Piper

AI-bild, video och ljud · Lokal röstsyntes

Snabb röstsyntes som körs lokalt med små neurala röstmodeller, via kommandoraden eller en egen HTTP-server.

Öppen källkodC++Python

Betyg 67 Preliminär (källbaserad)

Läs bedömningen
API · Officiellt

Verifierat i docs/API_HTTP.md: enkel HTTP-server (python -m piper.http_server, port 5000) med /synthesize som returnerar WAV och /info som returnerar JSON om rösten; även webbgränssnitt. Dessutom Python-API (API_PYTHON.md) och C/C++-API (libpiper). Enkel men dokumenterad och fullt användbar för användningsfallet.

API

Kontrollerat:

Öppna dokumentation

MCP · Tredjepart

Inget inbyggt eller officiellt MCP-stöd är belagt. Flera tredjeparts-MCP-servrar paketerar Piper (t.ex. OnyxFalcon/piper-tts-mcp, listad på MCP-marknadsplatser); deras underhållsstatus är inte verifierad.

MCP

Kontrollerat:

Öppna dokumentation

Jämför med alternativ Källor
Analysbild av Pipers utdata: välkomsttexten Välkommen till Nordljus AB, ditt ärende har registrerats, läst med rösterna sv_SE-nst-medium och sv_SE-alma-medium; överst nst-rösten som vågform över 17,0 sekunder, 22 050 Hz och 734 kB wav, underst alma-rösten som vågform över 13,6 sekunder, 22 050 Hz och 584 kB wav, med tydliga pauser mellan satserna i båda spåren
1 / 4 Samma mening med två röster: nst ger 17,0 sekunder, alma 13,6
  • Spektrogram över samma två Piper-röster: sv_SE-nst-medium överst och sv_SE-alma-medium underst, med frekvens i kHz på lodrät axel och tid i sekunder på vågrät; vertikala ljusare band visar grundtonen i de tonande ljuden, de mörka partierna är pauser mellan orden, och alma-rösten har tätare och kortare satser än nst-rösten
  • Terminalen visar time piper -m roster/sv_SE-nst-medium.onnx -i text/valkomstmeddelande.txt -f ut/valkomst-nst.wav som tar 4,4 sekunder i realtid, följt av soxi över två wav-filer: valkomst-nst.wav är 17,04 sekunder och 752 kB, orderbesked-nst.wav är 14,11 sekunder och 622 kB, båda i 22 050 Hz mono
  • Terminalen visar python3 -m piper.http_server med sv_SE-nst-medium på port 5000, ett GET mot /info som svarar att rösten är sv_SE-nst-medium med en talare, en POST mot /synthesize med texten Order 4123 är packad som skriver http-order.wav på 155K, en kontroll av fonemen där första tecknet är o djur, och ffprobe som visar 3,59 sekunder pcm_s16le 22 050 Hz mono innan servern stoppas

Bedömning

Så bedömer vi

Totalbetyg

67

Preliminär (källbaserad)

Bedömningsprofil
Lokal röstsyntes på vanlig CPU: läsa upp text via kommandoraden eller en enkel HTTP-server, eller skapa WAV-filer i efterhand, med små neurala röstmodeller (t.ex. för röstassistenter).
Bedömningsdatum
Modellversion
3.0.0

  1. Öppenhet och kontroll

    GPL-3.0 verifierad i repots COPYING (full GNU GPL-text). OSI-godkänd och full frihet att drifta själv; praktisk begränsning är att röstmodellerna distribueras separat med egna villkor per röst (katalogpost: 'Röstmodellerna distribueras separat och kan ha andra villkor'), vilket begränsar vad som kan återdistribueras fritt.

  2. Funktionell passform

    Täcker kärnbehovet (snabb lokal uppläsning, WAV-utdata, CLI + HTTP-server + Python/C-API, träning av egna röster enligt README) med kända luckor som kräver tillägg: ingen röstkloning, begränsat känslouttryck (katalogpostens begränsningar) och en röst per modellfil. Projektet söker dessutom underhållare (README), vilket väger in vid långsiktigt införande.

  3. Dataflytt och interoperabilitet

    Röstmodeller är ONNX-filer i öppet format och utdatat är standard-WAV via CLI eller HTTP (docs/API_HTTP.md); gränssnitten (CLI, Python, C/C++) gör data åtkomlig från valfritt system. Men det finns ingen dokumenterad begreppsbild för batch-/arkivexport utöver filutdatat, och varje röst är en egen fil utan paketerat utbyte — därför 3.

  4. Mognad och trygghet

    Sedan 2023 (katalogpost) med regelbundna utgåvor (v1.6.1→v1.8.0, updated-datum 2026-08-15 till 2026-09-04 i releases.atom) och etablerad användning (Home Assistant, NVDA enligt README). Men README:n deklarerar öppet 'Looking for Maintainers' hos Open Home Foundation — förvaltningssignalen är oklar, därför inte 4.

  5. Framtidskraft

    Dokumenterat CLI, Python-API, C/C++-API och enkel HTTP-server (README + docs/API_HTTP.md och API_PYTHON.md) ger verklig scriptbar automation och har använts bredare (Home Assistant-tillägg, NVDA). Inbyggd MCP saknas; endast tredjeparts-MCP-servrar finns. Arkitekturen är enkel och moder nok, men agent-/integrationsberedskapen går inte utöver API:erna — därför 3.

  6. Drift och införande

    Mycket lätt införande: 'pip install piper-tts', ladda en röst och kör (docs/API_HTTP.md visar kommandona), körs på vanlig CPU utan GPU. Löpande drift är en liten process per röst. Dokumentationen är kort men komplett för användningsfallet; endast modellhantering per röst kräver lite eget arbete.

  7. Kostnadsbild

    Licenskostnad 0 (GPL-3.0) och låg hårdvarukostnad (kör på liten CPU, katalogpostens styrkor), så totalkostnaden är låg för scenariot. Men projektet saknar sponsor/underhållsgaranti (söker underhållare), så framtida supportarbete måste räknas in; kommersiell distribution kräver GPL-efterlevnad. Antagandena ger 3, inte 4–5.

  8. Svensk användbarhet

    Verifierad svensk språkförmåga av kategorirelevant typ: docs/VOICES.md listar 'Svenska, Sweden (Swedish, sv_SE)' bland rösterna (hämtat 2026-10-28), och espeak-ng-baserad fonemisering stödjer svenska. Det är dock ingen svensk lokalisering: gränssnitt, dokumentation och support är engelska och ingen i18n-katalog finns i repot (165 filer via trees-API) — därför 3, inte 4.

Om Piper

Piper är en röstsyntes som är byggd för att köras lokalt och snabbt, även på en liten dator. Den använder små neurala röstmodeller i ONNX-format och kan läsa upp text via kommandoraden eller en egen HTTP-server som svarar med ljud.

Projektet kommer från Home Assistant-sfären och används för röstassistenter, men fungerar lika bra för att läsa upp texter eller skapa ljudfiler i efterhand. Koden licensieras under GPL-3.0, och varje röstmodell har egen licens och kvalitet. Programmet är inte en fullständig talsyntestjänst med röstkloning, utan ett snabbt och förutsägbart verktyg.

Användning

Passar för

  • Röstassistenter och uppläsning i hemmet eller på kontoret
  • Den som vill skapa ljudfiler utan molntjänst

Passar mindre bra för

  • Behov av röstkloning eller känslostyrning
  • Kommersiell distribution där GPL-3.0 inte är acceptabel

Styrkor och begränsningar

Styrkor

  • Snabb och lättviktig på vanlig CPU
  • Enkel server för uppläsning

Begränsningar

  • Begränsat känslouttryck jämfört med större modeller
  • Rösternas licenser varierar

Skärmbilder

4 skärmbilder. Välj en bild för att visa den i full storlek. Svep i sidled för fler.

  • Analysbild av Pipers utdata: välkomsttexten Välkommen till Nordljus AB, ditt ärende har registrerats, läst med rösterna sv_SE-nst-medium och sv_SE-alma-medium; överst nst-rösten som vågform över 17,0 sekunder, 22 050 Hz och 734 kB wav, underst alma-rösten som vågform över 13,6 sekunder, 22 050 Hz och 584 kB wav, med tydliga pauser mellan satserna i båda spåren
    Samma mening med två röster: nst ger 17,0 sekunder, alma 13,6
  • Spektrogram över samma två Piper-röster: sv_SE-nst-medium överst och sv_SE-alma-medium underst, med frekvens i kHz på lodrät axel och tid i sekunder på vågrät; vertikala ljusare band visar grundtonen i de tonande ljuden, de mörka partierna är pauser mellan orden, och alma-rösten har tätare och kortare satser än nst-rösten
    Rösternas spektrogram: grundton som vertikala band och pauser mellan orden
  • Terminalen visar time piper -m roster/sv_SE-nst-medium.onnx -i text/valkomstmeddelande.txt -f ut/valkomst-nst.wav som tar 4,4 sekunder i realtid, följt av soxi över två wav-filer: valkomst-nst.wav är 17,04 sekunder och 752 kB, orderbesked-nst.wav är 14,11 sekunder och 622 kB, båda i 22 050 Hz mono
    Syntesen i terminalen: en mening tar 4,4 sekunder att rendera
  • Terminalen visar python3 -m piper.http_server med sv_SE-nst-medium på port 5000, ett GET mot /info som svarar att rösten är sv_SE-nst-medium med en talare, en POST mot /synthesize med texten Order 4123 är packad som skriver http-order.wav på 155K, en kontroll av fonemen där första tecknet är o djur, och ffprobe som visar 3,59 sekunder pcm_s16le 22 050 Hz mono innan servern stoppas
    HTTP-tjänsten i bruk: en POST med svensk text ger en wav-fil på 3,6 sekunder

Tekniska resurser

Alternativ

ComfyUI

AI-bild, video och ljud · Nodbaserat gränssnitt och lokalt inferensgränssnitt för generativ AI

ComfyUI är en nodbaserad motor för bild- och videogenerering, där diffusionsmodeller som Stable Diffusion och Flux kopplas ihop till körbara arbetsflöden.

Öppen källkodPython
Startår
2023
Licens
GNU General Public License v3.0
Öppen källkod
Ja
API
REST API · Annan
MCP
MCP-server, Officiellt tillägg

Betyg

87

Preliminär (källbaserad)

Läs bedömningen

Projektdata

144 964GitHub-stjärnor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2023
Licens
GNU General Public License v3.0Öppen källkod (OSI-godkänd licens) · Repots LICENSE-fil innehåller standardtexten för GNU GPL version 3 (29 juni 2007), och GitHub identifierar licensen som GPL-3.0. Någon uttrycklig tilläggsklausul om 'or later' i projektets egen licensnotis påträffades inte, varför SPDX-id:t anges som GPL-3.0-only med viss osäkerhet. · Licensmodeller
Öppen källkod
Ja
Plattformar
Windows · Linux · macOS · Webbläsare
API
REST API · Annan Verifierat
MCP
MCP-server, Officiellt tillägg
Export
Finns Arbetsflöden representeras som JSON enligt dokumentationens specifikation, och den lokala servern kan via API:t ta emot arbetsflöden och lämna tillbaka genererade utdatafiler. Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: GPL-3.0 (OSI), hela kärnan och frontend öppna — ingen open-core-låsning.
Funktionell passform Gäller: Nodbaserad bild-/videodiffusion är projektets exakta kärna, med brett modellstöd.
Dataflytt och interoperabilitet Gäller: Workflows är portabla JSON och modeller använder öppna format; custom nodes kan dock ha egna beroenden som bryter portabilitet.
Mognad och trygghet Gäller: Stort ekosystem sedan 2023 under Comfy-Org med strukturerad releasecykel; snabb takt bryter ibland arbetsflöden.
Framtidskraft Gäller: Helt programmerbart: workflows körs via HTTP-API, sparas som JSON, custom nodes bygger ny funktionalitet — förstklassig automation.
Drift och införande Gäller: Historiskt krånglig installation (Python-beroenden) även om desktop-app förenklat; driftarbetet är större än för enklare verktyg.
Kostnadsbild Gäller: Gratis GPL; GPU är kategoriinnevärd kostnad. Vissa modellvikter är gated på HF Hub.
Svensk användbarhet Gäller: Gränssnitt och dokumentation engelska; inga svenskspecifika funktioner belagda.

Kostnad: .

Faktakontrollerad

stable-diffusion.cpp

AI-bild, video och ljud · Inferensmotor för bild- och videogenerering i ren C/C++ på ggml

Diffusionsmodeller i ren C/C++: kör Stable Diffusion, FLUX och Wan på CPU eller GPU, med kommandoradsverktyg, webbgränssnitt och HTTP-API i samma binär.

Öppen källkodCC++
Startår
2023
Licens
MIT
Öppen källkod
Ja
API
REST API
MCP
MCP-server, Tredjepart

Betyg

84

Praktiskt granskad

Läs bedömningen

Projektdata

7 889GitHub-stjärnor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2023
Licens
MITÖppen källkod (OSI-godkänd licens) · Källkoden – biblioteket, kommandoradsverktyget och servern med webbgränssnitt – ligger under MIT enligt LICENSE i repot. Modellvikterna är en egen fråga: de distribueras av sina utgivare under egna licenser (SD-Turbo under Stability AI Community License, SD 1.5 under CreativeML OpenRAIL-M), och de licenserna följer med varje nedladdad modell. · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · macOS · Windows
API
REST API Uppgivet
MCP
MCP-server, Tredjepart
Export
Delvis Bilderna skrivs som vanliga PNG- eller WebP-filer med generationsparametrarna inbäddade i PNG-metadata i webui-kompatibelt format, så en bild kan flyttas till ett annat verktyg och köras om där. Modellvikterna ligger i öppna format (safetensors, ckpt, GGUF). Någon samlad export av serverkonfiguration eller recept finns inte – den får skrivas av för hand. Uppgivet
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: Hela källkoden ligger under MIT enligt LICENSE i repot: biblioteket, sd-cli och sd-server med det inbyggda webbgränssnittet. Det finns ingen sluten utgåva, inga funktioner bakom avtal och ingen licensnyckel – instansen i labbet byggdes ur källkoden och startade utan konto. Vikterna läses i öppna format (ckpt, safetensors, GGUF) som går att flytta mellan verktyg.
Funktionell passform Gäller: Driftsatt i labbet på åtta delade vCPU utan grafikkort: modellen laddades ur model-katalogen på 1,1 sekund, och en 512 × 512-bild tog 1 minut och 52 sekunder med ett steg. Samma server svarade på OpenAI-formatet, AUTOMATIC1111-formatet och det egna asynkrona jobb-API:t, och bilden kom tillbaka som PNG med parametrarna inbäddade. Användningsfallet går att lösa – men bara i 512 × 512 och med en kvalitet som är illustration, inte fotorealism, och videomodellerna är inte praktiska utan GPU.
Dataflytt och interoperabilitet Gäller: Det finns inget att låsa in sig i: tillståndet är modellfilerna och de genererade bilderna, båda i öppna format. Vikterna flyttas som safetensors eller GGUF, bilderna skrivs som PNG eller WebP med generationsparametrarna i PNG-metadata i webui-kompatibelt format, och servern har ingen databas och ingen egen lagring. Hela installationen flyttas genom att kopiera binären och model-katalogen.
Mognad och trygghet Gäller: Projektet är mycket aktivt – förrådet fick commits samma dag som bedömningen gjordes – men beskriver sig självt som under aktiv utveckling och säger uttryckligen att API och kommandoradsflaggor kan ändras ofta. Det märktes i labbet: bygget kräver att rätt CMake-flaggor kombineras, serverrecepten förutsätter en viss katalogstruktur, och VAE-avkodningen tog 91 sekunder av 171 för en enda bild. Ett levande projekt med skarp prestanda, men utan utfryst API-version.
Framtidskraft Gäller: Servern talar tre API-familjer samtidigt, varav OpenAI-formatet gör den utbytbar i klienter som redan pekar mot en molntjänst, och det egna /sdcpp/v1 har asynkrona jobb med status och avbrott – det som behövs för att en agent eller ett skript ska kunna vänta på en bild. Den används som motor i andra program (LocalAI, KoboldCpp och en GIMP-plugin listas i README), och det finns en tredjeparts MCP-server som kör mot det nativa API:t. Att API:t inte är fruset drar ned ett steg.
Drift och införande Gäller: En container med en enda binär och libgomp som enda beroende, ingen databas och ingen sidotjänst – det är enklare drift än de flesta katalogposter. Modellerna laddas ner för sig och ligger kvar i en katalog. Det som drar ned är att servern saknar autentisering och måste stå bakom en proxy, att bygget ur källkoden kräver eftertanke kring CMake-flaggor och minne, och att prestandan beror helt på vilka kärnor som finns.
Kostnadsbild Gäller: MIT och inga licenskostnader, ingen prenumeration och ingen molnräkning per bild: kostnaden är de kärnor och det RAM som redan finns, plus el. Modellvikterna är gratis att ladda ner, även om varje modell har sina egna villkor (SD-Turbo under Stability AI Community License).
Svensk användbarhet Gäller: Varken webbgränssnittet eller dokumentationen finns på svenska – servern har engelska texter och det finns ingen översättningsmekanism. För ett verktyg som mest används över API och kommandorad betyder språket mindre, men den som ska sätta upp det läser engelsk dokumentation, och det finns ingen svensk supportkanal.

Kostnad: .

Faktakontrollerad

Källor

  1. Projektets repository