Raon-OpenTTS: ein offenes TTS-Modell nur für Englisch

Nicht nur die Gewichte, sondern der gesamte TTS-Stack ist offen

Interessant ist hier nicht einfach ein weiteres TTS-Modell, sondern der seltene Versuch, den gesamten Stack zu öffnen: Gewichte, Trainingsdaten, Trainingscode und Inferenzcode. KRAFTON AI beschreibt das System im Raon-OpenTTS-Repository und in der Model Card als open-data und open-weight, ausgelegt für Zero-Shot-Synthese mit Referenzaudio. Mit Stand vom 21. August 2026 ist dies eher als Einordnung eines veröffentlichten Projekts denn als tagesaktuelle Meldung zu lesen, da die bereitgestellten Materialien kein Datum der ursprünglichen Ankündigung nennen.

Es gibt zwei Varianten. Raon-OpenTTS-0.3B besitzt 336M Parameter, Raon-OpenTTS-1B dagegen 1048M. Beide Modelle verwenden eine von F5-TTS abgeleitete DiT-Architektur. Die Wahl wirkt daher praktisch: die kleinere Variante für stärker eingeschränkte Umgebungen, die größere zum Prüfen eines möglichen Qualitätsgewinns.

Der gewichtigste Teil der Veröffentlichung liegt unterhalb des eigentlichen Modells. Der Korpus Raon-OpenTTS-Core umfasst 510.1K Stunden nach der Filterung eines ursprünglichen Pools von 615K Stunden aus 11 englischsprachigen Datensätzen. Auch die Filterpipeline, der Trainingscode und die Checkpoints sind öffentlich. Das macht das Projekt vor allem für reproduzierbare Experimente interessant und nicht nur für das Ausführen fertiger Inferenz.

In Seed-TTS-Eval erzielte das kleinere Modell WER 1.95 und SIM 0.687, das größere WER 1.78 und SIM 0.749. Ein separates Raon-OpenTTS-Eval konzentriert sich auf Robustheit: 6.000 Referenz-Text-Paare, vier akustische Bedingungen und 12 Datensätze. Das sind veröffentlichte Ergebnisse der Autoren, keine eigenen Messungen. Die Tendenz ist dennoch klar: Mit der Modellgröße verbessern sich beide angegebenen Metriken.

Was sich für Entwickler tatsächlich ändert

Der Hauptgewinn ist keine eindrucksvolle Demo, sondern die Möglichkeit, die Entstehung eines Ergebnisses nachzuvollziehen. Der offene Korpus und die Trainingspipeline erlauben es, die Filterung zu untersuchen, das Training zu reproduzieren und einzelne Systemteile anzupassen, ohne von einer geschlossenen API abhängig zu sein.

Für Sprachpipelines liefert das eine klare Basis für Zero-Shot-TTS mit Referenzaudio. Die veröffentlichten Benchmarks beantworten jedoch noch keine Fragen zu Latenz, Speicherverbrauch oder Robustheit bei bestimmten Stimmen. Genau diese Eigenschaften würde ich zuerst testen, und zwar getrennt für beide Modellgrößen: Dort zeigt sich meist der Unterschied zwischen einer guten Tabelle und brauchbarer Inferenz.

Die Einschränkung ist eindeutig: Trainiert wurde ausschließlich mit englischer Sprache. Russisch und andere Sprachen liegen außerhalb des dokumentierten Einsatzbereichs; die zufällige Aussprache einzelner Sätze darf daher nicht als mehrsprachige Unterstützung gelten. Raon-OpenTTS ist damit eine starke offene Grundlage für englisches TTS, ersetzt aber noch keine universelle Sprachschicht.

Zuvor haben wir Rust LocalGPT vorgestellt, einen lokalen Assistenten für den praktischen Einsatz selbstgehosteter KI. Raon-OpenTTS erweitert ähnlich die Optionen für Teams, die mehr Kontrolle über ihren KI-Stack wünschen.