Kokoro revient sans cesse — il s’est hissé en tête de Hacker News, domine les classements open source de texte en parole, et les créateurs demandent sans arrêt si un modèle de 82 millions de paramètres qui tourne sur un simple CPU peut vraiment remplacer une API de voix payante. Nous l’avons donc installé, nous l’avons fait tourner sur un ordinateur portable, et nous avons généré les échantillons que vous pouvez écouter ci-dessous. Voici un démontage pratique : ce qu’est Kokoro, à quel point ça sonne bien en vrai, les deux pièges d’installation qui nous ont fait perdre du temps, et quand un outil hébergé est un meilleur choix. Source : github.com/hexgrad/kokoro (Apache-2.0).
Qu’est-ce que Kokoro, et qui l’a créé ?
Kokoro est un modèle de texte en parole à poids ouverts publié par hexgrad sous le nom Kokoro-82M. L’info clé est dans le nom : 82 millions de paramètres — minuscule selon les standards de 2026, assez petit pour tourner sur un téléphone — et pourtant il produit une narration naturelle et expressive. Il s’appuie sur la lignée StyleTTS 2 et est publié sous la licence permissive Apache-2.0, ce qui le rend réellement gratuit pour un usage commercial.
Au 2026-07-11, le dépôt principal hexgrad/kokoro compte environ 7 900 étoiles GitHub. Nous l’avons exécuté via le runtime ONNX communautaire thewh1teagle/kokoro-onnx (environ 2 600 étoiles, MIT), qui est la façon la plus simple de le faire tourner sur CPU sans installer PyTorch.
En inspectant le fichier de poids, nous avons compté 54 voix intégrées couvrant 9 groupes de langues et d’accents — anglais américain et britannique, espagnol, français, hindi, italien, japonais, portugais brésilien et chinois mandarin. Les voix en anglais américain sont clairement les plus abouties.
On l’a vraiment fait tourner (Apple M3 Pro, CPU uniquement)
Pas de GPU, pas de cloud — juste un MacBook Pro avec un M3 Pro et 18 Go de RAM. Voici le déroulé, sans filtre.
Installation et poids
Le package Python s’installe en quelques secondes : pip install kokoro-onnx soundfile. Mais voici le premier piège — le package pip livre le code, pas le modèle. Il faut télécharger manuellement deux fichiers depuis la page des releases GitHub de kokoro-onnx : kokoro-v1.0.onnx (310 Mo) et voices-v1.0.bin (27 Mo). Le guide de démarrage rapide passe ça sous silence, donc le premier lancement échoue avec une erreur de fichier manquant tant que vous n’avez pas récupéré les poids.
Le bug de chemin espeak-ng (celui qui nous a fait perdre du temps)
Kokoro transforme le texte en phonèmes avec espeak-ng. Dès la toute première synthèse, nous sommes tombés sur ceci :
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directoryCe chemin /Users/runner/work/ est un indice évident : la wheel pip espeakng-loader embarque un libespeak-ng compilé en CI avec un chemin de données codé en dur qui n’existe pas sur votre machine. Le plus frustrant : définir une variable d’environnement ESPEAK_DATA_PATH ne change rien, car kokoro-onnx ne la lit jamais — il récupère le chemin des données directement depuis le loader embarqué.
La correction qui a fonctionné : installer un vrai espeak-ng système et indiquer explicitement à Kokoro où le trouver via son 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)Après ça, la génération fonctionne tout simplement. Si vous avez déjà combattu exactement cette erreur phontab: No such file, voici la solution.
Vitesse (mesurée, à chaud)
Sur CPU uniquement, le modèle se charge en environ 1.7 secondes, et la synthèse est confortablement plus rapide que le temps réel. Un paragraphe de narration de 22 secondes a été rendu en 3.5 secondes — un facteur temps réel autour de 0.16×, soit environ six fois plus rapide que la lecture. Les phrases courtes reviennent en une à deux secondes. Pour un modèle aussi petit sur un ordinateur portable, c’est un débit réellement exploitable en production. Voici la forme d’onde réelle de ce rendu de paragraphe :
Échantillons que nous avons générés (sans montage)
Chaque clip ci-dessous a été produit par nos soins avec Kokoro sur le CPU M3 Pro décrit plus haut — sortie brute du modèle, sans nettoyage ni post-traitement. Lancez-les et jugez la qualité par vous-même.
Généré par VisionStory avec Kokoro-82M via kokoro-onnx, 2026-07-11. Remarquez l’indice : c’est une piste de voix propre — mais ce n’est qu’une voix. Il n’y a pas de visage, pas de mouvement des lèvres, pas de présentateur à l’écran. C’est précisément ce manque qui fait tout l’intérêt de la section suivante.
Verdict honnête : points forts et limites réelles
Ce qui nous a vraiment impressionnés :
- Le rapport qualité/poids est remarquable. Pour 82 millions de paramètres, les voix en anglais américain sont naturelles et expressives — assez proches d’un TTS payant pour que la plupart des gens ne le remarquent pas sur un clip court.
- Ça tourne vraiment sur CPU, et vite. Un facteur six fois plus rapide que le temps réel sur un ordinateur portable sans GPU, c’est la promesse principale, et elle est tenue.
- Vraiment gratuit et compatible avec un usage commercial. Apache-2.0 sans facturation au caractère. Pour des volumes importants de voix off, c’est difficile à battre économiquement.
Là où ça coince — et ce sont de vrais points :
- Pas de clonage de voix. Vous avez 54 voix préréglées fixes. Impossible de cloner votre propre voix ou celle d’un client — si c’est votre cas d’usage, Kokoro est une impasse.
- La qualité de l’anglais dépend d’espeak-ng, ce qui implique le bug de packaging ci-dessus, plus quelques noms, marques ou acronymes parfois mal prononcés.
- Les longs textes nécessitent un découpage manuel. Il y a une limite de longueur de phonèmes par appel, donc vous devez découper vous-même les scripts longs et recoller l’audio.
- Les voix non anglaises sont inégales — nettement plus variables que la série phare en anglais américain.
- La sortie est un WAV brut. Pas de timestamps par mot, pas de visèmes — rien pour piloter le lip-sync prêt à l’emploi.
- C’est uniquement de la voix. Pas de visage, pas de vidéo. Pour obtenir un présentateur parlant, vous devez associer Kokoro à un système séparé de lip-sync ou d’avatar et gérer vous-même le timing.
Auto-héberger Kokoro vs un outil hébergé : lequel choisir ?
Kokoro et un outil d’avatar hébergé résolvent deux moitiés différentes du problème. Kokoro vous donne une voix ; un outil comme VisionStory vous donne un présentateur parlant — voix, visage et lip-sync dans une seule sortie. Voici le compromis, en toute transparence.
| Kokoro (auto-hébergé) | VisionStory (hébergé) | |
|---|---|---|
| Coût | Gratuit (votre matériel) | Abonnement / Crédits |
| Configuration | pip + 330 Mo de poids + correction espeak-ng | Aucune — fonctionne dans le navigateur |
| Ce que vous obtenez | Piste de voix uniquement (WAV) | Vidéo d’avatar parlant (voix + visage + lip-sync) |
| Clonage de voix | Non — 54 préréglages | Oui — clonez votre propre voix |
| Vitesse par clip | ~0.16× du temps réel sur CPU (secondes) | Quelques secondes, hébergé — aucun calcul local |
| Usage commercial | Oui (Apache-2.0) | Oui (selon le plan) |
| Maintenance | Vous corrigez espeak, deps, découpage | Aucune |
| Idéal quand | Vous voulez juste une piste de voix gratuite et vous savez coder | Vous voulez une vidéo parlante finalisée, rapidement |
Choisissez Kokoro si vous avez juste besoin d’une voix off gratuite, vous êtes à l’aise avec Python, et vous gérerez le visage et le lip-sync séparément (ou vous n’avez pas besoin de visage du tout). Choisissez un outil hébergé si vous avez besoin d’une voix associée à un présentateur qui synchronise les lèvres, ou si vous devez cloner la voix d’une personne précise — Kokoro ne peut faire ni l’un ni l’autre.
Ce que Kokoro nous a appris
La vraie leçon en faisant tourner Kokoro, c’est que la voix devient une commodité. Un modèle de 82 Mo sur un ordinateur portable produit désormais des voix off suffisamment bonnes pour du vrai travail, gratuitement. Si la seule promesse de votre produit était « nous faisons du texte en parole », cet avantage a disparu.
La partie difficile, toujours pas totalement résolue, c’est tout ce qui vient après la voix : transformer une piste audio en un visage parlant crédible — lip-sync précis, expression, mouvement de tête et timing cohérent. C’est exactement la couche sur laquelle nous travaillons. Donc notre conclusion n’est pas « n’utilisez pas Kokoro » — c’est un excellent moteur de voix. C’est que, seule, une voix ne représente que la moitié d’une vidéo. Pour l’autre moitié, VisionStory transforme une photo et un script en présentateur parlant synchronisé sur les lèvres en une étape, et si vous devez correspondre à une voix précise, il peut aussi la cloner.