Vocello: Ein lokales, privates Sprachstudio für Apple Silicon

Cloud-Dienste für Sprachsynthese sind bequem, verändern aber den Ablauf: Das Skript verlässt den eigenen Rechner, der Modellzugriff hängt von einem Dienst ab, und eine private Aufnahme wird zu einem weiteren Upload, den man berücksichtigen muss. Vocello geht den entgegengesetzten Weg. Es ist ein lokales Sprachstudio für Apple Silicon, das nach der Installation der Modellpakete Sprache direkt auf dem Gerät erzeugt.

Die aktuelle Mac-Version ist Vocello 2.4.0 für macOS 26 und Apple Silicon; die iPhone-App ist eine öffentliche TestFlight-Beta. Das Projekt ist natives Swift plus MLX und kein Python-Wrapper um einen lokalen Server. Deshalb trennt dieser Artikel den sofort installierbaren Mac-Release vom Quellcode-Build für Entwickler.

Was kann die App?

Built-in Voice bietet neun Qwen3-Sprecher für den schnellsten Weg von Text zu Audio. Vocello erkennt die Sprache automatisch oder lässt eine manuelle Auswahl zu. Außerdem gibt es Steuerungen für die Art der Wiedergabe, damit ein Satz ausdrucksvoller, ausgewogener oder konsistenter klingen kann, statt immer wie ein unveränderliches Preset.

Voice Design ist die spannendere Wahl, wenn du eine Figur statt eines benannten Sprechers brauchst. Beschreibe die Stimme in normaler Sprache — Alter, Klangfarbe, Akzent, Energie oder Sprechweise — und speichere das Ergebnis für die Wiederverwendung. Das eignet sich für Erzählungen, Prototypen und wiederkehrende Figuren, ohne jedes Mal bei einer Aufnahme beginnen zu müssen.

Voice Cloning nimmt eine Referenzaufnahme an, die dir gehört oder für die du eine Nutzungserlaubnis hast; der Ablauf enthält eine sichtbare Bestätigung dieser Einwilligung. Vocello unterstützt zehn Sprachen, macht aus Skripten mit mehr als 900 Zeichen Langtext-Projekte und streamt deren Segmente nacheinander. Der Verlauf speichert die Segmentzuordnung, sodass auch ein langer Take bearbeitbar bleibt.

Installation

Zum Zeitpunkt dieses Artikels gibt es keinen Mac-Release im App Store. Verwende den offiziellen Vocello-2.4.0-Release oder lade das direkte Mac-DMG herunter. Du brauchst macOS 26 oder neuer auf Apple Silicon und mindestens 8GB Arbeitsspeicher; für das Quality-Modell und lange Projekte sind 16GB oder mehr empfehlenswert. Die iPhone-App ist getrennt und über die öffentliche TestFlight-Beta des Projekts verfügbar.

# Download the signed and notarized Mac release:
open https://github.com/PowerBeef/Vocello/releases/download/v2.4.0/Vocello-macos26.dmg

# Open the DMG and drag Vocello.app to /Applications.

Das Mac-DMG ist mit Developer ID signiert, notariell beglaubigt und mit dem Ticket versehen. Kopiere die App, öffne die Einstellungen und installiere die Modellpakete. Die empfohlenen Speed-Pakete benötigen etwa 6GB; mit Quality kann der Gesamtbedarf nahe 15GB liegen. Der erste Download benötigt eine Internetverbindung und kommt von Hugging Face. Sobald die Pakete vorhanden sind, bleiben Sprachgenerierung, Skripte, Referenzen, gespeicherte Stimmen, Verlauf und erzeugtes Audio lokal, sofern du sie nicht exportierst. Ein Update innerhalb von 2.x erhält App-Daten und installierte Modelle.

So verwendest du Vocello

Beginne mit einem kurzen Skript und Built-in Voice. Wähle einen Sprecher, lege die Sprache fest, falls die automatische Erkennung nicht passt, passe die Wiedergabe an und starte die Erzeugung. Das Ergebnis kann angehört, im Verlauf gespeichert und als Audio exportiert werden. Auch der Seed jedes Auftrags wird im Verlauf gespeichert; mit einem festen Seed lässt sich ein Take bei unverändertem Text und gleichen Einstellungen reproduzieren.

Wechsle zu Voice Design, wenn die Stimme selbst Teil des Briefings ist. Voice Cloning darf nur mit einer Referenz verwendet werden, die dir gehört oder für die du eine Erlaubnis hast. Die Einwilligungsbestätigung der App ist eine Sicherheitsgrenze, ersetzt aber nicht die tatsächliche Erlaubnis. Auf dem Mac lassen sich Referenzen unter anderem als WAV, MP3, AIFF, M4A, FLAC, OGG oder WebM importieren.

# After installing Vocello:
# Settings → Model downloads → install Speed packages
# Then choose Built-in Voice, Voice Design, or Voice Cloning.

Für eine lange Sprecherfassung fügst du das vollständige Skript ein, statt alle Abschnitte selbst zu verwalten. Vocello macht aus mehr als 900 Zeichen ein Projekt, erzeugt die Segmente nacheinander und fügt sie zu einer fertigen Datei zusammen. Die iPhone-Beta 2.4.0 kann außerdem ein einzelnes Segment neu erzeugen — praktisch, wenn nur ein Satz korrigiert werden muss.

# Build the developer CLI only when you need it:
./scripts/build.sh cli
build/vocello modes
build/vocello speakers list

Sprach-Workflows und Ausgabe

Vocello liegt zwischen einer Ein-Zeilen-Demo und einer vollständigen Produktionspipeline. Du kannst Voice-over-Entwürfe, wiederkehrende Figuren, mehrsprachige Prototypen oder lange Skripte als nachvollziehbare Segmentfolge erzeugen. Unterstützt werden Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch.

Unter der Haube

Der Kern des Repositorys ist VocelloQwen3Core, eine eigene Swift-Laufzeit auf MLX, abgeleitet von mlx-audio-swift. Die App benötigt weder Python noch einen separat verwalteten lokalen Server oder mitgelieferte Modellgewichte. Eine gemeinsame Engine versorgt Mac-App, iPhone-App und CLI-Pfad; die Modellpakete werden getrennt geladen, damit das App-Bundle klein bleibt.

Langtext-Erzeugung wird in begrenzten Frames gestreamt, statt alle Zwischenpuffer dauerhaft zu halten. In der eigenen Messung des Repositorys lag der Spitzenbedarf eines vergleichbaren Takes zunächst bei rund 8GB und später bei etwa 3GB; ein Projekt mit zwölf Segmenten endete nahe am Ausgangsverbrauch. Die Ausgabe ist 24kHz Mono mit 16-bit WAV, während die gemessene Geschwindigkeit als Real-Time-Factor dokumentiert wird und nicht für jeden Mac gleich versprochen wird.

Repository und Releases

Der Quellcode liegt im PowerBeef/Vocello-Repository; der aktuelle Mac-Download ist der v2.4.0-Release. Das Repository steht unter MIT-Lizenz und enthält App, gemeinsame Engine, Build-Skripte, Dokumentation und Release-Metadaten. Für normale Nutzer ist das Mac-DMG der richtige Weg; zum Installieren brauchst du kein Xcode.

Die CLI ist nicht im Mac-DMG enthalten. Baue sie nur aus dem Quellcode, wenn du Kommandozeilen-Generierung brauchst oder beitragen möchtest. Die Repository-Skripte erwarten vollständiges Xcode 26 auf macOS 26 und Apple Silicon; die Command Line Tools allein reichen nicht. Wenn du macOS 15 unterstützen musst, verweist das Projekt auf den älteren QwenVoice-1.2.3-Release, statt Kompatibilität von Vocello 2.x vorzutäuschen.

Vor der Installation prüfen

Prüfe vor dem Download vier Dinge: Apple Silicon, macOS 26 oder neuer, genügend freien Speicher für die Modellpakete und die Bereitschaft zu einem einmaligen Hugging-Face-Download. Für Referenzaufnahmen braucht die App Mikrofonzugriff. Bei der automatischen Transkriptübernahme kann macOS außerdem die Berechtigung für Spracherkennung und deren On-Device-Assets anfordern. Die iPhone-TestFlight-Beta ist ein separates Experiment und ersetzt den Mac-Release nicht.

Grenzen

Vocello 2.x ist bewusst eng gefasst: nur Apple Silicon, nur macOS 26 oder neuer und derzeit kein Intel- oder älterer-macOS-Build. Die iPhone-App ist weiterhin eine öffentliche Beta, und die verfügbaren Modelle sind auf Mac und iPhone nicht identisch. Wer einen kleinen Sofort-Download oder einen Browser-Workflow braucht, wird ein lokales Modellstudio schwerer finden als eine gehostete TTS-Seite.

Die Modell-Downloads gehören zur Einrichtung, und Quality benötigt mehr Speicher und Arbeitsspeicher als Speed. Auch Voice Cloning hängt von Referenzaufnahme und Modell ab und garantiert keine saubere Reproduktion jeder Stimme. Lokale Generierung ist außerdem keine Erlaubnis, die Identität einer anderen Person zu verwenden: Für eine Referenz brauchst du eine Berechtigung und solltest KI-generiertes Audio kenntlich machen, wenn du eine echte geklonte Stimme veröffentlichst.

Vocello versieht WAV-Ausgaben mit einem nicht hörbaren AudioSeal-Wasserzeichen und einem maschinenlesbaren Provenienz-Hinweis. Die Dokumentation weist außerdem darauf hin, dass in manchen Rechtsordnungen, auch in der EU, Offenlegungspflichten gelten können. Das ist ein Projekthinweis für die Prüfung deines Anwendungsfalls und kein Ersatz für Rechtsberatung.

Lizenz

Der Anwendungscode steht unter der MIT License. Du darfst den Code prüfen, ändern, verwenden und weitergeben, auch in kommerzieller Software, solange Copyright- und Lizenzhinweis bei der jeweiligen Weitergabe erhalten bleiben. Die Lizenz wird ohne Gewährleistung bereitgestellt.

Diese Erlaubnis gilt für den Projektcode, nicht automatisch für jedes Modell, jede Abhängigkeit, jede Sprachreferenz oder jedes erzeugte Werk. Für Qwen3-TTS, MLX, mlx-audio-swift, heruntergeladene Gewichte und mitgelieferte Assets gelten eigene Bedingungen; die Quellcode-Lizenz gibt dir nicht das Recht, die Stimme einer realen Person zu klonen. Prüfe die Hinweise des Repositorys, bevor du eine geänderte App oder ein Modellpaket weitergibst.

Lohnt sich die Installation?

Wenn du einen Apple-Silicon-Mac mit macOS 26 hast und einen privaten, lokalen Sprach-Workflow suchst, starte mit dem signierten Vocello-2.4.0-DMG. Für schnelle Ergebnisse nimm Built-in Voice, für eine wiederverwendbare Figur Voice Design und Voice Cloning nur dann, wenn Erlaubnis und Offenlegung geklärt sind. Den Quellcode brauchst du nur für CLI oder Entwicklung; die iPhone-TestFlight-Beta kannst du unabhängig davon ausprobieren.

# Download the signed and notarized Mac release:
open https://github.com/PowerBeef/Vocello/releases/download/v2.4.0/Vocello-macos26.dmg

# Open the DMG and drag Vocello.app to /Applications.