Kokoro TTS: הרצנו את מודל הקול בקוד פתוח עם 82M על CPU של לפטופ

Kokoro ממשיך לצוץ בכל מקום — הוא כיכב ב-Hacker News, מוביל בטבלאות הדירוג של טקסט לדיבור בקוד פתוח, ויוצרים ממשיכים לשאול האם מודל עם 82 מיליון פרמטרים שרץ על CPU רגיל באמת יכול להחליף API קול בתשלום. אז התקנו אותו, הרצנו אותו על מחשב נייד, ויצרנו את הדוגמאות שאפשר לשמוע למטה. זה פירוק מעשי עד הסוף: מה Kokoro, עד כמה הוא באמת נשמע טוב, שתי מלכודות התקנה ששרפו לנו זמן, ומתי עדיף כלי מתארח. מקור: github.com/hexgrad/kokoro (Apache-2.0).

מה זה Kokoro, ומי יצר אותו?

Kokoro הוא מודל טקסט לדיבור במשקלים פתוחים שפורסם על ידי hexgrad בשם Kokoro-82M. הכותרת נמצאת כבר בשם: 82 מיליון פרמטרים — קטן לפי סטנדרטים של 2026, קטן מספיק כדי לרוץ על טלפון — ובכל זאת הוא מפיק קריינות טבעית ומלאת הבעה. הוא בנוי על השושלת של StyleTTS 2 ומשוחרר תחת רישיון Apache-2.0 המקֵל, כך שהוא באמת חינמי לשימוש מסחרי.

נכון ל-2026-07-11, המאגר הראשי hexgrad/kokoro עומד על כ-7,900 כוכבי GitHub. אנחנו הרצנו אותו דרך סביבת הריצה הקהילתית ONNX thewh1teagle/kokoro-onnx (כ-2,600 כוכבים, MIT), שזו הדרך הקלה ביותר להריץ אותו על CPU בלי התקנת PyTorch.

כשחפרנו בקובץ המשקלים עצמו, ספרנו 54 קולות מובנים על פני 9 קבוצות שפה ומבטא — אנגלית אמריקאית ובריטית, ספרדית, צרפתית, הינדית, איטלקית, יפנית, פורטוגזית ברזילאית וסינית מנדרינית. הקולות של אנגלית אמריקאית הם בבירור הכי מלוטשים.

הרצנו אותו בפועל (Apple M3 Pro, CPU בלבד)

בלי GPU, בלי ענן — רק MacBook Pro עם M3 Pro ו-18 GB זיכרון RAM. הנה הדיווח האמיתי, צעד-אחר-צעד.

התקנה ומשקלים

חבילת ה-Python מתקינה בתוך שניות: pip install kokoro-onnx soundfile. אבל כאן מגיעה המלכודת הראשונה — חבילת ה-pip מגיעה עם הקוד, לא עם המודל. צריך להוריד ידנית שני קבצים מעמוד ה-Releases של kokoro-onnx ב-GitHub: kokoro-v1.0.onnx (310 MB) ו-voices-v1.0.bin (27 MB). המדריך המהיר מדלג על זה, כך שההרצה הראשונה נכשלת עם שגיאת קובץ חסר עד שמורידים את המשקלים.

באג הנתיב של espeak-ng (זה שבאמת בזבז לנו זמן)

Kokoro ממיר טקסט לפונמות באמצעות espeak-ng. בסינתזה הראשונה ממש נתקלנו בזה:

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

הנתיב /Users/runner/work/ הוא רמז ברור: ה-wheel של pip בשם espeakng-loader אורז libespeak-ng שקוּמפל ב-CI עם נתיב נתונים קשיח שלא קיים במחשב שלך. החלק המתסכל: הגדרה של משתנה סביבה ESPEAK_DATA_PATH לא עוזרת בכלל, כי kokoro-onnx אף פעם לא קורא אותו — הוא לוקח את נתיב הנתונים ישר מה-loader המצורף.

התיקון שעבד לנו: התקן espeak-ng אמיתי במערכת והפנה את Kokoro אליו במפורש דרך 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)

אחרי זה, הגנרציה פשוט עובדת. אם אי פעם נלחמת בדיוק עם השגיאה הזו phontab: No such file — זה התיקון.

מהירות (מדוד, חם)

על CPU בלבד המודל נטען בערך בתוך 1.7 שניות, והסינתזה מהירה בנוחות מזמן אמת. פסקת קריינות של 22 שניות נרנדרה בתוך 3.5 שניות — מקדם זמן-אמת סביב 0.16×, בערך פי שישה מהיר יותר מההשמעה. משפטים קצרים בודדים חוזרים בתוך שנייה עד שתי שניות. עבור מודל קטן כזה על מחשב נייד, זו תפוקה שבאמת אפשר להשתמש בה בפרודקשן. הנה צורת הגל בפועל של רינדור הפסקה הזו:

דוגמאות שיצרנו (ללא עריכה)

כל קליפ למטה הופק על ידינו עם Kokoro על ה-CPU של M3 Pro שתואר למעלה — פלט גולמי של המודל, בלי ניקוי ובלי פוסט-פרוססינג. השמע אותם ושפוט את האיכות בעצמך.

הופק על ידי VisionStory עם Kokoro-82M דרך kokoro-onnx, 2026-07-11. שים לב לסימן המובהק: זו רצועת קול נקייה — אבל זה רק קול. אין פנים, אין תנועת שפתיים, אין מגיש על המסך. הפער הזה הוא כל העניין של הסעיף הבא.

החלטה כנה: יתרונות ומגבלות אמיתיות

מה באמת הרשים אותנו:

• האיכות ביחס לגודל יוצאת דופן. עבור 82 מיליון פרמטרים, הקולות של אנגלית אמריקאית טבעיים ומלאי הבעה — מספיק קרובים ל-TTS בתשלום כך שרוב המאזינים לא ישימו לב בקליפ קצר.
• זה באמת רץ על CPU, ומהר. פי שישה מזמן אמת על מחשב נייד בלי GPU הוא הפיצ'ר המרכזי, והוא עומד במבחן.
• באמת חינמי וידידותי לשימוש מסחרי. Apache-2.0 בלי חיוב לפי תו. לקריינות בהיקף גדול, קשה לנצח את הכלכלה הזו.

איפה זה נופל — ואלה דברים אמיתיים:

• אין שיבוט קול. מקבלים 54 קולות מוכנים וקבועים. אי אפשר לשבט את הקול שלך או של לקוח — אם זה השימוש שלך, Kokoro הוא מבוי סתום.
• איכות האנגלית תלויה ב-espeak-ng, כלומר גם באג האריזה למעלה, וגם מדי פעם שם/מותג/ראשי תיבות שנהגים לא נכון.
• טקסט ארוך דורש חלוקה ידנית. יש מגבלת אורך פונמות לכל קריאה, ולכן צריך לפצל תסריטים ארוכים בעצמך ולתפור את האודיו.
• קולות שאינם באנגלית הם לפעמים פגיעה ולפעמים החטאה — משתנים בצורה מורגשת יותר מאשר סט הדגל של אנגלית אמריקאית.
• הפלט הוא WAV בסיסי. אין חותמות זמן למילים, אין visemes — אין שום דבר שמניע ליפ-סינק ישר מהקופסה.
• זה קול בלבד. אין פנים, אין וידאו. כדי לקבל מגיש מדבר צריך לצמד את Kokoro למערכת ליפ-סינק או אווטאר נפרדת ולטפל בתזמון בעצמך.

אירוח עצמי של Kokoro מול כלי מתארח: מה לבחור?

Kokoro וכלי אווטאר מתארח פותרים שני חצאים שונים של הבעיה. Kokoro נותן לך קול; כלי כמו VisionStory נותן לך מגיש מדבר — קול, פנים וליפ-סינק בפלט אחד. הנה הטרייד-אוף בכנות.

בחר ב-Kokoro אם אתה צריך רק קריינות חינמית, אתה מרגיש נוח עם Python, ואתה תטפל בפנים ובליפ-סינק בנפרד (או שאתה לא צריך פנים בכלל). בחר בכלי מתארח אם אתה צריך שהקול יהיה מחובר למגיש שמסנכרן שפתיים, או שאתה צריך לשבט את הקול של אדם מסוים — Kokoro לא יכול לעשות אף אחד מאלה.

מה Kokoro לימד אותנו

השיעור האמיתי מהרצה של Kokoro הוא שקול הופך לקומודיטי. מודל של 82 MB על מחשב נייד היום מייצר קריינות מספיק טובה לעבודה אמיתית, בחינם. אם הטענה היחידה של המוצר שלך הייתה "אנחנו עושים טקסט לדיבור" — החפיר הזה נעלם.

החלק הקשה, שעדיין לא נפתר, הוא כל מה שמגיע אחרי הקול: להפוך רצועת אודיו לפנים מדברות אמינות — ליפ-סינק מדויק, הבעה, תנועת ראש ותזמון שכל זה מחזיק יחד. זו בדיוק השכבה שאנחנו עובדים עליה. אז המסקנה שלנו היא לא "אל תשתמשו ב-Kokoro" — זה באמת מנוע קול טוב. אלא שקול לבדו הוא חצי וידאו. אם אתה רוצה את החצי השני, VisionStory הופך תמונה ותסריט ל-מגיש מדבר מסונכרן שפתיים בצעד אחד, ואם יש לך קול ספציפי שצריך להתאים, הוא גם יכול לשבט אותו.