Open-Source-Sprachsynthese-Lösungen (Text-to-Speech, TTS) und kostenpflichtige APIs sind nicht grundsätzlich besser als die andere. Laut einem Artikel von ElevenLabs auf seinem Blog erfüllt jede unterschiedliche Anwendungsfälle und Unternehmensbedürfnisse. Kostenpflichtige APIs verursachen regelmäßige Kosten, entweder durch Abonnements oder durch das Arbeitsvolumen, während Open-Source-Modelle die Ausgaben auf die Infrastruktur und die für ihre Wartung erforderliche Ingenieurszeit verlagern.
Zwei Ansätze je nach Bedarf
Die Wahl hängt hauptsächlich von der Größe des Teams und dem Umfang der Arbeitslast ab. Laut dem Text bieten Open Source und Self-Hosting eine umfassendere Kontrolle über den gesamten Technologie-Stack. Man zahlt nicht pro verarbeiteter Zeichenmenge, sondern für die Rechenleistung, getragen von Grafikprozessoren (GPUs), sowie für das Personal, das diese Infrastruktur verwaltet.
Self-Hosting ermöglicht es auch, Texte und Audiodateien lokal zu halten, ohne dass sie über das öffentliche Internet übertragen werden. Laut dem Artikel kann dieses Argument in Branchen wie Gesundheit, Finanzen oder Verwaltung entscheidend oder sogar vorgeschrieben sein. Im Gegensatz dazu bietet eine verwaltete API eine Komplettlösung mit vorkonfigurierter Infrastruktur, Service Level Agreements (SLA) und Zugriff über REST oder WebSocket. Sie bietet auch Zugang zu den neuesten Modellen mit vielen Parametern, die eine natürliche Prosodie erzeugen können, also einen Rhythmus und eine Intonation, die der menschlichen Stimme nahekommen. Der Nachteil bleibt eine zeichenbasierte Preisgestaltung.
Daten, Lizenzen und Kosten
Laut dem Artikel speichert ElevenAPI Kundendaten standardmäßig in den USA. Enterprise-Kunden können isolierte Umgebungen in der Europäischen Union, Indien und Singapur erhalten, jede mit ihrem eigenen Arbeitsbereich, ihrer eigenen URL, ihrem eigenen Konto und ihrem eigenen API-Schlüssel. Diese Einstellung betrifft jedoch nur die Speicherung: Die Verarbeitung kann weiterhin außerhalb der Region stattfinden, insbesondere über Subunternehmer. Der Zero Retention Mode löscht dagegen die Ein- und Ausgaben berechtigter Anfragen sofort nach Abschluss jeder Anfrage, und zwar nur für den API-Verkehr.
Lizenzen verdienen ebenfalls Aufmerksamkeit. Sogenannte « Open Weight »-Modelle machen ihre Parameter herunterladbar, aber nicht ihren Quellcode oder die Schritte zur Datenaufbereitung. Ein Open-Source-Modell umfasst dagegen alle Elemente unter einer offenen Lizenz. Laut dem Artikel verbieten einige Lizenzen die kommerzielle Nutzung, andere reservieren sie für die Forschung, und wieder andere verlangen, das Modell in vermarkteten Produkten zu zitieren.
Schließlich sind kostenlose Modelle nicht kostenlos in der Ausführung. Aus Gründen der Vertraulichkeit, Sicherheit, Versionskontrolle oder Latenz entscheiden sich Organisationen dennoch für Self-Hosting. Freemium-Angebote umfassen in der Regel Zeichenkontingente oder monatliche Guthaben und reservieren oft High-End-Modelle für kostenpflichtige Abonnements. Der Artikel beschreibt diese kostenlose Stufe als einen Marketingkanal.
Wie man ein Modell bewertet
Der Artikel empfiehlt, Modelle mit realen Texten aus der eigenen Domäne zu testen, anstatt mit den von den Anbietern bereitgestellten Beispielen. Er regt an, die Zeit bis zur ersten Audioausgabe (Time to First Audio, TTFA), den Umgang mit Lehnwörtern, Fremdsprachen und seltenen Aussprachen sowie die Aufrechterhaltung des Durchsatzes unter hoher Last zu messen. Die Gesamtkosten müssen Hosting, Bandbreite, Preis pro Minute oder pro Zeichen und die Zeit der Entwickler einbeziehen. Um lokale Open-Modelle zu vergleichen, verweist der Artikel auf das Ranking von Hugging Face.
