Kokoro постоянно изскача — оглави Hacker News, води класациите за отворен Текст към реч, а създателите все питат дали модел с 82 милиона параметъра, който работи на обикновен CPU, наистина може да замени платен voice API. Затова го инсталирахме, пуснахме го на лаптоп и генерирахме примерите, които можете да пуснете по-долу. Това е практическо разглобяване: какво е Kokoro, колко добре звучи всъщност, двете клопки при настройката, които ни костваха време, и кога хостван инструмент е по-добрият избор. Източник: github.com/hexgrad/kokoro (Apache-2.0).
Какво е Kokoro и кой го е създал?
Kokoro е текст към реч модел с отворени тегла, публикуван от hexgrad като Kokoro-82M. Заглавието е в самото име: 82 милиона параметъра — миниатюрен по стандартите на 2026 г., достатъчно малък, за да върви на телефон — и въпреки това произвежда естествен, изразителен разказ. Базиран е на линията StyleTTS 2 и е пуснат под либералния лиценз Apache-2.0, така че наистина е безплатен за търговска употреба.
Към 2026-07-11 основното репо hexgrad/kokoro има около 7 900 звезди в GitHub. Ние го пуснахме през общностния ONNX runtime thewh1teagle/kokoro-onnx (около 2 600 звезди, MIT) — най-лесният начин да го стартирате на CPU без инсталация на PyTorch.
Като надникнахме в реалния файл с теглата, преброихме 54 вградени гласа в 9 езикови и акцентни групи — американски и британски английски, испански, френски, хинди, италиански, японски, бразилски португалски и мандарин китайски. Гласовете на американски английски очевидно са най-изпипани.
Ние наистина го пуснахме (Apple M3 Pro, само CPU)
Без GPU, без облак — само MacBook Pro с M3 Pro и 18 GB RAM. Ето честния разказ стъпка по стъпка.
Инсталация и тегла
Python пакетът се инсталира за секунди: pip install kokoro-onnx soundfile. Но ето първата клопка — pip пакетът доставя кода, не модела. Трябва ръчно да изтеглите два файла от страницата с release-и на kokoro-onnx в GitHub: kokoro-v1.0.onnx (310 MB) и voices-v1.0.bin (27 MB). Бързото ръководство подминава това, така че първото пускане се проваля с грешка за липсващ файл, докато не вземете теглата.
Бъгът с пътя на espeak-ng (този, който ни изгуби реално време)
Kokoro превръща текста във фонеми с espeak-ng. Още при първия синтез ударихме това:
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directoryТози път /Users/runner/work/ е явна следа: pip wheel-ът espeakng-loader пакетира libespeak-ng, компилиран в CI с твърдо зададен път към данните, който не съществува на вашата машина. Най-досадното: задаването на променлива на средата ESPEAK_DATA_PATH не прави нищо, защото kokoro-onnx никога не я чете — взема пътя към данните директно от вградения loader.
Поправката, която проработи: инсталирайте реален системен espeak-ng и насочете Kokoro към него изрично чрез EspeakConfig:
brew install espeak-ng # macOS; apt install espeak-ng on Linux
from kokoro_onnx import Kokoro, EspeakConfig
cfg = EspeakConfig(
lib_path="/opt/homebrew/lib/libespeak-ng.dylib",
data_path="/opt/homebrew/share/espeak-ng-data",
)
k = Kokoro("kokoro-v1.0.onnx", "voices-v1.0.bin", espeak_config=cfg)След това генерирането просто работи. Ако някога сте се борили точно с тази грешка phontab: No such file — това е решението.
Скорост (измерена, при загрят процес)
Само на CPU моделът се зарежда за около 1.7 секунди, а синтезът е комфортно по-бърз от реалното време. Параграф с 22 секунди озвучаване се рендерира за 3.5 секунди — real-time factor около 0.16×, приблизително шест пъти по-бързо от възпроизвеждането. Кратки единични изречения се връщат за 1 до 2 секунди. За толкова малък модел на лаптоп това е напълно продукционен дебит. Ето реалната вълнова форма от рендера на този параграф:
Примери, които генерирахме (без редакция)
Всеки клип по-долу е произведен от нас с Kokoro на описания по-горе M3 Pro CPU — суров изход от модела, без почистване, без постобработка. Пуснете ги и преценете качеството сами.
Генерирано от VisionStory с Kokoro-82M чрез kokoro-onnx, 2026-07-11. Забележете издайническия белег: това е чист гласов трак — но е само глас. Няма лице, няма движение на устните, няма водещ на екрана. Тази разлика е целият смисъл на следващата секция.
Честна присъда: силни страни и реални ограничения
Какво наистина ни впечатли:
- Съотношението качество/байт е впечатляващо. При 82 милиона параметъра гласовете на американски английски са естествени и изразителни — достатъчно близо до платен Текст към реч, че повечето слушатели няма да го отчетат в кратък клип.
- Наистина работи на CPU, и то бързо. Шест пъти по-бързо от реалното време на лаптоп без GPU е водещата характеристика и тя издържа.
- Наистина безплатен и удобен за бизнес. Apache-2.0 без таксуване на символ. За озвучаване в голям обем тази икономика е трудна за побеждаване.
Къде се проваля — и това са реални проблеми:
- Няма клониране на глас. Получавате 54 фиксирани предварително зададени гласа. Не можете да клонирате собствения си глас или гласа на клиент — ако това ви трябва, Kokoro е задънена улица.
- Качеството на английски зависи от espeak-ng, което означава и бъга с пакетирането по-горе, плюс понякога грешно произнасяне на име, марка или съкращение.
- Дългият текст изисква ръчно разделяне. Има ограничение за дължината на фонемите на извикване, така че трябва сами да разделяте дълги сценарии и да „сшивате“ аудиото.
- Гласовете на неанглийски езици са на късмет — осезаемо по-неравномерни от водещия набор на американски английски.
- Изкарва гол WAV. Няма времеви маркери по думи, няма виземи — нищо, което да задвижи lip-sync по подразбиране.
- Това е само глас. Няма лице, няма видео. За да получите говорещ водещ, трябва да комбинирате Kokoro с отделна система за lip-sync или аватар и сами да се справите с тайминга.
Самостоятелно хостван Kokoro срещу хостван инструмент: кое да изберете?
Kokoro и хостван инструмент за аватари решават различни половини от проблема. Kokoro ви дава глас; инструмент като VisionStory ви дава говорещ водещ — глас, лице и lip-sync в един изход. Ето честния компромис.
| Kokoro (самостоятелно хостване) | VisionStory (хоствано) | |
|---|---|---|
| Цена | Безплатно (вашият хардуер) | Абонамент / Кредити |
| Настройка | pip + 330 MB тегла + поправка за espeak-ng | Няма — работи в браузъра |
| Какво получавате | Само гласов трак (WAV) | Видео с говорещ аватар (глас + лице + lip-sync) |
| Клониране на глас | Не — 54 пресета | Да — клонирайте собствения си глас |
| Скорост на клип | ~0.16× реално време на CPU (секунди) | Секунди, хоствано — без локални изчисления |
| Търговска употреба | Да (Apache-2.0) | Да (според плана) |
| Поддръжка | Вие оправяте espeak, зависимости, chunking | Няма |
| Най-добро, когато | Имате нужда само от безплатен гласов трак и можете да програмирате | Имате нужда от завършено говорещо видео, бързо |
Изберете Kokoro, ако ви трябва просто безплатно озвучаване, комфортно се чувствате в Python и ще се погрижите отделно за лицето и lip-sync (или изобщо не ви трябва лице). Изберете хостван инструмент, ако ви трябва гласът да е вързан към водещ, който прави lip-sync, или трябва да клонирате гласа на конкретен човек — Kokoro не може нито едното.
Какво ни научи Kokoro
Истинският урок от това да пуснем Kokoro е, че гласът се комодитизира. Модел от 82 MB на лаптоп вече прави озвучавания, достатъчно добри за реална работа, и то безплатно. Ако единственото твърдение на продукта ви е било „правим текст към реч“, този ров вече го няма.
Трудната, все още нерешена част е всичко след гласа: да превърнете аудио трак в убедително говорещо лице — точен lip-sync, изражение, движение на главата и тайминг, които се държат заедно. Това е точно слоят, по който работим. Затова нашият извод не е „не използвайте Kokoro“ — това е легитимно добър гласов двигател. А че гласът сам по себе си е половин видео. Ако искате другата половина, VisionStory превръща снимка и сценарий в lip-synced говорещ водещ в една стъпка, а ако имате конкретен глас за съвпадение, може да го клонира също.