Kitten-TTS 2: 1,58-Bit-TTS mit Voice Cloning läuft auf der CPU
KittenML veröffentlicht ein ternäres 1,7B-TTS-Modell, das in Echtzeit auf der CPU läuft, Stimmen aus unter 5 Sekunden klont und über 20 Sprachen unterstützt.
Worum es geht
KittenML hat Code und Gewichte von Kitten-TTS 2 veröffentlicht, nach eigener Aussage das erste 1,58-Bit-Text-to-Speech-Modell. Es nutzt ternäre Gewichte und soll dadurch lokal oder selbst gehostet sehr günstig laufen.
Die wichtigsten Fakten
- 1,7B Parameter; Gewichte der linearen Schichten sind -1, 0 oder +1, mit Gruppengröße 128 für Skalen.
- Echtzeit-Generierung auf der CPU, optimierte ternäre Kernels liegen bei; auch auf Consumer-GPUs nutzbar.
- Zero-Shot-Voice-Cloning aus weniger als 5 Sekunden Referenzaudio, ohne Fine-Tuning.
- Voice Cloning in über 20 Sprachen, auch sprachübergreifend.
- Steuerung von Betonung und Emotion.
- Komplett neue Architektur gegenüber v0.8.
- Code und Gewichte offen; Repo: KittenML/kitten-tts-2 auf Hugging Face. Lizenz im Text nicht genannt.
Einordnung
Für Leser ohne starke GPU ist das eine attraktive ElevenLabs-Alternative zum Selbsthosten. Die Qualitätsaussagen ("SOTA") stammen vom Reddit-Post des Projekts; unabhängige Benchmarks und die Lizenz sollte man vor dem Einsatz prüfen.
Selbst ausprobieren
Kitten-TTS 2 auf deinem Rechner oder kostenlos in Google Colab.
Google Colab
- Notebook herunterladen: colab.ipynb
- colab.research.google.com öffnen → Datei → Notebook hochladen
- Laufzeit → Laufzeittyp ändern → GPU (T4)
- Laufzeit → Alle ausführen – fertig.
Die Skripte werden automatisch erzeugt. Bitte vor dem Ausführen kurz ansehen und die Model Card lesen – manche Modelle brauchen spezielle Versionen.
