TontaubeV1 wurde von zwei Brüdern unter dem Label Tontaube entwickelt und als Open-Weight-Modell auf Hugging Face veröffentlicht. Die Architektur setzt auf vier separate autoregressive Modelle, die Codec-Streams von der groben semantischen Ebene bis hin zu akustischen Details generieren – wobei die Modelle für höhere Codebooks progressiv kleiner werden. Besonders ungewöhnlich ist die Entscheidung für Character-Level-Tokenisierung sowie gemeinsame logische Positionen zwischen alignierten Text- und Audio-Tokens. Das Streaming ist durch ein Rolling-Context-Window realisiert, das effektiv unbegrenzte Langform-Generierung ermöglicht – ein Bereich, an dem viele TTS-Systeme traditionell scheitern. Als Inference-Backend kommt vLLM zum Einsatz, was Batching über Requests und akustische Stages hinweg erlaubt und den niedrigen RTF-Wert mit erklärt. Im eigenen Benchmark über 400 Passagen – bewertet durch ein LLM-as-a-Judge-Verfahren – erzielte TontaubeV1 in der Prosodik 50,1 % im direkten Vergleich mit ElevenLabs Flash v2.5 und lag über Fish Audio S2 Pro, Gradium und Cartesia Sonic 3. Die Entwickler planen, das Modell demnächst in TTS Arena V2 und der Artificial Analysis Text to Speech Arena mit menschlichen Hörern zu testen.