Kokoro TTS: spustili jsme 82M open-source hlasový model na CPU notebooku

Kokoro se pořád objevuje — ovládlo Hacker News, vede žebříčky open Text na řeč a tvůrci se stále ptají, jestli může model s 82 miliony parametrů, který běží na obyčejném CPU, opravdu nahradit placené Hlasové API. Tak jsme ho nainstalovali, spustili na notebooku a vygenerovali ukázky, které si můžete přehrát níže. Je to praktická rozborka: co Kokoro je, jak ve skutečnosti zní, dvě pasti při instalaci, které nás stály čas, a kdy je lepší zvolit hostovaný nástroj. Zdroj: github.com/hexgrad/kokoro (Apache-2.0).

Co je Kokoro a kdo ho vytvořil?

Kokoro je text-to-speech model s otevřenými váhami, který vydal hexgrad jako Kokoro-82M. Hlavní sdělení je přímo v názvu: 82 milionů parametrů — podle standardů roku 2026 drobeček, dost malý na běh i na telefonu — a přesto generuje přirozený, expresivní přednes. Staví na linii StyleTTS 2 a je vydán pod benevolentní licencí Apache-2.0, takže je skutečně zdarma i pro komerční použití.

K 2026-07-11 má hlavní repozitář hexgrad/kokoro zhruba 7 900 hvězdiček na GitHubu. Spouštěli jsme ho přes komunitní ONNX runtime thewh1teagle/kokoro-onnx (asi 2 600 hvězdiček, MIT), což je nejjednodušší způsob, jak to rozjet na CPU bez instalace PyTorch.

Když jsme se podívali do samotného souboru s váhami, napočítali jsme 54 vestavěných hlasů napříč 9 jazykovými a akcentovými skupinami — americká a britská angličtina, španělština, francouzština, hindština, italština, japonština, brazilská portugalština a mandarínská čínština. Americké anglické hlasy jsou zřetelně nejvyladěnější.

Opravdu jsme to spustili (Apple M3 Pro, jen CPU)

Žádné GPU, žádný cloud — jen MacBook Pro s M3 Pro a 18 GB RAM. Tady je upřímný průběh krok za krokem.

Instalace a váhy

Python balíček se nainstaluje během pár sekund: pip install kokoro-onnx soundfile. Ale tady je první past — pip balíček obsahuje kód, ne model. Dva soubory si musíte stáhnout ručně ze stránky GitHub releases pro kokoro-onnx: kokoro-v1.0.onnx (310 MB) a voices-v1.0.bin (27 MB). Rychlý start to přejde jen letmo, takže první spuštění spadne na chybu chybějících souborů, dokud si váhy nestáhnete.

Chyba cesty v espeak-ng (ta, která nás stála reálný čas)

Kokoro převádí text na fonémy pomocí espeak-ng. Hned při první syntéze jsme narazili na toto:

Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directory

Ta cesta /Users/runner/work/ je jasná stopa: wheel balíček pipu espeakng-loader přibaluje libespeak-ng, který byl zkompilovaný v CI s natvrdo zadanou cestou k datům, která na vašem stroji neexistuje. Frustrující část: nastavení proměnné prostředí ESPEAK_DATA_PATH nic neudělá, protože ji kokoro-onnx vůbec nečte — cestu k datům si bere přímo z přibaleného loaderu.

Oprava, která fungovala: nainstalujte skutečný systémový espeak-ng a nasměrujte na něj Kokoro explicitně přes 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)

Potom už generování prostě funguje. Pokud jste někdy bojovali přesně s touto chybou phontab: No such file, tohle je oprava.

Rychlost (měřená, za běhu)

Pouze na CPU se model načítá zhruba 1.7 sekundy a syntéza je pohodlně rychlejší než reálný čas. Odstavec namluvený na 22 sekund se vyrenderoval za 3.5 sekundy — faktor reálného času kolem 0.16×, tedy zhruba šestkrát rychlejší než přehrávání. Krátké jednotlivé věty se vrací za jednu až dvě sekundy. Na tak malý model na notebooku je to opravdu produkčně použitelné tempo. Tady je skutečný průběh vlny tohoto renderu odstavce:

Ukázky, které jsme vygenerovali (bez úprav)

Každý klip níže jsme vytvořili my pomocí Kokoro na výše popsaném CPU M3 Pro — surový výstup modelu, bez čištění a bez post-processingu. Pusťte si je a posuďte kvalitu sami.

Vygenerováno ve VisionStory pomocí Kokoro-82M přes kokoro-onnx, 2026-07-11. Všimněte si jasného signálu: je to čistá hlasová stopa — ale je to jen hlas. Není tu žádná tvář, žádný pohyb rtů, žádný moderátor na obrazovce. Právě tahle mezera je hlavním tématem další části.

Upřímný verdikt: silné stránky a reálné limity

Co nás opravdu nadchlo:

• Kvalita na bajt je pozoruhodná. Na 82 milionů parametrů jsou americké anglické hlasy přirozené a expresivní — dost blízko placenému TTS, že by si toho většina posluchačů v krátkém klipu ani nevšimla.
• Opravdu to běží na CPU, a rychle. Šestinásobek reálného času na notebooku bez GPU je hlavní tahák a v praxi to sedí.
• Skutečně zdarma a přívětivé pro komerční použití. Apache-2.0 bez účtování za znaky. Pro voiceovery ve velkém objemu se tohle těžko překonává.

Kde to pokulhává — a jsou to reálné věci:

• Žádné klonování hlasu. Dostanete 54 pevných přednastavených hlasů. Nemůžete naklonovat svůj hlas ani hlas klienta — pokud je to váš use case, Kokoro je slepá ulička.
• Kvalita angličtiny závisí na espeak-ng, což znamená výše popsaný bug v balíčku a občas i špatně vyslovené jméno, značka nebo zkratka.
• Dlouhý text vyžaduje ruční dělení. Na jedno volání je limit délky fonémů, takže dlouhé scénáře musíte dělit sami a audio následně spojovat.
• Neanglické hlasy jsou „hit or miss“ — znatelně proměnlivější než vlajková sada americké angličtiny.
• Výstup je holý WAV. Žádné časové značky slov, žádné vizémy — nic, co by out-of-the-box řídilo lip-sync.
• Je to jen hlas. Žádná tvář, žádné video. Pokud chcete mluvícího moderátora, musíte Kokoro spárovat se samostatným systémem na lip-sync nebo avatary a timing řešit sami.

Self-host Kokoro vs. hostovaný nástroj: co vybrat?

Kokoro a hostovaný nástroj na avatary řeší dvě různé poloviny problému. Kokoro vám dá hlas; nástroj jako VisionStory vám dá mluvícího moderátora — hlas, tvář i lip-sync v jednom výstupu. Tady je upřímné srovnání.

Zvolte Kokoro, pokud potřebujete jen bezplatný voiceover, jste v pohodě s Pythonem a tvář i lip-sync budete řešit zvlášť (nebo tvář vůbec nepotřebujete). Zvolte hostovaný nástroj, pokud potřebujete hlas připojit k moderátorovi s lip-syncem nebo potřebujete naklonovat hlas konkrétní osoby — Kokoro neumí ani jedno.

Co nás Kokoro naučilo

Skutečná lekce z testování Kokoro je, že hlas se stává komoditou. Model o velikosti 82 MB na notebooku dnes zdarma generuje voiceovery dost dobré pro reálnou práci. Pokud byl jediný argument vašeho produktu „děláme text-to-speech“, ten příkop je pryč.

Tvrdá, stále nevyřešená část je všechno po hlasu: proměnit audio stopu v uvěřitelnou mluvící tvář — přesný lip-sync, výraz, pohyb hlavy a timing, který drží pohromadě. A přesně na téhle vrstvě pracujeme my. Takže náš závěr není „nepoužívejte Kokoro“ — je to legitimně skvělý hlasový engine. Jde o to, že samotný hlas je jen půlka videa. Pokud chcete tu druhou půlku, VisionStory v jednom kroku promění fotku a scénář na lip-synced mluvícího moderátora a pokud potřebujete trefit konkrétní hlas, umí ho také naklonovat.