Kokoro TTS: Wir haben das 82M Open-Source-Stimmenmodell auf einer Laptop-CPU ausgeführt

Kokoro taucht immer wieder auf — es stand an der Spitze von Hacker News, führt offene Text-zu-Sprache-Listen an, und Creator fragen ständig, ob ein Modell mit 82 Millionen Parametern, das auf einer normalen CPU läuft, wirklich eine bezahlte Stimmen-API ersetzen kann. Also haben wir es installiert, auf einem Laptop laufen lassen und die Samples erzeugt, die Sie unten abspielen können. Das ist ein praxisnaher Teardown: was Kokoro ist, wie gut es wirklich klingt, die zwei Setup-Fallen, die uns Zeit gekostet haben, und wann ein gehostetes Tool die bessere Wahl ist. Quelle: github.com/hexgrad/kokoro (Apache-2.0).

Was ist Kokoro, und wer hat es gemacht?

Kokoro ist ein Open-Weight-Text-zu-Sprache-Modell, das von hexgrad als Kokoro-82M veröffentlicht wurde. Die Headline steht direkt im Namen: 82 Millionen Parameter — nach 2026er Maßstäben winzig, klein genug, um auf einem Smartphone zu laufen — und dennoch erzeugt es natürliche, ausdrucksstarke Sprecherstimmen. Es baut auf der StyleTTS 2-Linie auf und wurde unter der permissiven Apache-2.0-Lizenz veröffentlicht, ist also wirklich kostenlos für die kommerzielle Nutzung.

Stand 2026-07-11 hat das Haupt-Repo hexgrad/kokoro etwa 7 900 GitHub-Stars. Wir haben es über die Community-ONNX-Runtime thewh1teagle/kokoro-onnx (ca. 2 600 Stars, MIT) ausgeführt — das ist der einfachste Weg, es auf einer CPU ohne PyTorch-Installation laufen zu lassen.

Beim Blick in die eigentliche Weights-Datei haben wir 54 integrierte Stimmen über 9 Sprach- und Akzentgruppen gezählt — amerikanisches und britisches Englisch, Spanisch, Französisch, Hindi, Italienisch, Japanisch, brasilianisches Portugiesisch und Mandarin-Chinesisch. Die amerikanischen Englisch-Stimmen sind klar am besten ausgearbeitet.

Wir haben es wirklich laufen lassen (Apple M3 Pro, nur CPU)

Keine GPU, keine Cloud — nur ein MacBook Pro mit M3 Pro und 18 GB RAM. Hier ist der ehrliche Ablauf.

Installation und Weights

Das Python-Paket ist in Sekunden installiert: pip install kokoro-onnx soundfile. Aber hier ist die erste Falle — das pip-Paket liefert den Code, nicht das Modell. Sie müssen zwei Dateien manuell von der GitHub-Releases-Seite von kokoro-onnx herunterladen: kokoro-v1.0.onnx (310 MB) und voices-v1.0.bin (27 MB). Der Quickstart erwähnt das nur nebenbei, daher scheitert der erste Run mit einem Missing-File-Fehler, bis Sie die Weights nachladen.

Der espeak-ng-Pfad-Bug (der uns wirklich Zeit gekostet hat)

Kokoro wandelt Text mit espeak-ng in Phoneme um. Bei der allerersten Synthese sind wir darauf gestoßen:

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

Der Pfad /Users/runner/work/ ist ein eindeutiger Hinweis: Das pip-Wheel espeakng-loader bündelt eine libespeak-ng, die in CI mit einem fest einkompilierten Datenpfad gebaut wurde, der auf Ihrer Maschine nicht existiert. Der frustrierende Teil: Eine Umgebungsvariable ESPEAK_DATA_PATH zu setzen bringt nichts, weil kokoro-onnx sie nie liest — es nimmt den Datenpfad direkt aus dem gebündelten Loader.

Der Fix, der bei uns funktioniert hat: Installieren Sie ein echtes System-espeak-ng und weisen Sie Kokoro explizit über EspeakConfig darauf hin:

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)

Danach funktioniert die Generierung einfach. Wenn Sie schon einmal genau mit diesem Fehler phontab: No such file gekämpft haben: Das ist die Lösung.

Geschwindigkeit (gemessen, warm)

Nur auf CPU lädt das Modell in etwa 1.7 Sekunden, und die Synthese ist angenehm schneller als Echtzeit. Ein 22-Sekunden-Absatz Sprechertext wurde in 3.5 Sekunden gerendert — ein Echtzeitfaktor von etwa 0.16×, also ungefähr sechsmal schneller als die Wiedergabe. Kurze Einzelsätze sind in ein bis zwei Sekunden fertig. Für ein so kleines Modell auf einem Laptop ist das wirklich produktionsreifer Durchsatz. Hier ist die tatsächliche Waveform dieses Absatz-Renderings:

Samples, die wir erzeugt haben (unbearbeitet)

Jeder Clip unten wurde von uns mit Kokoro auf der oben beschriebenen M3 Pro CPU erzeugt — roher Model-Output, keine Bereinigung, keine Nachbearbeitung. Spielen Sie sie ab und beurteilen Sie die Qualität selbst.

Generiert von VisionStory mit Kokoro-82M über kokoro-onnx, 2026-07-11. Achten Sie auf den entscheidenden Hinweis: Das ist eine saubere Audiospur — aber eben nur eine Stimme. Es gibt kein Gesicht, keine Lippenbewegung, keinen Presenter im Bild. Genau diese Lücke ist der Kern des nächsten Abschnitts.

Ehrliches Fazit: Stärken und echte Grenzen

Was uns wirklich beeindruckt hat:

• Qualität pro Byte ist bemerkenswert. Für 82 Millionen Parameter sind die amerikanischen Englisch-Stimmen natürlich und ausdrucksstark — nah genug an bezahltem TTS, dass die meisten Zuhörer es in einem kurzen Clip nicht anmerken würden.
• Es läuft wirklich schnell auf einer CPU. Sechsfach-Echtzeit auf einem Laptop ohne GPU ist das Kern-Feature, und es stimmt.
• Wirklich kostenlos und kommerziell nutzbar. Apache-2.0 ohne Abrechnung pro Zeichen. Für Voiceover in hohem Volumen ist diese Wirtschaftlichkeit schwer zu schlagen.

Wo es schwächelt — und das sind echte Punkte:

• Kein Stimmenklon. Sie bekommen 54 feste Preset-Stimmen. Sie können weder Ihre eigene Stimme noch die eines Kunden klonen — wenn das Ihr Use Case ist, ist Kokoro eine Sackgasse.
• Englische Qualität hängt von espeak-ng ab — das heißt: der Packaging-Bug oben, plus gelegentlich falsch ausgesprochene Namen, Marken oder Akronyme.
• Lange Texte brauchen manuelles Chunking. Es gibt pro Aufruf ein Limit für die Phonem-Länge, daher müssen Sie lange Skripte selbst splitten und das Audio zusammenfügen.
• Nicht-englische Stimmen sind mal so, mal so — deutlich variabler als das Flaggschiff-Set für amerikanisches Englisch.
• Es gibt nur eine nackte WAV aus. Keine Wort-Timestamps, keine Viseme — nichts, um Lip-Sync out of the box anzutreiben.
• Es ist nur Stimme. Kein Gesicht, kein Video. Für einen sprechenden Presenter müssen Sie Kokoro mit einem separaten Lip-Sync- oder Avatar-System kombinieren und das Timing selbst handhaben.

Kokoro selbst hosten vs. ein gehostetes Tool: Was sollten Sie wählen?

Kokoro und ein gehostetes Avatar-Tool lösen unterschiedliche Hälften des Problems. Kokoro gibt Ihnen eine Stimme; ein Tool wie VisionStory gibt Ihnen einen sprechenden Presenter — Stimme, Gesicht und Lip-Sync in einem Output. Hier ist der ehrliche Trade-off.

Wählen Sie Kokoro, wenn Sie einfach ein kostenloses Voiceover brauchen, sich in Python wohlfühlen und Gesicht sowie Lip-Sync separat lösen (oder gar kein Gesicht benötigen). Wählen Sie ein gehostetes Tool, wenn Sie die Stimme an einen Presenter mit Lip-Sync binden müssen oder die Stimme einer bestimmten Person klonen möchten — beides kann Kokoro nicht.

Was Kokoro uns gezeigt hat

Die eigentliche Lektion aus unserem Kokoro-Test ist: Stimme wird zur Commodity. Ein 82 MB-Modell auf einem Laptop erzeugt heute Voiceovers, die gut genug für echte Arbeit sind — kostenlos. Wenn Ihr Produkt nur damit geworben hat: „Wir machen Text zu Sprache“, dann ist dieser Burggraben weg.

Der schwierige, noch ungelöste Teil ist alles nach der Stimme: Aus einer Audiospur ein glaubwürdiges sprechendes Gesicht zu machen — präziser Lip-Sync, Mimik, Kopfbewegung und Timing, das als Ganzes stimmig bleibt. Genau an dieser Schicht arbeiten wir. Unser Takeaway ist also nicht „Nutzen Sie Kokoro nicht“ — es ist eine wirklich gute Stimmen-Engine. Sondern: Eine Stimme allein ist die halbe Miete eines Videos. Wenn Sie die andere Hälfte wollen, macht VisionStory aus einem Foto und einem Skript in einem Schritt einen lip-synchronen sprechenden Presenter — und wenn Sie eine bestimmte Stimme treffen müssen, kann es sie auch klonen.