Was dieses Tool macht
Dieses Text-zu-Sprache-Tool liest englischen Text mit natürlich klingenden KI-Stimmen vor und lässt dich das Ergebnis als WAV-Datei herunterladen. Es nutzt Kokoro-82M, ein offenes Sprachsynthesemodell mit 82 Millionen Parametern von hexgrad, über die Bibliothek kokoro-js und Transformers.js. Alles passiert in deinem Browser: kein Konto, kein Zeichenlimit und kein Server, der sieht, was du eingibst.
Weil das Modell klein ist, läuft es auf einem gewöhnlichen Laptop. In Browsern mit WebGPU (aktuelles Chrome und Edge) nutzt es die Grafikkarte mit dem Modell in voller Genauigkeit; sonst läuft es auf der CPU mit einer 8-Bit-quantisierten Version, die kleiner ist und trotzdem klar klingt.
So benutzt du es
- Klicke auf Modell herunterladen und starten. Beim ersten Mal wird das Modell (etwa 92 MB auf der CPU, etwa 326 MB mit WebGPU) heruntergeladen und vom Browser zwischengespeichert. Ein Fortschrittsbalken zeigt, wie viel noch fehlt. Beim nächsten Mal lädt es in Sekunden aus dem Cache.
- Tippe oder füge deinen Text ein, oder klicke auf Beispiel, um einen kurzen Absatz auszuprobieren. Zeichenzahl und geschätzte Audiolänge aktualisieren sich beim Tippen.
- Wähle eine Stimme und ein Tempo zwischen 0,5× und 2×.
- Klicke auf Sprache erzeugen. Längerer Text wird in satzgroße Abschnitte geteilt und Abschnitt für Abschnitt gesprochen, mit einem Zähler „Abschnitt 3 / 12“. Mit Stopp beendest du früher und behältst das bis dahin erzeugte Audio.
- Hör im Player rein und klicke auf WAV herunterladen, um eine 24-kHz-Monodatei zu speichern.
Für getrennte Dateien stellst du Ausgabe auf Eine Datei pro Zeile: Jede nicht leere Zeile wird zu einer eigenen nummerierten WAV-Datei (01-…, 02-…), und Alle herunterladen (ZIP) speichert sie zusammen.
Die Teilen-Schaltfläche kopiert einen Link mit Text, Stimme und Tempo, sodass jemand anderes dieselbe Sprache im eigenen Browser erzeugen kann.
Stimmen und Sprachen
Die Browser-Stimmen von Kokoro sprechen nur Englisch. Es gibt 20 Stimmen für amerikanisches Englisch (11 weiblich, 9 männlich) und 8 für britisches Englisch (4 weiblich, 4 männlich). Jede Stimme in der Liste zeigt die Gesamtnote aus der Modellkarte; Heart und Bella (amerikanisch, weiblich) sind am besten bewertet, Emma (britisch, weiblich) sowie Fenrir, Michael und Puck (amerikanisch, männlich) sind gute Alternativen.
Die Aussprache stammt vom Phonemizer espeak-ng, daher werden Namen, Abkürzungen und Zahlen meist richtig gelesen, ungewöhnliche Wörter brauchen aber manchmal eine andere Schreibweise. Ist der Großteil deines Textes in einer anderen Schrift, warnt dich das Tool, weil diese Zeichen nicht gesprochen werden können.
Beispiel
Lade den Beispielabsatz, behalte die Standardstimme Heart und klicke auf Erzeugen. Die zwei Zeilen werden zu zwei Abschnitten, und nach wenigen Sekunden hast du rund zwanzig Sekunden Sprache mit einer kurzen Pause zwischen den Absätzen. Wechsle zu George für einen britischen Sprecher oder stelle das Tempo auf 1,3× für ein flotteres Vorlesen und erzeuge erneut.
Voraussetzungen und Datenschutz
Das Tool braucht einen modernen Browser mit WebAssembly und Web Workern: aktuelles Chrome, Edge, Firefox oder Safari auf Desktop oder Smartphone. WebGPU ist optional und macht es nur schneller. Smartphones mit wenig Speicher kommen bei langen Texten an ihre Grenzen; wähle Nur CPU, wenn WebGPU fehlschlägt. Die Modelldateien kommen von Hugging Face und die ONNX-Runtime-Engine von einem öffentlichen CDN; jede Stimmdatei (etwa 0,5 MB) wird bei der ersten Verwendung geladen. Ist alles im Cache, funktioniert die Erzeugung offline.
FAQ
› Wird mein Text auf einen Server hochgeladen?
Nein. Die Sprache wird auf deinem eigenen Gerät von einem Modell erzeugt, das im Browser läuft. Die Seite lädt die Modelldateien einmal von Hugging Face, aber dein Text und das Audio verlassen die Seite nie.
› Welche Sprachen kann es sprechen?
Nur Englisch. Kokoro-82M v1.0 für den Browser bringt 28 Stimmen mit, 20 mit amerikanischem und 8 mit britischem Akzent. Text in anderen Sprachen oder Schriften, etwa Chinesisch, Arabisch oder Russisch, wird übersprungen oder falsch ausgesprochen.
› Wie groß ist der Download, und muss ich ihn jedes Mal laden?
Etwa 92 MB für das 8-Bit-Modell auf der CPU oder etwa 326 MB für das Modell mit voller Genauigkeit unter WebGPU, dazu die ONNX-Runtime-Engine und eine kleine Datei pro Stimme. Der Browser speichert alles zwischen, spätere Besuche starten also in wenigen Sekunden ohne erneuten Download.
› Darf ich das erzeugte Audio kommerziell nutzen?
Die Gewichte von Kokoro-82M und die Bibliothek kokoro-js stehen unter der Apache-2.0-Lizenz, und das Modell wurde mit freizügig lizenziertem Audio trainiert. Die erzeugte Sprache kann also in Videos, Podcasts oder Apps verwendet werden. Die vollständigen Bedingungen stehen in der Modellkarte auf Hugging Face.
› Warum ist die Erzeugung auf meinem Rechner langsam?
Ohne WebGPU läuft das Modell per WebAssembly auf der CPU, was auf älteren Laptops und Smartphones einige Sekunden pro Satz dauern kann. Chrome und Edge mit WebGPU sind deutlich schneller. Lange Texte werden in Abschnitte geteilt, du siehst also den Fortschritt und kannst jederzeit stoppen.