Kokoro TTS: Τρέξαμε το Open-Source Μοντέλο Φωνής 82M σε CPU Laptop

Το Kokoro εμφανίζεται συνεχώς — βγήκε πρώτο στο Hacker News, βρίσκεται στην κορυφή των open leaderboards για Μετατροπή Κειμένου σε Ομιλία, και οι δημιουργοί ρωτούν διαρκώς αν ένα μοντέλο με 82 εκατομμύρια παραμέτρους που τρέχει σε απλή CPU μπορεί πραγματικά να αντικαταστήσει ένα επί πληρωμή Voice API. Οπότε το εγκαταστήσαμε, το τρέξαμε σε laptop και δημιουργήσαμε τα δείγματα που μπορείτε να ακούσετε παρακάτω. Πρόκειται για ένα hands-on teardown: τι είναι το Kokoro, πόσο καλά ακούγεται στην πράξη, οι δύο παγίδες εγκατάστασης που μας κόστισαν χρόνο και πότε ένα hosted εργαλείο είναι η καλύτερη επιλογή. Πηγή: github.com/hexgrad/kokoro (Apache-2.0).

Τι είναι το Kokoro και ποιος το έφτιαξε;

Το Kokoro είναι ένα μοντέλο Μετατροπή Κειμένου σε Ομιλία με open weights, που δημοσιεύτηκε από το hexgrad ως Kokoro-82M. Το βασικό μήνυμα είναι ήδη στο όνομα: 82 εκατομμύρια παράμετροι — μικρό για τα δεδομένα του 2026, αρκετά μικρό για να τρέξει σε τηλέφωνο — κι όμως παράγει φυσική, εκφραστική αφήγηση. Βασίζεται στη γενεαλογία StyleTTS 2 και κυκλοφορεί με την ελαστική άδεια Apache-2.0, άρα είναι πραγματικά δωρεάν για εμπορική χρήση.

Στις 2026-07-11, το βασικό repo hexgrad/kokoro έχει περίπου 7.900 GitHub stars. Το τρέξαμε μέσω του community ONNX runtime thewh1teagle/kokoro-onnx (περίπου 2.600 stars, MIT), που είναι ο πιο εύκολος τρόπος να το τρέξετε σε CPU χωρίς εγκατάσταση PyTorch.

Ψάχνοντας το πραγματικό αρχείο weights, μετρήσαμε 54 ενσωματωμένες φωνές σε 9 ομάδες γλωσσών και προφορών — Αμερικανικά και Βρετανικά Αγγλικά, Ισπανικά, Γαλλικά, Χίντι, Ιταλικά, Ιαπωνικά, Βραζιλιάνικα Πορτογαλικά και Μανδαρινικά Κινέζικα. Οι φωνές στα Αμερικανικά Αγγλικά είναι ξεκάθαρα οι πιο δουλεμένες.

Το τρέξαμε πραγματικά (Apple M3 Pro, μόνο CPU)

Χωρίς GPU, χωρίς cloud — μόνο ένα MacBook Pro με M3 Pro και 18 GB RAM. Ακολουθεί η ειλικρινής καταγραφή βήμα-βήμα.

Εγκατάσταση και weights

Το Python package εγκαθίσταται σε δευτερόλεπτα: pip install kokoro-onnx soundfile. Αλλά εδώ είναι η πρώτη παγίδα — το pip package περιλαμβάνει τον κώδικα, όχι το μοντέλο. Πρέπει να κατεβάσετε χειροκίνητα δύο αρχεία από τη σελίδα releases του kokoro-onnx στο GitHub: kokoro-v1.0.onnx (310 MB) και voices-v1.0.bin (27 MB). Το quickstart το προσπερνά, οπότε η πρώτη εκτέλεση αποτυγχάνει με σφάλμα για αρχεία που λείπουν, μέχρι να πάρετε τα weights.

Το bug της διαδρομής espeak-ng (αυτό που μας κόστισε πραγματικό χρόνο)

Το Kokoro μετατρέπει το κείμενο σε φωνήματα με espeak-ng. Στην πρώτη σύνθεση πέσαμε πάνω σε αυτό:

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

Η διαδρομή /Users/runner/work/ είναι ξεκάθαρο σημάδι: το pip wheel espeakng-loader πακετάρει ένα libespeak-ng που έγινε compile σε CI με hard-coded data path, το οποίο δεν υπάρχει στο μηχάνημά σας. Το εκνευριστικό: το να ορίσετε μια μεταβλητή περιβάλλοντος ESPEAK_DATA_PATH δεν κάνει τίποτα, γιατί το kokoro-onnx δεν τη διαβάζει ποτέ — παίρνει το data path κατευθείαν από τον bundled loader.

Η λύση που δούλεψε: εγκαταστήστε ένα κανονικό system espeak-ng και δείξτε το ρητά στο Kokoro μέσω του 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)

Μετά από αυτό, η δημιουργία απλώς δουλεύει. Αν έχετε παλέψει ποτέ με αυτό ακριβώς το σφάλμα phontab: No such file, αυτή είναι η λύση.

Ταχύτητα (μετρημένη, warm)

Μόνο με CPU, το μοντέλο φορτώνει σε περίπου 1.7 δευτερόλεπτα και η σύνθεση είναι άνετα πιο γρήγορη από real time. Μια παράγραφος αφήγησης 22 δευτερολέπτων έγινε render σε 3.5 δευτερόλεπτα — με real-time factor περίπου 0.16×, δηλαδή γύρω στις έξι φορές πιο γρήγορα από την αναπαραγωγή. Μικρές, μεμονωμένες προτάσεις επιστρέφουν σε 1-2 δευτερόλεπτα. Για ένα τόσο μικρό μοντέλο σε laptop, αυτό είναι πραγματικά throughput κατάλληλο για παραγωγή. Ορίστε το πραγματικό waveform από το render αυτής της παραγράφου:

Δείγματα που δημιουργήσαμε (χωρίς επεξεργασία)

Κάθε clip παρακάτω δημιουργήθηκε από εμάς με Kokoro στον M3 Pro CPU που περιγράψαμε παραπάνω — ακατέργαστο output του μοντέλου, χωρίς καθάρισμα, χωρίς post-processing. Πατήστε αναπαραγωγή και κρίνετε την ποιότητα μόνοι σας.

Δημιουργήθηκε από το VisionStory με Kokoro-82M μέσω kokoro-onnx, 2026-07-11. Προσέξτε το προφανές: πρόκειται για καθαρό voice track — αλλά είναι μόνο φωνή. Δεν υπάρχει πρόσωπο, δεν υπάρχει κίνηση χειλιών, δεν υπάρχει παρουσιαστής στην οθόνη. Αυτό το κενό είναι όλο το νόημα της επόμενης ενότητας.

Ειλικρινής ετυμηγορία: δυνατά σημεία και πραγματικά όρια

Τι μας εντυπωσίασε πραγματικά:

• Το quality-per-byte είναι εντυπωσιακό. Για 82 εκατομμύρια παραμέτρους, οι φωνές στα Αμερικανικά Αγγλικά είναι φυσικές και εκφραστικές — αρκετά κοντά σε επί πληρωμή TTS ώστε οι περισσότεροι ακροατές να μην το καταλάβουν σε ένα σύντομο clip.
• Τρέχει όντως σε CPU, και γρήγορα. Έξι φορές πιο γρήγορα από real time σε laptop χωρίς GPU είναι το βασικό χαρακτηριστικό, και ισχύει.
• Πραγματικά δωρεάν και φιλικό για εμπορική χρήση. Apache-2.0 χωρίς χρέωση ανά χαρακτήρα. Για voiceover μεγάλου όγκου, αυτά τα οικονομικά είναι δύσκολο να τα ξεπεράσεις.

Πού υστερεί — και αυτά είναι πραγματικά:

• Δεν έχει κλωνοποίηση φωνής. Παίρνετε 54 σταθερές preset φωνές. Δεν μπορείτε να κλωνοποιήσετε τη δική σας φωνή ή τη φωνή ενός πελάτη — αν αυτό χρειάζεστε, το Kokoro δεν είναι λύση.
• Η ποιότητα στα Αγγλικά εξαρτάται από το espeak-ng, πράγμα που σημαίνει το bug πακεταρίσματος παραπάνω, συν περιστασιακά λάθη στην προφορά σε ονόματα, brands ή ακρωνύμια.
• Το μεγάλο κείμενο χρειάζεται χειροκίνητο chunking. Υπάρχει όριο στο μήκος φωνημάτων ανά κλήση, οπότε πρέπει να σπάτε μεγάλα σενάρια μόνοι σας και να «ράβετε» τον ήχο.
• Οι μη-αγγλικές φωνές είναι hit or miss — αισθητά πιο ασταθείς από το κορυφαίο σετ στα Αμερικανικά Αγγλικά.
• Βγάζει ένα «γυμνό» WAV. Χωρίς timestamps λέξεων, χωρίς visemes — τίποτα για να οδηγήσει lip-sync out of the box.
• Είναι μόνο φωνή. Χωρίς πρόσωπο, χωρίς βίντεο. Για να πάρετε έναν talking presenter, πρέπει να συνδυάσετε το Kokoro με ξεχωριστό σύστημα lip-sync ή avatar και να χειριστείτε μόνοι σας το timing.

Self-host Kokoro vs hosted εργαλείο: ποιο να επιλέξετε;

Το Kokoro και ένα hosted εργαλείο avatar λύνουν διαφορετικά μισά του προβλήματος. Το Kokoro σάς δίνει φωνή· ένα εργαλείο όπως το VisionStory σάς δίνει έναν παρουσιαστή που μιλά — φωνή, πρόσωπο και lip-sync σε ένα αποτέλεσμα. Ορίστε το ειλικρινές trade-off.

Επιλέξτε Kokoro αν χρειάζεστε απλώς ένα δωρεάν voiceover, είστε άνετοι με Python και θα χειριστείτε το πρόσωπο και το lip-sync ξεχωριστά (ή δεν χρειάζεστε πρόσωπο καθόλου). Επιλέξτε ένα hosted εργαλείο αν χρειάζεστε τη φωνή «δεμένη» με έναν παρουσιαστή που κάνει lip-sync ή αν χρειάζεται να κλωνοποιήσετε τη φωνή ενός συγκεκριμένου ατόμου — το Kokoro δεν μπορεί να κάνει κανένα από τα δύο.

Τι μας έμαθε το Kokoro

Το πραγματικό μάθημα από το να τρέξεις το Kokoro είναι ότι η φωνή γίνεται commodity. Ένα μοντέλο 82 MB σε laptop πλέον παράγει voiceovers αρκετά καλά για πραγματική δουλειά, δωρεάν. Αν το μόνο claim του προϊόντος σας ήταν «κάνουμε text-to-speech», αυτό το moat έχει χαθεί.

Το δύσκολο, ακόμα άλυτο κομμάτι είναι όλα όσα έρχονται μετά τη φωνή: να μετατρέψεις ένα audio track σε ένα πειστικό talking πρόσωπο — ακριβές lip-sync, εκφράσεις, κίνηση κεφαλιού και timing που «δένουν» όλα μαζί. Αυτό ακριβώς είναι το layer πάνω στο οποίο δουλεύουμε. Άρα το συμπέρασμά μας δεν είναι «μην χρησιμοποιείτε το Kokoro» — είναι μια πραγματικά καλή μηχανή φωνής. Είναι ότι η φωνή από μόνη της είναι μισό βίντεο. Αν θέλετε το άλλο μισό, το VisionStory μετατρέπει μια φωτογραφία και ένα σενάριο σε έναν παρουσιαστή που μιλά με lip-sync σε ένα βήμα, και αν έχετε μια συγκεκριμένη φωνή που θέλετε να ταιριάξετε, μπορεί να την κλωνοποιήσει επίσης.