Nachprüfbare TTS-Benchmarks im Browser
Hersteller messen oft auf anderer Hardware. Hier lesen alle Modelle per Knopfdruck denselben Text auf deinem Gerät; die Zeit wird live gemessen. Unten stehen Referenzwerte.
Fehlende Modelle werden einmal heruntergeladen und gespeichert. Große Modelle sind nicht vorausgewählt; aktiviere sie, um ihren Download mitzumessen. Alle lesen denselben Text aus zwei Sätzen mit ihrer Standardstimme.
Referenzwerte
Aus veröffentlichten Demos, Entwicklermessungen und eigenen Tests. Niedriger RTF ist schneller; 1,0 entspricht Echtzeit. Zuletzt geprüft: Juli 2026.
| Modell | Hardware / Laufzeit | RTF | Quelle |
|---|---|---|---|
| Kokoro-82M | M2 MacBook Air (WebGPU, fp32) | 0.2–0.4 | webml-community-Demo, 2026 |
| Kokoro-82M | x86-Laptop der Mittelklasse (WASM q8, 1 Thread) | ≈1.1 | kokoro-js-Community-Berichte, 2025 |
| Piper (mittlere Sprachqualität) | x86-Laptop der Mittelklasse (WASM) | ≈0.11 | sherpa-onnx / piper-Messungen, 2025 |
| KittenTTS Nano | Core-i7-Laptop (WASM int8) | ≈0.4 | KittenML-Fehlerberichte, 2026 |
| Kyutai Pocket TTS | Apple M4 (WASM, Streaming) | ≈0.17 (6× RT) | Kyutai-Versionshinweise, Januar 2026 |
| Chatterbox 0.5B | Desktop-GPU der RTX-Klasse (WebGPU q4) | ≈1.0 | Resemble AI transformers.js-Demo, 2026 |
Methodik
- Fester Text mit etwa 220 Zeichen und zwei Sätzen, gelesen mit der Standardstimme jedes Modells.
- Gemessen wird vom Tokenisieren bis zum fertigen Audiopuffer, ohne Download. Erstläufe mit Download sind mit * markiert.
- Je nach Gerät: WebGPU mit Kokoro fp32, sonst WebAssembly mit q8/int8.
- RTF = Erzeugungszeit ÷ Audiodauer.
- Alles läuft auf deinem Gerät. Die Ergebnisse gehören dir und werden nicht hochgeladen.
Downloadgröße und Hardwareanforderungen stehen auf der jeweiligen Modellseite: Kokoro-82M, Piper, KittenTTS Nano, Kyutai Pocket TTS, Supertonic-3, Chatterbox, MOSS-TTS-Nano, Chatterbox Multilingual, OuteTTS-1.0 (0.6B), Orpheus-3B, MOSS-TTS (8.5B).
Häufige Fragen
Was ist RTF (Echtzeitfaktor)?
Erzeugungszeit geteilt durch Audiodauer. RTF 0,5 bedeutet: 10 Sekunden Audio in 5 Sekunden erzeugt, also doppelte Echtzeitgeschwindigkeit. Unter 1,0 ist schneller als Echtzeit, darüber wartest du.
Warum weichen meine Werte von der Referenztabelle ab?
Genau das ist der Sinn. Browser-TTS hängt von CPU/GPU, Browserversion, WebGPU-Verfügbarkeit, Temperatur und GPU- oder WASM-Ausführung ab. Die Referenz nennt ihre Hardware, dein Durchlauf deine.
Ist der Benchmark zwischen Modellen fair?
Jedes Modell liest dieselben zwei Sätze mit seiner Standardstimme. Der erste Download wird separat mit * markiert, damit Kalt- und Warmläufe getrennt bleiben. Gemessen wird Durchsatz, nicht Qualität — höre auch selbst hin.
Werden meine Benchmark-Ergebnisse versendet?
Nein. Ergebnisse werden lokal angezeigt. Zum Teilen gibt es eine Kopierschaltfläche. Es wird nichts gesammelt.