MetaVoice-1B

MetaVoice-1B ist ein fortschrittliches Text-to-Speech-Modell, das sich auf Zero-Shot-Voice-Cloning spezialisiert hat — die Fähigkeit, eine beliebige Stimme nach nur wenigen Sekunden Referenzaudio zu reproduzieren. Das Modell wurde von MetaVoice entwickelt und kombiniert einen Transformer-basierten Sprachmodell-Ansatz mit einem neuronalen Audio-Codec, um natürlich klingende Sprache in hoher Qualität zu erzeugen. Mit 1,2 Milliarden Parametern gehört MetaVoice-1B zu den leistungsfähigeren Open-Source-TTS-Modellen und liefert besonders bei englischen Texten beeindruckend natürliche Ergebnisse.

Die Stimmenklonierung funktioniert bereits mit 10-30 Sekunden Referenzaudio erstaunlich gut — Tonfall, Sprechrhythmus und Stimmcharakter werden zuverlässig übernommen. Neben dem Voice Cloning unterstützt MetaVoice auch verschiedene vortrainierte Stimmen für den sofortigen Einsatz. Die emotionale Expressivität liegt zwischen neutralen TTS-Systemen und dem kreativeren Bark — die Sprache klingt natürlich, aber weniger theatralisch.

Die Audioqualität ist mit 24 kHz gut und für Podcasts, Hörbücher und Anwendungsdemos ausreichend. Für den lokalen Betrieb werden etwa 4-6 GB VRAM empfohlen, wobei auch CPU-Inferenz möglich ist. Die Installation erfolgt über das offizielle Python-Paket und ist mit wenigen Befehlen erledigt.

MetaVoice-1B ist unter der Apache-2.0-Lizenz kommerziell nutzbar, was es für Unternehmen interessant macht, die personalisierte Sprachausgabe ohne Cloud-Abhängigkeit implementieren möchten. Für alle, die lokales Voice Cloning oder hochwertige TTS-Synthese benötigen, ist MetaVoice-1B eine der besten Open-Source-Optionen.