🐢 Tortoise TTS – Lokale KI-Sprachsynthese

📊 Was Tortoise TTS ist

Tortoise-TTS ist ein neuronales Text-to-Speech-Modell, das auf Transformer-Architektur basiert. Es erzeugt natürlich klingende Sprache mit verschiedenen Stimmen und Emotionen – vollständig lokal auf GPU betreibbar, ohne Cloud-Abhängigkeit.

💻 Setup & Installation

# Repository klonen
git clone https://github.com/neonbjb/tortoise-tts.git
cd tortoise-tts

# Virtuelle Umgebung erstellen
python -m venv venv
venv\Scripts\activate

# Abhängigkeiten installieren
pip install -r requirements.txt
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# Modelldateien werden beim ersten Start automatisch heruntergeladen
# (~2 GB, einmalig)

import torch
from tortoise.api import TextToSpeech
from tortoise.utils.audio import load_voices

# TTS initialisieren (GPU falls verfügbar)
tts = TextToSpeech(use_deepspeed=False)

# Text mit bestimmter Stimme generieren
voice_samples, conditioning_latents = load_voices(["angie"])
gen = tts.tts_with_preset(
    "Willkommen bei Computerkumpel. "
    "Wie kann ich Ihnen helfen?",
    voice_samples=voice_samples,
    conditioning_latents=conditioning_latents,
    preset="ultra_fast")

# Als WAV speichern
torchaudio.save("output.wav", 
    gen.squeeze(0).cpu(), 24000)

# Presets nach Geschwindigkeit sortiert:
presets = [
    "ultra_fast",      # ~2s pro Satz, niedrigste Qualität
    "fast",            # ~5s, gute Qualität
    "standard",        # ~15s, hohe Qualität
    "high_quality",    # ~45s, sehr hohe Qualität
]

# Für Produktion: "high_quality" oder "standard"
# Für schnelle Tests: "ultra_fast"

🎯 Vergleich mit Alternativen

📝 Projekt-Status

Dieses Repository dient als Evaluierungs-Setup. Tortoise TTS wurde getestet und mit Edge-TTS verglichen. Für Echtzeitanwendungen (Telefonassistent) wurde Edge-TTS gewählt, für Offline-Produktion bleibt Tortoise die Referenz.