Natürliche Text-to-Speech in deinem Browser.
Neuronale Stimmen. Keine Uploads.
TTS in Studioqualität, läuft vollständig auf deinem Gerät via Transformers.js.
100 % privat
Dein Text verlässt deinen Browser nie. Die gesamte Synthese erfolgt lokal.
WebGPU-beschleunigt
Die Inferenz läuft auf deiner GPU, wenn verfügbar — mit WASM-Fallback.
Kokoro-82M
Leichtgewichtiges Open-Weight-TTS unter Apache-2.0: ein englischer und ein Mandarin-Build (v1.1-zh), der gemischte chinesisch-englische Texte natürlich liest.
128 Stimmen
28 englische Stimmen (US/UK, mit Qualitätsstufen A-F) plus 100 Mandarin-Stimmen (weiblich/männlich).
Langdokument-Modus
Artikel und Skripte einfach einfügen — kostenlos bis 10.000 Zeichen, Pro bis 100.000 Zeichen. Der Text wird an Satzgrenzen geteilt, blockweise synthetisiert und mit Crossfades zusammengefügt.
Stapelwarteschlangen, drei Formate
Stellen Sie bis zu 5 Texte gratis (50 mit Pro) in die Warteschlange, laden Sie mehrere .txt-Dateien und exportieren Sie WAV, MP3 oder Opus einzeln oder als ZIP. Keine Zähler, keine Wasserzeichen, alles auf dem Gerät.
Drei Schritte. Keine Server.
- 01
Text eingeben oder einfügen
Gib den Text ein, der in Sprache umgewandelt werden soll.
- 02
Stimme wählen
Wähle aus 128 neuronalen Stimmen - Englisch oder Mandarin. Passe bei Bedarf das Tempo an.
- 03
Abspielen oder herunterladen
Im Browser anhören oder das Audio als WAV-Datei herunterladen.
Über Voice Synth
Ein kostenloses Text-to-Speech-Werkzeug, das mit dem neuronalen Sprachmodell Kokoro natürlich klingende Sprache vollständig in Ihrem Browser erzeugt. Nutzen Sie es für Erzählentwürfe, Video-Voiceovers, das Sprachenlernen, Barrierefreiheit oder das Anhören Ihrer eigenen Texte – ohne Konto, ohne API-Schlüssel und ohne Preis pro Wort.
Zwei Engines sind in derselben Oberfläche vereint: 28 amerikanische und britische Englischstimmen mit offiziellen Natürlichkeitsbewertungen sowie 100 Mandarin-Stimmen, die gemischten chinesisch-englischen Text vorlesen – insgesamt 128 Stimmen. Geschwindigkeitsregelung, ein Modus für lange Dokumente, Stapelwarteschlangen und ein lokaler Verlauf runden das Studio ab.
So funktioniert es
Kokoro-82M ist ein kompaktes, hochwertiges neuronales TTS-Modell, das lokal über Transformers.js läuft – mit WebGPU-Beschleunigung in Chrome oder Edge und einem WebAssembly-Pfad in allen anderen Browsern. Die Englisch-Engine ist der v1.0-Build über kokoro-js; die Mandarin-Engine ist der v1.1-zh-Build mit integrierter chinesischer G2P. Stimmen und Modellgewichte werden einmal heruntergeladen und anschließend zwischengespeichert; danach funktioniert die Synthese offline. Schlägt ein WebGPU-Lauf zur Laufzeit fehl, wiederholt das Werkzeug den Vorgang transparent einmal auf WASM, statt eine kryptische Fehlermeldung zu zeigen.
128 Stimmen und der Stimmen-Browser
Der Stimmen-Browser ist für eine Bibliothek dieser Größe gebaut: Volltextsuche nach Name oder ID, Filter für Geschlecht und Akzent (Mandarin, Amerikanisch, Britisch), Vorschau mit festen Beispielsätzen, die zwischengespeichertes Audio wiederverwendet, auf Ihrem Gerät gespeicherte Favoriten und eine Zuletzt-verwendet-Liste – neben den offiziellen Natürlichkeitsbewertungen von A bis F, die die englischen Stimmen tragen. Die Auswahl einer Stimme übernimmt diese direkt zurück in den Synthesizer; es gibt keine Warteschlange und keinen serverseitigen Katalogaufruf.
Modus für lange Dokumente
Sie sind nicht auf einen einzelnen kurzen Satz beschränkt. Text, der über das sichere Budget pro Aufruf hinausgeht, wird an Satzgrenzen aufgeteilt – mit einem harten Ausweichweg für sehr lange Sätze –, Stück für Stück mit Live-Fortschritt synthetisiert (Abschnitt 3 von 12) und mit kurzen Equal-Gain-Crossfades zusammengefügt, damit die Übergänge nicht knacken. Der kostenlose Tarif liest Dokumente bis 10.000 Zeichen; Pro geht bis 100.000. Sie können einen langen Lauf jederzeit abbrechen, und eine englische Stimme, die CJK-Text vorlesen soll, wird im Vorfeld abgefangen – mit dem klaren Hinweis, zu einer Mandarin-Stimme zu wechseln.
Formate, Stapelwarteschlangen und Verlauf
WAV (16 Bit, 24 kHz) lässt sich immer exportieren. Chromium-Browser bieten über WebCodecs zusätzlich MP3; andere Browser nutzen Opus/WebM, und die verfügbaren Formate werden ehrlich erkannt und gekennzeichnet, statt erst beim Klick zu scheitern. Der Stapelmodus reiht kostenlos bis zu 5 Texte ein (50 bei Pro), kann mehrere .txt-Dateien auf einmal laden, verarbeitet sie nacheinander mit Fortschritt pro Eintrag und exportiert den Satz einzeln oder als ZIP. Das Verlaufs-Panel behält die letzten zwölf Erzeugungen – Text, Stimme und Tempo – direkt im Browser und erlaubt die erneute Synthese mit einem Klick; es kann jederzeit geleert werden.
Grenzen und Datenschutz
Keiner der Tarife kennt eine Ausführungszahl, ein monatliches Zeichenkontingent oder ein Wasserzeichen, und beide umfassen die kommerzielle Nutzung; einzig die Länge pro Dokument (10.000 gegenüber 100.000 Zeichen) und die Stapelgröße (5 gegenüber 50 Texten) unterscheiden sich. Ihr Text verlässt den Browser niemals – Skripte, Notizen und Entwürfe sind per Konstruktion privat, das ist der Hauptgrund, dieses Werkzeug für vertrauliches Material gegenüber einer Cloud-TTS-API zu bevorzugen.
Häufige Fragen
Warum können die englischen Stimmen nur Englisch lesen? Die Abdeckung von Phonemen und Wortschatz ist Eigenschaft der jeweiligen Engine; die Mandarin-Engine v1.1 ist diejenige, die für Chinesisch und gemischten Text entwickelt wurde, und das Werkzeug erzwingt diese Vorgabe, statt unverständliche Sprache zu erzeugen.
Kann ich Audio offline erzeugen? Ja – sobald eine Stimme und ihr Modell zwischengespeichert sind, braucht die Synthese keine Verbindung.
Ist MP3 garantiert? Es steht überall zur Verfügung, wo eine MP3-Kodierung über WebCodecs existiert (Chromium); WAV ist das universelle Format, und wo MP3 fehlt, wird Opus/WebM angeboten.
Ist der kostenlose Tarif wirklich frei für kommerzielle Voiceovers? Ja, ohne Nutzungsgebühr und ohne Wasserzeichen – nur Dokumentenlänge und Stapelgröße unterscheiden Pro.