Kikiri TTS German + Wyoming

Lokaler deutscher Text-to-Speech-Server auf Basis von Kikiri/Kokoro mit Wyoming-Unterstützung für Home Assistant. Das Projekt ist auf hochwertige deutsche Sprachausgabe und lokalen CPU-Betrieb ausgelegt und wurde unter anderem auf einem Intel N100 getestet.

Funktionen

• Deutsche neuronale TTS-Ausgabe
• Wyoming-Anbindung für Home Assistant
• OpenAI-kompatible TTS-API
• Standardstimmen martin und victoria
• Unterstützung zusätzlicher kompatibler Stimmen
• Automatischer Download fehlender Modelle
• Modelle dauerhaft außerhalb des Docker-Images speicherbar
• CPU-Betrieb ohne dedizierte GPU
• Deutsche Textnormalisierung
• Stabiler Non-Streaming-Betrieb
• Adaptive Audioausgabe für geringere wahrgenommene Latenz
• Optional konfigurierbare Synthesebeschleunigung mit tonhöhenneutraler Rückdehnung
• Konservativer Fallback, wenn eine kontinuierliche adaptive Ausgabe nicht sicher möglich ist

Home Assistant / Wyoming

Für Home Assistant wird der Container über die Wyoming-Integration eingebunden:

Host: IP-Adresse des Unraid-/Docker-Servers
Port: 10203

Home Assistant erkennt anschließend die vom Server angebotenen deutschen TTS-Stimmen.

Der Wyoming-Dienst soll sich als Kikiri TTS German + Wyoming identifizieren und nicht als generischer OpenAI-TTS-Dienst. Falls nach einem Update noch eine alte Bezeichnung angezeigt wird, die bestehende Wyoming-Integration in Home Assistant neu laden bzw. bei Bedarf neu hinzufügen.

Ports

Normalerweise muss nur Port 10203 veröffentlicht werden.

Stimmen und Modelle

Die Sprachmodelle sind absichtlich nicht Bestandteil des Git-Repositories oder Docker-Images. Beim Start werden konfigurierte fehlende Modelle heruntergeladen und unter /app/models gespeichert.

Standardmäßig stehen zur Verfügung:

• martin
• victoria

Für dauerhafte Speicherung sollte /app/models als Volume eingebunden werden, beispielsweise unter Unraid:

/mnt/user/appdata/kikiri-tts-german-wyoming/models -> /app/models

Zusätzliche Stimmen

Weitere kompatible Kikiri-/Kokoro-Stimmen können über KOKORO_EXTRA_VOICES ergänzt werden:

name|huggingface-repository|model-datei|voice-datei

Mehrere Definitionen werden mit ; getrennt.

Beispiel Bernd:

bernd|kikiri-tts/kikiri-german-bernd|kokoro_german_bernd.pth|bernd.pt

Beispiel Thorsten:

thorsten|Thorsten-Voice/Kokoro|model.pth|voices/thorsten.pt

Danach die gewünschten Stimmen beispielsweise konfigurieren als:

KOKORO_VOICES=martin,victoria,bernd,thorsten
KOKORO_PRELOAD=martin,victoria,bernd,thorsten

Kompatible Stimmen können außerdem manuell als eigener Modellordner bereitgestellt werden:

models/
└── meine_stimme/
    ├── model.pth
    └── voice.pt

Modell und Voicepack müssen zur verwendeten Kikiri-/Kokoro-Architektur kompatibel sein. Bei einer auf einem eigenen Modell feinabgestimmten Stimme reicht das Voicepack allein nicht aus.

Adaptive Ausgabe und Synthese-Speed

Die optimierte Ausgabe kann Audio bereits wiedergeben, während nachfolgendes Audio weiter synthetisiert wird. Die Planung verwendet verfügbare Audiodaten und konservative Sicherheitsreserven; wenn eine kontinuierliche Ausgabe nicht sicher erscheint, muss auf den stabilen Fallback zurückgegriffen werden.

KIKIRI_TTS_SYNTH_SPEED steuert die optionale Synthesebeschleunigung.

Dezimalwerte wie 1.175 sind zulässig. Bei Werten über 1.00 wird die schnellere Synthese anschließend tonhöhenneutral auf eine natürliche Wiedergabedauer zurückgedehnt. Der notwendige Stretch-Faktor wird aus den tatsächlichen Audiodauern bestimmt und nicht einfach aus dem eingestellten Speed abgeleitet.

1.20 ist keine allgemeine Empfehlung für jede CPU und jede Stimme. Bei hörbaren Qualitätsunterschieden sollte ein niedrigerer Wert verwendet werden. 1.00 bleibt die Qualitätsreferenz.

Umgebungsvariablen

Wichtige Einstellungen sind unter anderem:

KOKORO_THREADS=4
KOKORO_PRELOAD=martin,victoria
KOKORO_VOICES=martin,victoria
KOKORO_EXTRA_VOICES=
WYOMING_TTS_CONCURRENT_REQUESTS=1
KIKIRI_TTS_SYNTH_SPEED=1.00

KIKIRI_TTS_MODE=adaptive ist der Standard für Wyoming. Mit KIKIRI_TTS_MODE=non_streaming wird die vollständige Antwort vor der Wiedergabe erzeugt. Die HTTP-API liefert weiterhin eine vollständige WAV-Datei. Ein ausdrücklich gesetzter HTTP-Request-Parameter speed ungleich 1.0 behält seine bisherige native Speed-Bedeutung; normale Requests verwenden KIKIRI_TTS_SYNTH_SPEED mit Rückdehnung.

Die variable Synthesegeschwindigkeit wird beim Containerstart gelesen. Eine Änderung benötigt kein neues Image; unter Unraid den geänderten Container über Anwenden neu erstellen. Ungültige Werte werden mit einer Fehlermeldung abgelehnt. Es wird immer nur ein Synthese-Worker verwendet; HTTP und Wyoming teilen sich die geladenen Modelle. Die adaptive RTF-Historie wird pro Speed und Stimme geführt und nach dem Neuerstellen eines Containers konservativ neu aufgebaut.

Docker Build

docker build -t kikiri-tts-german-wyoming:latest .

Docker Start

docker run -d \
  --name kikiri-tts-german-wyoming \
  --restart unless-stopped \
  -p 10203:10203 \
  -v /mnt/user/appdata/kikiri-tts-german-wyoming/models:/app/models \
  -e KOKORO_THREADS=4 \
  -e KOKORO_PRELOAD=martin,victoria \
  -e KOKORO_VOICES=martin,victoria \
  -e KIKIRI_TTS_SYNTH_SPEED=1.00 \
  ghcr.io/marco-taylor/kikiri-tts-german-wyoming:latest

Für Unraid empfiehlt sich die Installation über Community Applications, sobald die aktuelle Version veröffentlicht ist.

Intel N100

Das Projekt wurde auf einem Intel N100 mit vier CPU-Kernen praktisch getestet. Für diesen Rechner ist KOKORO_THREADS=4 ein sinnvoller Ausgangspunkt.

Die Qualitätsreferenz ist:

KIKIRI_TTS_SYNTH_SPEED=1.00

Für geringere Latenz wurde außerdem erfolgreich mit Home Assistant getestet:

KIKIRI_TTS_SYNTH_SPEED=1.20

Die tatsächliche Leistung hängt von Stimme, Textlänge und gleichzeitiger Systemlast ab.

Projektpflege und Image-Größe

Modelle, Test-WAVs, Benchmarks, lokale virtuelle Umgebungen und temporäre Entwicklungsartefakte gehören nicht in das Produktionsimage oder Git-Repository. Vor Releases sollten .gitignore, .dockerignore, Docker-Layer und Runtime-Abhängigkeiten geprüft werden, damit nur für den Betrieb benötigte Daten ausgeliefert werden.

Credits und Upstream-Projekte

Kikiri TTS German + Wyoming ist ein unabhängiges Community-Projekt und baut auf mehreren Open-Source-Komponenten auf:

• Kikiri TTS – deutsche TTS-Grundlage
• Kokoro – zugrunde liegende TTS-Technologie
• Misaki – Grapheme-to-Phoneme-Verarbeitung
• Wyoming Protocol – Integration von Sprachdiensten mit Home Assistant
• wyoming_openai – Wyoming-/OpenAI-kompatible TTS-Anbindung

Modelle und Abhängigkeiten können eigenen Lizenz- und Nutzungsbedingungen unterliegen. Diese sind bei der Verwendung zusätzlicher Stimmen oder Modelle separat zu beachten.

Kikiri TTS German + Wyoming ist ein unabhängiges Community-Projekt und nicht mit Kikiri, Kokoro, Home Assistant oder Unraid verbunden oder von diesen offiziell unterstützt.