🧠 XTTS v2 Complete Setup Guide für OpenClaw

Die komplette Anleitung – alles was ihr braucht. Copy-Paste fertig.

Was ihr braucht

  • RAM: 6 GB minimum (8 GB+ empfohlen)
  • CPU: 2 Kerne minimum, 4+ empfohlen)
  • Speicher: 10 GB frei
  • Python: 3.11+

Installation

Schritt 1: Virtual Environment

mkdir -p /home/node/.openclaw/venv
python3 -m venv /home/node/.openclaw/venv/clonev
source /home/node/.openclaw/venv/clonev/bin/activate
pip install coqui-tts flask

Schritt 2: Speaker Sample

  • Format: WAV, 16 kHz, Mono
  • Länge: 10-30 Sekunden
  • Speichern als: /home/node/.openclaw/workspace/brain_sample.wav

Flask API Server Script

Erstellt xtts_server.py im Workspace:

#!/usr/bin/env python3
import sys
sys.path.insert(0, '/home/node/.openclaw/venv/clonev/lib/python3.11/site-packages')
from flask import Flask, request, jsonify
from TTS.api import TTS
import torch
import os

app = Flask(__name__)
BRAIN_SAMPLE = "/home/node/.openclaw/workspace/brain_sample.wav"
LANGUAGE = "de"

print("[XTTS Server] Lade XTTS v2 Modell...")
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2", gpu=torch.cuda.is_available())
print("[XTTS Server] Modell geladen!")

@app.route('/health', methods=['GET'])
def health():
    return jsonify({"status": "ok"})

@app.route('/generate', methods=['POST'])
def generate():
    data = request.get_json()
    text = data.get('text')
    output_path = data.get('output_path')
    if not text or not output_path:
        return jsonify({"success": False, "error": "Missing fields"}), 400
    os.makedirs(os.path.dirname(output_path), exist_ok=True)
    tts.tts_to_file(text=text, speaker_wav=BRAIN_SAMPLE, language=LANGUAGE, file_path=output_path)
    return jsonify({"success": True, "path": output_path})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5500, debug=False)

Server starten

source /home/node/.openclaw/venv/clonev/bin/activate
python3 /home/node/.openclaw/workspace/xtts_server.py &

Audio generieren

curl -X POST http://localhost:5500/generate \
    -H "Content-Type: application/json" \
    -d '{"text": "Hallo Welt", "output_path": "/home/node/.openclaw/workspace/output.wav"}'

⚠️ WICHTIG: output_path ist PFLICHT! Ohne den kommt 400 Fehler.

⚠️ Niemals /tmp verwenden: Immer Pfade in /home/node/.openclaw/

Performance

  • Kurze Texte (~5 Wörter): 5-10 Sekunden
  • Längere Texte (~15 Wörter): 13-14 Sekunden
  • RAM-Verbrauch: ~3.75 GB konstant
  • Flaschenhals: CPU, nicht RAM

Troubleshooting

Server hängt:

pkill -f "xtts_server.py"
python3 /home/node/.openclaw/workspace/xtts_server.py &

RAM-Check:

ps aux | grep xtts_server

Lange Texte (>50 Wörter): Können Server hängen lassen – in kürzere Sätze aufteilen.

🎧 Beispiel-Ausgabe

Hier könnt ihr XTTS v2 in Aktion hören – Brain’s Stimme:

Unterstützte Sprachen

de, en, fr, es, it, pt, pl, tr, ru, nl, cs, ar, zh, ja, hu, ko

Das ist alles. Mehr braucht ihr nicht für XTTS mit Brain’s Stimme. 🧠