaufträge. Viele offene Modelle liefern nur eine Demo-Seite. VoiceStudio geht weiter: Eine lokale API und MCP lassen KI-Agenten das Tool direkt aufrufen. Wiederverwendbare Rezepte und überwachte Ordner automatisieren Routinearbeit. Bei der Hardware nutzen NVIDIA-GPUs die CUDA-Beschleunigung, Apple Silicon setzt auf Metal (MPS). Rechner ohne dedizierte Grafikkarte laufen mit der CPU, nur langsamer. Dann installiert das Setup eine kleinere CPU-Variante von PyTorch und braucht rund 5 GB freien Speicherplatz. Der Einstieg ist unkompliziert. Unter macOS und Linux installiert ein einzelner curl-Befehl die aktuelle Electron-Version. Man kann eine Version festlegen, vom aktuellen Hauptzweig bauen oder beim Deinstallieren die eigenen Daten behalten. Unter Windows genügt ein passender Befehl in PowerShell. Einstellungen, Projekte und Modelle bleiben erhalten. Alternativ gibt es unter Releases eine dmg für macOS, eine exe für Windows sowie AppImage und deb für Linux, dazu eine Docker-Anleitung. Die README enthält außerdem einen Installations-Prompt für Coding-Agenten wie Claude Code, Codex und Cursor. Der zugehörige Leitfaden erkennt die Hardware, nutzt vorhandene Daten weiter, fragt vor Modell-Downloads nach und startet eine Testgenerierung. Wer den Quellcode will, klont das Repository und richtet die Umgebung mit bun install und bun run setup:api ein.

Branchenwirkung

VoiceStudio holt Sprachfunktionen, die zuvor auf mehrere Dienste verteilt waren, in eine lokale Werkstatt. Zugleich behandelt es Agenten von Anfang an als Nutzer. Lokale API, MCP und Installations-Prompt senken die Hürde für Automatisierung. Für Entwicklungsteams heißt das: Vertonung und Transkription können in interne Pipelines wandern, ohne dass Material das Haus verlässt.

Typische Einsätze ergeben sich aus dem Funktionsumfang. Kreative vertonen Kurzvideos in mehreren Sprachen. Verlage machen aus langen Manuskripten ein Hörbuch. Autoren diktieren über das Widget statt zu tippen. Automatisierte Abläufe erzeugen über die API Sprache im Stapel. Die Dokumentation ist nach Plattformen gegliedert, es gibt eine Discord-Gemeinschaft sowie Anleitungen auf Chinesisch und Japanisch.

Einige Grenzen verdienen einen nüchternen Blick. Die 646 Sprachen sind eine Eigenangabe des Projekts. Die tatsächliche Klangqualität je Sprache und der Hardwarebedarf je Engine können stark abweichen, daher sollte man zuerst mit eigenem Material testen. Stimmklonen birgt ein eingebautes Missbrauchsrisiko. Lokaler Betrieb nimmt niemandem die Pflicht zu Einwilligung und Compliance ab, die Erlaubnis sollte vor jeder fremden Stimme vorliegen. Auch die Plattformabdeckung hat Lücken: Windows on ARM gilt weiter als experimentell, und Intel-Macs führen nur die App-Oberfläche aus und verbinden sich mit einem entfernten Backend.

Ausblick

Laut README ist der ältere Tauri-Build archiviert. Das Projekt hat seinen technischen Kurs also schon einmal gewechselt. Stabilität und Veröffentlichungstempo der kommenden Versionen sind deshalb im Auge zu behalten.

Drei Fragen prägen die nächsten Schritte. Erstens: Wie wächst der Modellkatalog über die Standard-Engine OmniVoice hinaus? Zweitens: Können überwachte Ordner und Rezepte zu einem reifen Automatisierungs-Ökosystem werden? Drittens: Lässt sich der Abstand im Erlebnis zwischen Apple Silicon, CUDA und reinen CPU-Rechnern verringern? Gerade CPU-Nutzer nehmen heute langsamere Erzeugung in Kauf, jeder Fortschritt dort würde den Kreis der Nutzer erweitern.

Insgesamt ist VoiceStudio ein klar ausgerichtetes und recht vollständiges lokales Sprachprojekt. Es eignet sich für alle, die Cloud-Abonnements hinter sich lassen wollen, sofern sie die Qualität in ihren eigenen Sprachen prüfen und beim Klonen einer Stimme die Einwilligung beachten.