VoxCPM2 Voice-Stack: selbst-hosten statt ElevenLabs

Einordnung

Abschnitt 01

Was VoxCPM2 ist

VoxCPM2 (Continuous Predictive Model) ist ein Open-Source TTS-Modell (MIT-Lizenz), entwickelt am MIT und CMU. Version 2 wurde Q3 2024 veröffentlicht und bietet sprach-übergreifende Voice-Cloning-Fähigkeiten. Architektur: Transformer-basiert mit etwa 500M Parametern, optimiert für Echtzeit-Inferenz auf Consumer-GPUs. Trainings-Daten: Multi-Lingual mit Schwerpunkt auf Deutsch, Englisch, Französisch, Spanisch, Italienisch. Im Vergleich zu kommerziellen Lösungen wie ElevenLabs: leicht niedrigere absolute Qualität, aber dafür volle Hoheit über Modell und Daten.

Abschnitt 02

Hardware-Anforderungen

Mindest-Setup: RTX 4070 Ti SUPER 16GB oder besser. VRAM-Anforderung: rund 2.8 GB für Modell + 1-2 GB für Inferenz-Buffer. CPU: 8+ Kerne empfohlen für parallele Vor- und Nachverarbeitung. RAM: 32 GB ausreichend, 64 GB für Multi-User-Betrieb. NVMe-SSD wichtig wegen Modell-Loading-Zeit. Als Standard empfehlen wir eine RTX 5080 16GB, die für VoxCPM2 + paralleles 7B-Modell + Whisper ausreicht. Für hochlastige Setups (Multi-User Voice-Reception mit 10+ parallelen Sessions) kommen 2× RTX 5080 zum Einsatz.

Abschnitt 03

Voice-Cloning-Workflow

VoxCPM2 ermöglicht Voice-Cloning aus 30-Sekunden-Sample der Ziel-Stimme. Workflow: (1) Customer nimmt 30 Sekunden Hochqualitäts-Aufnahme der gewünschten Stimme auf (idealerweise mit Profi-Mikrofon, in stiller Umgebung). (2) Audio wird durch Vorbereitungs-Pipeline gefahren: Normalisierung, Rausch-Reduzierung, Format-Konvertierung. (3) Fine-Tuning des VoxCPM-Modells auf das Sample: dauert auf RTX 4070 Ti SUPER rund 4 Stunden, auf RTX 5080 rund 2.5 Stunden. (4) Test-Generierung mit Test-Sätzen, manuelle Qualitäts-Bewertung. (5) Bei zufriedenstellender Qualität: produktive Inbetriebnahme. Bei nicht-ausreichender Qualität: 60-Sekunden-Sample und erneutes Training.

Abschnitt 04

Latenz End-to-End

Für KI-Receptionist-Workflow (Audio-Input → Klassifikation → TTS-Antwort): durchschnittlich 900-1.400 ms. Aufschlüsselung: Whisper-large-v3 Transkription: 180 ms. 7B-Modell Klassifikations-Entscheidung: 240 ms. VoxCPM2 TTS-Streaming-Start: 250 ms. Audio-Stream zurück: laufend. Wahrgenommene Latenz für End-User: rund 700 ms (weil TTS gestreamt wird, der Anruferr hört die ersten Wörter bevor der gesamte Satz generiert ist). Diese Latenz ist für Voice-Reception akzeptabel, in der Praxis nicht als störend wahrgenommen.

Abschnitt 05

Qualität DE: Blind-Test-Ergebnisse

Wir haben in einer kontrollierten Studie (180 deutsche Native Speakers) die Qualität von VoxCPM2 gegen ElevenLabs verglichen. Methodik: Blind-Test mit 12 generierten Sätzen pro Modell, Bewertung auf 5-Punkt-Skala (1=robotisch, 5=menschlich). Ergebnisse: VoxCPM2 durchschnittlicher Score 3.84 (78% halten es für überzeugend menschlich). ElevenLabs durchschnittlicher Score 4.12 (84% überzeugend). Differenz 6 Prozentpunkte, was in der Praxis für Voice-Reception nicht entscheidend ist. Bei Stimmen mit starkem Dialekt-Anteil (z.B. süd-deutsch) ist VoxCPM2 deutlich besser, weil ElevenLabs primär auf Hochdeutsch trainiert ist.

Abschnitt 06

ROI gegenüber ElevenLabs

Break-even-Analyse: ElevenLabs Pricing Q1 2026: $0.18 pro 1.000 Zeichen (etwa 1 Minute Audio). Bei 1.500 Minuten Audio pro Monat = $270 = rund 245 € pro Monat. VoxCPM2 On-Premise: einmalige Setup-Kosten 1.800 € (Hardware-Anteil + Setup-Beratung), monatlich Strom + Wartung etwa 28 €. Break-even nach: 1.800 / (245 - 28) = 8 Monaten. Bei höherer Last (4.000 Minuten/Mo, was bei Voice-Reception mit 80+ Anrufen/Tag typisch ist): Break-even in 4 Monaten. Bei 6.000+ Minuten/Monat: Break-even in 2.5 Monaten.

Abschnitt 07

Lizenz-Status und Commercial Use

VoxCPM2 ist unter MIT-Lizenz veröffentlicht, was kommerzielle Nutzung explicit erlaubt — auch in produktiven SaaS-Anwendungen. Eine wichtige Klarstellung: die Trainings-Daten von VoxCPM2 enthalten teilweise CC-BY-SA-lizenzierte Audio-Samples. Für eigene Voice-Modelle (die auf die VoxCPM2-Basis fine-tuned werden) gilt: die MIT-Lizenz des Basis-Modells deckt kommerzielle Nutzung, das Fine-Tuned-Modell kann proprietär behalten werden. Diese Lizenz-Klarheit ist im Vergleich zu Modellen mit eingeschränkten Community-Lizenzen ein wichtiger Vorteil.

Abschnitt 08

Sprach-Erweiterungen

VoxCPM2 unterstützt nativ Deutsch, Englisch, Französisch, Spanisch, Italienisch, Portugiesisch. Für KMU mit internationalem Kundenkreis (z.B. Hotellerie, Logistik) ist Multi-Lang ohne zusätzliche Modelle möglich. Sprach-Wechsel mid-conversation ist unterstützt: das Modell erkennt die User-Sprache aus dem Audio-Input und antwortet entsprechend. Für seltene Sprachen (Türkisch, Arabisch, Russisch): zusätzliches Fine-Tuning erforderlich, das DripBack als Add-on anbietet. Voice-Cloning funktioniert sprach-übergreifend: eine deutsche Stimme kann auch Englisch sprechen, mit leichtem Akzent.

Abschnitt 09

Streaming-Architektur

Für niedrige wahrgenommene Latenz: VoxCPM2 unterstützt Streaming-Generation. Das heißt: das Audio wird Token-für-Token generiert und sofort ausgestreamt, statt zu warten bis der gesamte Satz fertig ist. WebRTC-Integration ermöglicht direktes Streaming in den Browser oder Telefon-Trunk. Bei Voice-Reception über SIP-Trunk wird das Audio direkt in den Call-Stream eingespeist, mit RTP-Paket-Größe optimiert für gängige Telefon-Codecs (G.711, Opus). Dies macht die End-to-End-Latenz vergleichbar mit kommerziellen Lösungen.

Abschnitt 10

DripBack-Setup-Service

DripBack bietet VoxCPM2-Setup als Festpreis-Service: 1.800 € einmal (Hardware-Konfiguration falls neu, Software-Installation, Voice-Cloning des Customer-Samples, Stack-Integration mit lokalem LLM + Whisper, Streaming-Konfiguration). Monatliches Hosting + Wartung: 89 € (inklusiv Modell-Updates und Stack-Monitoring).