Wähle einen unterstützten Sprachcode und die dazu passende Stimme. Richte die Bibliothek in einer getrennten Umgebung ein und prüfe zuerst einen kurzen Text mit expliziter WAV-Ausgabe. Eine Modelllizenz oder ein Demo-Hörbeispiel ersetzt keinen eigenen Hör- und Einsatzcheck.
Was Kokoro TTS ist
Die offizielle Modellkarte beschreibt Kokoro als Sprachsynthesemodell mit 82 Millionen Parametern und Apache-lizenzierten Gewichten. Das ist etwas anderes als eine fertige Desktopanwendung: Für den gezeigten Weg kommen Pythonbibliothek, Modell und passende Stimme zusammen.
Die Karte nennt für V1.0 den 27. Januar 2025. Dieser Guide behauptet deshalb keine neue Modellveröffentlichung aus 2026. Auch ältere Angaben zu API-Marktpreisen oder beworbener Geschwindigkeit werden nicht als aktuelle Kosten beziehungsweise eigene Leistungsmessung übernommen.
Mit vorgegebenen Voicepacks kannst du Sprechertext erzeugen. Der hier beschriebene Weg ist kein Workflow, mit dem du eine fremde Person aufnimmst und ihre Stimme klonst. Für die erste Probe brauchst du weder echte Kundendaten noch persönliche Sprachaufnahmen.
Zuerst Sprache und Stimme auswählen
Die Stimmenliste und die Bibliotheksanleitung führen die folgenden Codes. Es sind neun Codes für acht Sprachen, weil US- und britisches Englisch getrennt geführt werden. Ein deutscher Standardcode ist dort nicht enthalten.
| Code | Sprachvariante |
|---|---|
| a | US-Englisch |
| b | Britisches Englisch |
| e | Spanisch |
| f | Französisch |
| h | Hindi |
| i | Italienisch |
| j | Japanisch |
| p | Brasilianisches Portugiesisch |
| z | Mandarin-Chinesisch |
Im eigenen Beispiel verwenden wir a mit af_heart. Suche für eine andere Sprache ein dazu passendes Voicepack in der Originaltabelle. Deutsch in ein englisches Pack zu schreiben belegt keine unterstützte deutsche Aussprache. Wenn Deutsch deine Pflichtanforderung ist, solltest du KI-Stimmengeneratoren nach Sprache und Aufgabe auswählen, bevor du Zeit in diesen Aufbau steckst.
Eine getrennte Pythonumgebung vorbereiten
Die Bibliotheksanleitung zeigt Kokoro mit soundfile. Für die Umwandlung von Text in Phoneme nutzt sie Misaki; espeak-ng ist für bestimmte Sprachen und Fallbacks relevant. Pythonpakete und solche Systemprogramme sind unterschiedliche Abhängigkeiten.
Windows PowerShell · im eigenen Übungsordner
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install kokoro soundfile
.\.venv\Scripts\python.exe -m pip show kokoromacOS/Linux · im eigenen Übungsordner
python3 -m venv .venv
.venv/bin/python -m pip install kokoro soundfile
.venv/bin/python -m pip show kokoroPrüfe die aktuellen Paketvoraussetzungen und notiere die installierte Version. Für Windows verweist das Projekt auf die offiziellen espeak-ng-Installationsdateien; Linux- und macOS-Wege hängen vom System ab. Ein Colab-Beispiel mit vorangestelltem Ausrufezeichen ist Notebooksyntax und kein unverändert zu kopierender PowerShell-Befehl.
Wenn eine Abhängigkeit fehlt, lies die konkrete Fehlermeldung und kontrolliere die verwendete Umgebung. Ein erneutes Installieren in einem anderen Python löst das Problem dieser Umgebung nicht automatisch. Für diesen Artikel wurde keine Kokoro-Installation ausgeführt.
Einen kurzen englischen Text als WAV ausgeben
Der gelesene CLI-Quelltext verlangt ein Ausgabeargument. Verwende deshalb ausdrücklich -o; eine einfache Umleitung der Konsolenausgabe ist kein gleichwertiger WAV-Export. Der Code schreibt Mono mit 16 Bit und 24.000 Hertz.
Eigener englischer Testtext
The test module is ready. Please check the file before the next step.Dokumentierter CLI-Aufbau mit eigener Probe
python -m kokoro -l a --voice af_heart --text "The test module is ready. Please check the file before the next step." -o kokoro-probe.wavRufe unter Windows gegebenenfalls .\.venv\Scripts\python.exe statt python auf, unter macOS/Linux .venv/bin/python. Die Datei kokoro-probe.wav entsteht relativ zum aktuellen Arbeitsordner. Ein erfolgreicher Start und ein tatsächlich hörbares brauchbares Ergebnis sind anschließend getrennt zu prüfen.
Das Modell und benötigte Komponenten müssen für deine Laufzeit verfügbar sein. Leite aus „lokal nutzbar“ keine Zusage ab, dass ein frisch eingerichteter Rechner sofort ohne jeglichen Download funktioniert. Ebenso belegt eine ausgegebene Dateiendung allein noch nicht ihren tatsächlichen Audioinhalt.
Die Ausgabe anhören und protokollieren
Beginne mit dem kurzen Text und einer Standardstimme, statt sofort ein langes Dokument zu verarbeiten. Prüfe beim Anhören, ob alle Wörter enthalten sind, die Aussprache verständlich bleibt und Pausen sowie Satzende passen. Notiere auch Störungen und nötige Nacharbeit.
| Prüffrage | Deine Beobachtung |
|---|---|
| Lässt sich die WAV-Datei öffnen? | Noch nicht erhoben |
| Sind die Wörter vollständig und verständlich? | Noch nicht erhoben |
| Sind Pause und Satzende brauchbar? | Noch nicht erhoben |
| Welche eine Einstellung möchtest du danach ändern? | Noch nicht festgelegt |
Die Noten in der offiziellen Stimmenliste beschreiben Schätzungen zur Qualität und Menge zugehöriger Trainingsdaten. Sie sind kein allgemeiner objektiver Klangrang für deine Anwendung. Eine Stimme mit guter Einstufung kann bei deinem Text trotzdem Korrektur benötigen.
Den eigenen Kokoro-Hörcheck herunterladen. Dieser Artikel erzeugt keine eigene Anbieter-Audiodemo. Eine gemessene Geschwindigkeit oder ein bestimmter Speicherbedarf wird nicht behauptet.
Lokalen Betrieb und Anbieterangebote auseinanderhalten
Eine lokal verwendbare Bibliothek, ein Modell mit verfügbaren Gewichten und ein gehosteter TTS-Dienst haben unterschiedliche Voraussetzungen. Ein fremdes Webangebot mit Kokoro im Namen ist nicht automatisch das offizielle Projekt oder unter denselben Bedingungen nutzbar. Beginne bei den verlinkten Originalquellen.
Halte getrennt fest, welche Bedingungen für Modellgewichte, Software, Voicepacks und deinen Eingabetext gelten. Wie du offene Gewichte und Lizenzen unterscheiden kannst, hilft bei dieser Einordnung. Eine Lizenzangabe ist keine pauschale Erlaubnis für beliebige fremde Marken, Stimmen oder Texte.
Auch bei lokaler Ausführung gehören Einrichtung, Rechnerzeit und eigene Qualitätskontrolle zum Aufwand. Wer einen externen Dienst verwendet, prüft zusätzlich dessen aktuelle Abrechnung und Datenweg. Eine alte Marktpreisangabe in der Modellkarte ist kein heutiges verbindliches Angebot dieses Dienstes.
Eine fertige Tondatei ist noch kein sprechender Bildschirmmoderator. Wenn du ein KI-Video oder einen sprechenden Avatar planen möchtest, trenne Sprachspur, visuelle Szene und das Zusammenführen im Schnitt. Die dort beschriebene Avatarfunktion ist ein eigener gehosteter Weg; sie wird nicht durch den lokalen Kokoro-Lauf erzeugt.
Quellen & Methode
Vorgehen und Grenzen
Herstellerunterlagen und Originalcode geprüft am 20. Oktober 2026. Redaktionell mit KI-Unterstützung ausgearbeitet. Eigene Aufgaben und Grafiken sind gekennzeichnet. Keine Produktinstallationen, Anbieteraufrufe, Audio- oder Bildgenerierungen mit den besprochenen Produkten; eigene kleine Solltests getrennt geprüft.
Bei Recherche, Texterstellung und Grafiken wird KI eingesetzt. Welche eigenen Versuche vorliegen und was nur als Beispiel dient, beschreibt dieser Beitrag. Unser Redaktionsstandard erklärt die Anforderungen an Belege und Berichtigungen.
