Piper TTS: KI-Tool Test & Bewertung

Von den 171 Stimmen im Piper-Katalog sind 13 auf der höchsten Qualitätsstufe trainiert, und genau eine davon spricht Deutsch. Sie heißt Thorsten, stammt aus dem gemeinfreien Datensatz Thorsten-Voice von Thorsten Müller (CC0) und existiert zusätzlich als emotionale Fassung mit 8 hinterlegten Stimmlagen, von neutral über fröhlich und wütend bis flüsternd. Die übrigen 9 deutschen Stimmen liegen 1-2 Stufen darunter und klingen hörbar maschineller. Diese eine Stimme ist der Grund, warum Piper trotz der inzwischen älteren Modellarchitektur die naheliegende Wahl bleibt, sobald Sie deutsche Sprachausgabe auf eigener Hardware erzeugen wollen.

Wichtigste Funktionen

• Sprachausgabe auf der CPU: Piper führt VITS-Modelle im ONNX-Format aus, einem herstellerübergreifenden Austauschformat für KI-Modelle, und braucht dafür keine Grafikkarte. Fertige Installationspakete gibt es für Linux in 64-Bit- und ARM64-Fassung, für macOS mit Intel- und Apple-Prozessor sowie für Windows. Damit taugt auch ein Raspberry Pi mit 64-Bit-System als Sprachserver. Wer doch eine Grafikkarte einsetzen will, schaltet sie mit dem Schalter --cuda zu.
• Stimmkatalog für 54 Sprachvarianten: Der Katalog auf Hugging Face reicht von Arabisch bis Chinesisch und deckt 49 Sprachen ab, für Deutsch stehen 10 Stimmen bereit. Eine Stimme besteht aus 2 Dateien, dem Modell und einer Konfigurationsdatei. Beide laden Sie einmal herunter und nutzen sie danach ohne Internetverbindung.
• Eingebauter Web-Server: Der Aufruf python3 -m piper.http_server startet einen Dienst auf Port 5000, der Text per POST auf /synthesize entgegennimmt und eine WAV-Datei zurückgibt. Dazu kommen eine Testoberfläche im Browser und Endpunkte für die verfügbaren Stimmen. Bei wiederholten Anfragen ist das deutlich schneller als der Aufruf über die Kommandozeile, weil das Modell nur einmal geladen wird.
• C- und C++-Schnittstelle seit Version 1.5.0: Beim Umzug zur Open Home Foundation entfiel der C++-Code zunächst, um die Entwicklung auf Python zu bündeln. Im Juli 2026 kam er als libpiper samt eigener Kommandozeile, Windows-Unterstützung und Testreihe zurück. Seither betten Sie die Sprachausgabe wieder in Software ein, die keine Python-Laufzeit mitbringt.
• Anbindung an Home Assistant: Der Wyoming-Server wyoming-piper hängt Piper als Sprachausgabe an die Sprachsteuerung von Home Assistant. Kern und Anbindung stammen aus derselben Hand und wurden zuletzt am selben Tag im Juli 2026 aktualisiert.
• Eigene Stimmen trainieren: Das Projekt liefert die Trainingsstrecke mit, einschließlich Feinjustierung auf einer bereits vorhandenen Stimme. Version 1.5.0 hat dafür einen zusätzlichen Prüfbaustein im Training (MRD-Diskriminator) und eine automatische Qualitätsbewertung der erzeugten Stimme (UTMOS) ergänzt. Eine Firmenstimme braucht dafür aufgenommenes Audiomaterial und Rechenzeit.

Preise und Tarife

Piper kostet nichts. Das Programm steht unter der GPL-3.0, die Stimm-Modelle liegen frei auf Hugging Face, und pip install piper-tts holt Version 1.6.0 vom 23.07.2026 auf den Rechner. Einen Bezahltarif gibt es nicht, ebenso wenig eine Firma, die einen anbieten könnte, denn hinter dem Projekt steht eine gemeinnützige Stiftung.

Kosten entstehen nur für die Hardware. Ein Raspberry Pi 4 reicht für gelegentliche Ansagen, das Projekt hat dafür bei mittlerer Qualitätsstufe 1,6 Sekunden erzeugtes Audio je Sekunde Rechenzeit gemessen (Nabu Casa, Mai 2023). Wer ganze Dokumente vertont oder mehrere Anfragen gleichzeitig bedienen muss, fährt mit einem kleinen Server ohne Grafikkarte besser. Hoster und Hardwarehändler weisen ihre Preise im Geschäftsverkehr netto aus, die Umsatzsteuer kommt hinzu.

Für wen ist Piper TTS geeignet?

• Entwicklungsteams, die Sprachausgabe in eigene Anwendungen einbauen: Der Web-Server nimmt Text per HTTP entgegen und liefert eine WAV-Datei zurück. Die Python-Schnittstelle greift direkter zu, und seit Version 1.5.0 steht der Weg über C und C++ wieder offen. Piper passt sowohl hinter ein Python-Backend als auch in eine Desktop-Anwendung ohne Python-Laufzeit.
• Teams, die Home Assistant betreiben: Über den Wyoming-Server ist Piper die vorgesehene Sprachausgabe der Home-Assistant-Sprachsteuerung. Ansagen im Gebäude, Meldungen aus der Haustechnik oder Antworten eines Sprachassistenten gibt Piper ohne zusätzlichen Dienst aus.
• Behörden und Bildungseinrichtungen mit Vorlesefunktionen: Wo Texte dauerhaft vorgelesen werden, summiert sich die zeichenweise Abrechnung eines Cloud-Dienstes schnell, bei Piper fällt sie ganz weg. Die deutsche Thorsten-Stimme trägt Ansagen und vorgelesene Texte, für vertonte Imagefilme klingt sie zu synthetisch.

Sobald die Sprachausgabe Teil eines Ablaufs im Unternehmen wird, etwa als Ansage in der Telefonanlage oder als Antwortstimme eines Assistenten, hängt an ihr mehr als ein Testskript. Solche Strecken bauen wir mit senqo Voice auf, Piper übernimmt darin die deutsche Stimme.

DSGVO und Datenschutz

Piper synthetisiert ausschließlich auf dem Rechner, auf dem es installiert ist. Alle Netzzugriffe im Quelltext laden Dateien herunter, nämlich den Stimmkatalog, die Stimm-Modelle selbst und ein Zusatzmodell für die chinesische Aussprache, jeweils von Hugging Face. Eine Suche nach den gängigen Bausteinen für Nutzungsstatistiken (Telemetrie) bleibt im ganzen Projekt ohne Treffer. Sind die Modelle einmal geholt, können Sie den Rechner vom Netz trennen, an der Sprachausgabe ändert sich dadurch nichts.

Einen Anbieter, der Auftragsverarbeiter sein könnte, gibt es bei Piper nicht. Das Projekt gehört der Open Home Foundation, einer gemeinnützigen Schweizer Stiftung mit der Registernummer CHE-416.988.952, die über 250 quelloffene Projekte trägt und selbst keinen Sprachdienst verkauft. Eine Piper-Cloud neben dem Selbstbetrieb existiert nicht. Die üblichen Prüffragen nach Serverstandort und Auftragsverarbeitungsvertrag gehen damit ins Leere.

Ihre Aufgabe bleibt der einmalige Download der Stimm-Modelle. Er geht an Hugging Face in die USA und überträgt dabei die IP-Adresse des herunterladenden Rechners, Texte oder erzeugte Audiodateien sind daran nicht beteiligt. Die GPL-3.0 des Nachfolgeprojekts verlangt außerdem, dass Sie den Quelltext Ihrer Änderungen offenlegen, sobald Sie Software mit eingebautem Piper an Dritte weitergeben, für den rein internen Einsatz greift diese Pflicht nicht. Für Vorlesefunktionen mit personenbezogenen Texten brauchen Sie deshalb keinen Auftragsverarbeitungsvertrag.

Alternativen zu Piper TTS

• ElevenLabs: Die Stimmen klingen deutlich natürlicher, und Sie steuern sie über Regieanweisungen im Skript. Dafür läuft die Synthese auf fremden Servern, die Speicherung personenbezogener Daten findet laut Datenschutzerklärung in den USA statt, und ElevenLabs rechnet nach Zeichen ab.
• Chatterbox TTS: Chatterbox klont Stimmen aus wenigen Sekunden Referenzaudio und steht unter der MIT-Lizenz, die beim Einbetten in eigene Software weniger verlangt als die GPL-3.0. Für Deutsch braucht Chatterbox das größere Modell mit Grafikkarte, während Piper mit der CPU auskommt.
• Qwen3-TTS: Die neuere Modellgeneration klont Stimmen aus 3 Sekunden Audio und gibt sie im Stream für Echtzeit-Anwendungen aus. Dafür braucht Qwen3-TTS eine Grafikkarte mit mindestens 4 GB Speicher und deckt nur 10 Sprachen ab.