VoiceStudio lokal betreiben: Installation, Hardware und Grenzen der ElevenLabs-Alternative

Wer heute Stimmen für Videos, Hörbücher oder Diktate erzeugen will, steht vor einer einfachen Rechnung. Ein Dienst wie ElevenLabs verlangt zwischen 5 und 330 US-Dollar im Monat, und jede Audiodatei wandert durch fremde Server 10. VoiceStudio, das Projekt, um das es hier geht, verspricht denselben Werkzeugkasten (Stimmen klonen, Stimmen designen, Videos synchronisieren, diktieren, transkribieren, Hörbücher bauen) komplett auf eigener Hardware, ohne Konto, ohne API-Key und ohne Verbrauchszähler 1.

Titelbild: Bildquelle: debpalash/VoiceStudio

Die konkrete Frage, die dieser Artikel beantwortet: Lohnt sich VoiceStudio für dich, und wie richtest du es auf deinem Rechner ein? Die kurze Antwort vorab: Ja, wenn du bereit bist, Rechenleistung, Speicherplatz und ein paar Lizenzdetails selbst zu verwalten, statt sie an einen Anbieter abzugeben. VoiceStudio ist ein ernstzunehmendes und ungewöhnlich aktives Open-Source-Projekt mit breiter Engine-Auswahl und einer sauberen lokalen API. Es ist aber auch ein aktives Beta-Projekt, dessen offizielle Benchmark-Tabelle zum Schreibzeitpunkt leer ist 9. Wer eine belastbare Geschwindigkeitsangabe für seine eigene Hardware sucht, findet sie dort nicht. Was du stattdessen bekommst, steht in den nächsten Abschnitten.

Kurzantwort

VoiceStudio ist eine lokale Open-Source-Alternative zu ElevenLabs. So installierst und betreibst du Stimmen-Klonen, Dubbing und Transkription ohne Cloud. Kurz gesagt: lokales LLM betreiben ist vor allem dann relevant, wenn du schnell verstehen willst, was konkret dahinter steckt, welche Grenzen es gibt und welche Entscheidung daraus folgt. Die Details, Quellen und Einschränkungen stehen in den folgenden Abschnitten.

Was VoiceStudio ist

VoiceStudio ist eine Desktop-Anwendung, die mehrere Stimm- und Sprach-Workflows unter einer Oberfläche bündelt: Stimmen klonen und designen, Video-Dubbing, Diktat, Transkription sowie mehrstimmige Hörbücher und Stapelverarbeitung 1. Das Projekt hieß bis zum Release v0.5.0 noch „OmniVoice Studio" und wurde dann umbenannt; auch die offizielle Projektseite voicestudio.sh führt den alten Namen noch als Zusatz 1, 2.

Technisch ist die App ein Baukasten aus 16 Text-to-Speech- und 11 Speech-to-Text-Engines, die sich im Modellkatalog wechseln lassen 1, 4. Der Sprachkatalog umfasst nach Projektangabe 646 TTS-Sprachen, wobei die tatsächliche Abdeckung und Qualität von der gewählten Engine abhängen 1. Die Projektseite formuliert es selbst zurückhaltender: Der 646-Sprachen-Katalog variiert je nach Engine 2. Der Standardmotor, OmniVoice von k2-fsa, unterstützt laut Projekt über 600 Sprachen 1, 10. Für die Transkription liegt die Zahl deutlich niedriger: Der Standard-Transkribierer WhisperX deckt rund 100 Sprachen ab, ein unabhängiger Testbericht nennt 99 1, 10.

Der Kernunterschied zu einem Cloud-Dienst liegt im Datenweg. VoiceStudio ist „local-first": Kernfunktionen laufen lokal, netzgebundene Funktionen wie Remote-Worker oder ein externer ASR-Endpunkt sind ausdrückliche Opt-ins 1. Das Projekt vergleicht das selbst mit einem typischen gehosteten Sprachdienst: Beim Cloud-Dienst werden Audio und Text vom Anbieter verarbeitet, bei VoiceStudio bleibt der Standardweg auf der eigenen Maschine; dafür übernimmst du Updates, Speicherplatz und Rechenleistung selbst 1.

Wichtig für die Einordnung: Die Beliebtheit des Projekts ist ein Entdeckungssignal, kein Qualitätsurteil. Stand 15. September 2026 meldet die GitHub-API rund 29.600 Sterne, 3.587 Forks und 84 offene Issues bei einer AGPL-3.0-Lizenz 11. Das Repository wurde erst am 9. April 2026 angelegt 11. Dass die Projektseite in ihrem Statistik-Block einen Schnappschuss vom 21. August 2026 mit rund 11.000 Sternen zeigt 2, illustriert zweierlei: Das Projekt wächst sehr schnell, und Marketing-Seiten hinken der Live-Zahl hinterher. Für deine Kaufentscheidung ist keine der beiden Zahlen entscheidend. Entscheidend ist, ob die Funktionen auf deiner Hardware laufen.

Hardware und Engines: Was du wirklich brauchst

Die Systemanforderungen sind überschaubar, aber zweistufig. Als Minimum nennt das README 8 GB RAM und 10 GB freien Speicher, empfohlen 16 GB RAM und 20 GB SSD; eine GPU ist optional, im GPU-Betrieb reichen 4 GB VRAM als Untergrenze, empfohlen werden 8 GB 1. Das ist ein wichtiger Punkt: VoiceStudio läuft auch rein auf der CPU, nur langsamer.

Welche Engine zu deiner Hardware passt, hängt stark vom Rechnertyp ab. Das Projekt gibt dafür eine konkrete Empfehlungstabelle 1:

Apple Silicon (M1 bis M4): MLX-Audio und OmniVoice als Text-to-Speech, MLX Whisper und Parakeet MLX für die Transkription. Der Vorteil ist der gemeinsame, einheitliche Speicher und die niedrige Latenz auf macOS.
NVIDIA-GPU mit mindestens 8 GB VRAM: OmniVoice oder CosyVoice 3 für die Synthese, WhisperX für die Transkription, mit Wort-Timestamps und Sprechertrennung.
Wenig VRAM oder reine CPU: PocketTTS, Sherpa-ONNX oder KittenTTS für die Synthese, Moonshine oder Faster-Whisper (int8) für die Transkription.

Die Wahl ist kein Detail, sondern der eigentliche Hebel für Qualität und Geschwindigkeit. Das Standardmodell von OmniVoice lädt beim ersten Aufruf rund 2,3 GB an Gewichten herunter 7. Zusätzliche, optionale Engines können deutlich mehr Platz brauchen: Manche laufen in einer eigenen virtuellen Umgebung (Sidecar), weil ihre Abhängigkeiten mit denen der Haupt-App kollidieren. In dem Fall wird eine zweite Kopie des PyTorch-Stacks fällig, die laut Messung des Projekts auf Linux rund 0,83 GiB plus mehrere GiB an CUDA-Bibliotheken und auf Windows rund 3,2 GiB allein im Wheel ausmacht 8. Wer mehrere solche Engines installiert, sollte also großzügig Speicher einplanen und weiß jetzt, warum.

Ein ehrlicher Befund vorweg: Die offizielle Benchmark-Tabelle ist leer. Das README verweist für gemessene Geschwindigkeiten auf die Datei benchmarks.md, und dort steht wörtlich „No verified rows yet – this table fills from maintainer runs and community submissions" 9. Es gibt also keine vom Projekt bestätigten, reproduzierbaren Durchsatzwerte, an denen du deine Erwartung festmachen könntest. Das ist kein Fehler im Projekt, sondern ein Hinweis auf den Reifegrad: Die Infrastruktur zum Messen existiert, belastbare Zahlen liegen noch nicht vor. Plane beim ersten Test großzügig Zeit ein und miss selbst.

lokales LLM betreiben – Illustration 2

Bildquelle: voicestudio.sh

Installation und erste Einrichtung

Der Installationsweg führt über die Releases, nicht über einen App-Store. Für macOS gibt es ein Apple-Silicon-DMG, für Windows ein x64-MSI, für Linux ein AppImage (x86_64 mit glibc 2.39 oder neuer) 1. Das aktuelle stabile Release ist v0.5.2 vom 10. September 2026 3. Der erste Start legt eine verwaltete Python-Umgebung an und lädt das Standardmodell herunter; spätere Starts greifen darauf zurück 1.

Für Docker gibt es vorgefertigte Images, allerdings nur für linux/amd64. Der Schnellstart aus dem README sieht so aus 1:

docker run -d -p 127.0.0.1:3900:3900 -v omnivoice-data:/app/omnivoice_data --name voicestudio palashdeb/omnivoice-studio:stable

Zwei Hinweise dazu: Auf Apple Silicon solltest du wegen der GPU-Beschleunigung die native macOS-App statt des Docker-Images verwenden, und ARM64-Hosts sollten vor dem Pull die Architektur-Hinweise der Docker-Doku lesen 1. Die Projektseite bietet zusätzlich einen Einzeiler für die Installation an: curl -fsSL https://voicestudio.sh/install | sh 2. Wie bei jedem Skript, das aus dem Internet in die Shell geleitet wird, gilt: Erst ansehen, was es tut, dann ausführen.

Die erste Stimme entsteht in wenigen Schritten 1:

VoiceStudio starten und den Bereich „Voice Cloning" öffnen.
Eine saubere Sprachprobe hinzufügen. Drei Sekunden funktionieren, 5 bis 15 Sekunden liefern in der Regel eine bessere Vorlage.
Text eingeben, Sprache wählen, „Generate" auslösen.

Wichtig ist die Qualität der Referenzaufnahme: eine einzelne Person, nah am Mikrofon, ohne Musik, Nebengeräusche oder Hall 1. Klonen ist hier „Zero-Shot": Die Aufnahme ist ein Prompt, kein Trainingsmaterial. Eine längere Aufnahme macht das Klonen deshalb nicht automatisch besser; entscheidend ist, dass Tonfall und Tempo der Vorlage zu dem passen, was du am Ende hören willst 1. Ein unabhängiger Bericht beschreibt denselben Mechanismus: Das System konditioniert ein diffusionsbasiertes TTS-Modell auf die kurze Referenz und klont damit Stimmen, auf die es nie trainiert wurde 10.

Stimmen klonen und der lokale Datenweg

Der Punkt, der VoiceStudio von einem Cloud-Dienst unterscheidet, ist nicht die Oberfläche, sondern wo die Daten bleiben. Die Architektur ist sauber getrennt: Eine Tauri-2-Desktop-Hülle in Rust spricht über IPC mit einer React-Oberfläche, die wiederum per HTTP, SSE und WebSocket mit einem FastAPI-Backend auf localhost:3900 kommuniziert; Zustand und Projekte liegen in SQLite 1. Ein unabhängiger Bericht zählt 97 API-Endpunkte und beschreibt denselben Aufbau aus React, FastAPI und SQLite 10.

Für den Standardweg gilt: Audioaufnahmen, Transkripte, Stimmen und Projekte bleiben auf der lokalen Festplatte. Daten verlassen das Gerät nur, wenn du ausdrücklich Remote-Worker oder einen externen ASR-Endpunkt konfigurierst 1. Die Netzgrenze ist bewusst eng gezogen: Das Backend ist nur auf Loopback erreichbar, Loopback-Aufrufe brauchen keinen Schlüssel, und entfernter Zugriff verlangt eine Freigabe-PIN oder einen API-Key 1. Telemetrie ist standardmäßig aus; wer sie aktiviert, sendet laut Projekt nur erlaubte, inhaltsfreie Nutzungsmetadaten, nie Text, Audio, Dateinamen oder Projekte 1.

Für synthetische Sprache ist außerdem standardmäßig eine AudioSeal-Wasserzeichen-Markierung aktiv, ein unsichtbares neuronales Wasserzeichen, das nach Projektangabe Kompression übersteht und als Herkunftsmerkmal dient 1, 10. Das ist kein Garantieschein, aber ein pragmatisches Werkzeug für Transparenz, wenn du generierte Stimmen weiterverwendest.

Zwei Verantwortungsregeln nennt das Projekt ausdrücklich: Klone oder erzeuge Stimmen nur mit Zustimmung der sprechenden Person, und behalte im Hinterkopf, dass ein Wasserzeichen kein Ersatz für Einwilligung ist 1. Das ist keine juristische Beratung, aber eine sinnvolle Grundregel für jeden, der Stimmen Dritter nachbildet.

Dubbing, Diktat und Hörbücher

Neben dem Klonen gibt es drei weitere Workflows, die den praktischen Wert ausmachen.

Video-Dubbing nimmt eine lokale Videodatei oder einen YouTube-Link, transkribiert mit WhisperX, übersetzt das Transkript, synthetisiert die neuen Stimmen und exportiert ein MP4 10. Die Sprechertrennung läuft über pyannote und WhisperX, denselben Stack, den schon das ursprüngliche WhisperX-Paper nutzte 5. Ein Detail, das oft hängenbleibt: Das Diarisierungsmodell (pyannote/speaker-diarization-3.1) ist auf Hugging Face „gated". Ein gültiger Hugging-Face-Token allein reicht nicht; du musst zusätzlich die Lizenz des Modells einmalig auf der Modellseite akzeptieren, sonst antwortet der Download mit 401 oder 403 5. Ohne installiertes Modell greift eine einfachere Stille-Lücken-Heuristik, damit der Dub nicht abbricht. Sie ist bei ähnlich klingenden Stimmen oder schnellen Sprecherwechseln aber weniger genau 5. Das ist ein typischer Fall von „läuft lokal, braucht aber eine einmalige Cloud-Anmeldung für den Modell-Download".

Das Diktat-Widget ist ein systemweiter, schwebender Überlauf: Auf macOS aktiviert es sich mit ⌘+⇧+Space aus jeder Anwendung heraus, transkribiert per WebSocket und fügt das Ergebnis in die fokussierte App ein 10. Hörbücher und Geschichten lassen sich aus mehrstimmigen Skripten oder per EPUB-/PDF-Import bauen, mit Kapitel-Rendering und Export als .m4b 1. Für größere Mengen gibt es eine Batch-Queue, die nach dem unabhängigen Bericht bis zu 50 Videos in einer Warteschlange verarbeitet 10.

API und MCP: VoiceStudio in eigene Workflows einbinden

Wer VoiceStudio nicht nur über die Oberfläche bedienen will, bekommt zwei sauber dokumentierte Wege.

Der erste ist eine OpenAI-kompatible Audio-API. Das Backend spricht dieselben Endpunkte wie die OpenAI-Audio-API, nur lokal: POST /v1/audio/speech für Text-to-Speech in mp3, opus, aac, flac, wav oder pcm, POST /v1/audio/transcriptions für Text in json, text, verbose_json, srt oder vtt, plus einen WebSocket für Live-Transkription 1. Der Einstiegspunkt ist simpel: Statt base_url="https://api.openai.com/v1" zeigt man auf http://localhost:3900/v1 1. Ein schneller Funktionstest geht ohne Python über curl 1:

curl http://localhost:3900/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "tts-1", "input": "Made on my own hardware.", "voice": "default", "response_format": "wav"}' \
  --output speech.wav

Der zweite Weg ist ein MCP-Server, der am laufenden Backend unter /mcp eingehängt ist. Damit können Agenten wie Claude Code oder Cursor lokal Sprache synthetisieren, Stimmen klonen und Audio transkribieren 7. Die Werkzeuge heißen generate_speech, clone_voice und transcribe; pro Agent lässt sich eine eigene Stimme binden, sodass etwa „Claude Code in Morgan, Cursor in Scarlett" sprechen kann 7. Für Agenten in Docker oder auf einer anderen Maschine gilt eine Warnung aus der Doku: Der MCP-Transport ist nicht authentifiziert, also nur im vertrauenswürdigen LAN oder hinter TLS betreiben, nie offen im Internet 7.

Ein praktisches Detail für Agenten: Audio als Base64 im Kontext ist teuer. Über die Umgebungsvariable OMNIVOICE_MCP_OUTPUT_MODE=files schreibt das Backend die WAV-Datei stattdessen auf die Platte und liefert dem Agenten einen Pfad zurück 7.

Lizenz und kommerzielle Nutzung: Die feinen Fallstricke

Hier trennen sich die Wege, und die Doku ist ungewöhnlich klar darüber. Die Anwendung selbst ist AGPL-3.0 1, 11. Das heißt kurz gefasst: Du darfst sie nutzen, verändern und intern einsetzen; wer eine veränderte Version als Netzwerkdienst anbietet, muss den entsprechenden Quellcode unter derselben Lizenz bereitstellen 1.

Für die kommerzielle Nutzung ist aber entscheidend, dass die Anwendungslizenz nicht die Bedingungen der heruntergeladenen Modelle ersetzt. Das Standardmodell OmniVoice liefert Apache-2.0-Code, aber CC-BY-NC-Gewichte („NC" steht für nicht-kommerziell) plus einen Audio-Tokenizer unter separaten Boson-Higgs-Audio-2- und Meta-Llama-Bedingungen 1. Die FAQ sagt es unmissverständlich: Die Anwendungslizenz schränkt generiertes Audio nicht ein, erteilt aber auch keine Rechte unter den Bedingungen der Modelle. Vor kommerzieller Nutzung muss man die Bedingungen des gewählten Modells prüfen 1.

Für proprietäre Einbettung bietet das Projekt eine kommerzielle Lizenz für den von VoiceStudio selbst geschriebenen Code an, erreichbar über VoiceStudio@palash.dev; sie lizenziert Drittmodelle aber nicht neu 1. Auf der Projektseite gibt es dafür ein „Pro"-Angebot (nur auf Anfrage) und eine Cloud-Variante in frühem Zugang 2. Kurz: Kostenlos und lokal ist der Standardweg; wer Stimmen gewerblich verkauft, muss sich die Modelllizenzen einzeln ansehen.

Grenzen und offene Punkte

Vier Dinge sollte man realistisch einordnen, bevor man das Projekt auf einen Produktiv-Rechner lässt.

Erstens: Es ist eine aktive Beta. Das README warnt ausdrücklich, für stabile Arbeit das letzte Release zu nutzen, weil der main-Zweig zwischen Releases neue, möglicherweise instabile Fixes enthält 1. Oben im README steht außerdem der Hinweis „Electron Rewrite Ongoing", verbunden mit der Bitte, aktuell keine Issues oder Pull Requests zur Desktop-App anzulegen 1. Die Desktop-Hülle wird also gerade von Tauri auf Electron umgestellt. Für Nutzer heißt das vor allem, dass sich am Desktop-Teil gerade viel bewegt und sich Verhalten zwischen Releases ändern kann.

Zweitens: Die unabhängige Quellenlage ist dünn. Es gibt einen ausführlichen Bericht von MarkTechPost vom Mai 2026, der die Architektur und die Funktionen sachlich beschreibt, aber aus der Zeit vor der Umbenennung stammt 10. Die Projektseite zitiert außerdem Creator- und Presse-Stimmen: KDnuggets, Trendshift, einzelne YouTube- und LinkedIn-Posts 2. Das sind echte, aber kuratierte Stimmen, formuliert als Begeisterung, kein reproduzierbarer Test. Eine unabhängige, mit Messwerten unterlegte Langzeiterprobung lag zum Schreibzeitpunkt nicht vor. Dieser Artikel bleibt deshalb bei dem, was README, Doku und Releases belegen.

Drittens: Benchmarks und Reifegrad passen noch nicht zusammen. Die leere Benchmark-Tabelle 9, der Beta-Status und der laufende Electron-Umbau 1 bedeuten gemeinsam: Wer eine stabile, vorhersagbare Produktionsumgebung braucht, sollte VoiceStudio erst auf einem Zweitgerät oder in einer VM erproben und seine eigene Hardware selbst durchmessen.

Viertens: „Läuft lokal" heißt nicht „läuft offline ab dem ersten Start". Modelle kommen beim ersten Aufruf vom Hugging-Face-Hub 6; das Standardmodell lädt rund 2,3 GB 7, und gated Modelle wie pyannote brauchen eine einmalige Cloud-Anmeldung 5. Danach läuft die Inferenz offline. Wer ein vollständig luftdichtes System will, muss die Gewichte erst herunterladen, dann die Verbindung trennen.

Entscheidungshilfe: Wann ist das sinnvoll?

Eher sinnvoll, wenn du lokales LLM betreiben nicht nur als Nachricht lesen willst, sondern eine praktische Einordnung brauchst: Was ändert sich, wen betrifft es und welche nächsten Schritte sind realistisch?

Eher abwarten, wenn die Quellenlage noch dünn ist, wichtige technische Details fehlen oder der Nutzen nur aus Hersteller- oder Projektversprechen besteht. Dann ist Beobachten besser als vorschnelles Umstellen.

Worauf du achten solltest: konkrete Verfügbarkeit, nachvollziehbare Kosten, offene Einschränkungen, Sicherheits- oder Datenschutzfolgen und belastbare Quellen statt bloßer Ankündigungen.

Fazit

VoiceStudio ist kein Projekt, das man wegen seiner Sternzahl installiert. Man installiert es, weil man einen bestimmten Tausch will: Stimm-Erzeugung, Dubbing und Transkription auf eigener Hardware, ohne Konto, ohne Verbrauchszähler und mit dem eigenen Rechner als Daten-Grenze. Dafür zahlt man mit Rechenleistung, Speicherplatz, Modellverwaltung und der Pflicht, sich bei kommerzieller Nutzung die Modelllizenzen einzeln anzusehen.

Der pragmatische Einstieg ist klein: Release v0.5.2 herunterladen 3, auf einem Rechner mit passender Engine testen, die erste Stimme aus einer 5- bis 15-Sekunden-Aufnahme klonen 1 und den curl-Test gegen die lokale API fahren 1. Erst wenn Geschwindigkeit und Qualität auf deiner Hardware stimmen (gemessen, nicht geschätzt, denn offizielle Benchmarks fehlen 9), lohnt sich der Schritt in Dubbing, Batch-Verarbeitung oder den MCP-Anschluss an deine eigenen Tools.

Passende Produktrecherchen

Wenn du die praktische Seite vertiefen möchtest, findest du hier passende Suchpfade zum Vergleichen. Keine Kaufpflicht, keine Rangliste, sondern thematisch passende Produktrecherchen:

Hinweis: Als Amazon-Partner verdient kalika.de an qualifizierten Verkäufen. Für dich ändert sich der Preis nicht.

lokales LLM betreiben – Illustration 3

Bildquelle: voicestudio.sh

Hinweis: Dieser Link ist ein Starlink-Empfehlungslink. Wenn du darüber bestellst, können für dich und kalika.de Vorteile nach den jeweils geltenden Starlink-Bedingungen entstehen.

Weiterführende Artikel

Häufige Fragen

Was beantwortet dieser Beitrag zu VoiceStudio lokal betreiben: Installation, Hardware und Grenzen der ElevenLabs-Alternative?

Er ordnet die genannten Quellen ein und übersetzt sie in Prüfpunkte für die eigene Entscheidung. Er ersetzt keine individuelle Planung, Beratung oder Wirtschaftlichkeitsrechnung.

Welche Angaben sollte ich vor einer Entscheidung selbst prüfen?

Entscheidend sind die eigenen Verbrauchs- und Nutzungsdaten, Kosten, technische Voraussetzungen und die aktuell geltenden Regeln. Die Quellen am Ende zeigen, welche Aussagen aus der Meldung stammen und wo die Grenzen der Einordnung liegen.

Sind die genannten Zahlen auf jeden Haushalt übertragbar?

Nein. Umfrage- und Marktwerte beschreiben Gruppen oder Zeitpunkte. Ob eine Maßnahme im Einzelfall passt, hängt von den konkreten Voraussetzungen vor Ort ab.

Transparenzhinweis

Dieser Beitrag wurde mit Unterstützung künstlicher Intelligenz erstellt und automatisiert auf Quellen, Fakten und Qualitätskriterien geprüft.

Quellen

[1] debpalash/VoiceStudio – GitHub-Repository (README) – Funktionsübersicht, Engine- und Sprachkatalog, Systemanforderungen, Hardware-Empfehlungen, Installation, OpenAI-kompatible API, Architektur, Netzgrenze, Lizenz, FAQ, Vergleichstabelle, Beta- und Electron-Hinweis.

[2] VoiceStudio – offizielle Projektseite – Produktbeschreibung, Install-Befehl, Statistik-Schnappschuss vom 21.08.2026, Pro-/Cloud-Angebote, Presse- und Creator-Zitate.

[3] debpalash/VoiceStudio – Releases – Versionshistorie, aktuelles Release v0.5.2 vom 10.09.2026.

[4] Doku: Engine-Guides – Engine-Tabelle, Aktivierung, Standard-Engines.

[5] Doku: Speaker Diarization – pyannote + WhisperX, gated Modell, Lizenz-Annahme, Stille-Lücken-Fallback.

[6] Doku: Modell-Downloads – Hugging-Face-Hub, segmentierter Downloader, Mirrors, Fehlerbehebung.

[7] Doku: MCP-Server – MCP-Tools, Ausgabemodi, Sicherheitsgrenze, pro-Agent-Stimmen; Angabe zum ~2,3-GB-Standardmodell.

[8] Doku: Engine-Speicherplatz – Sidecar-Umgebungen, PyTorch-Doppelkopien, gemessene Größen.

[9] Doku: Benchmarks – Messmethode, aktuell leere Ergebnistabelle.

[10] MarkTechPost: Meet OmniVoice Studio (Michal Sutter, 26.05.2026) – unabhängiger Bericht zu ElevenLabs-Preisen, Zero-Shot-Klonen, Architektur (React/FastAPI/97 Endpunkte), Demucs/Pyannote/AudioSeal, Diktat-Shortcut, Batch-Queue.

[11] GitHub-API: Repository-Metadaten – Sterne, Forks, offene Issues, Lizenz (AGPL-3.0), Erstellungsdatum (09.04.2026), Stand 15.09.2026.