A Kokoro újra és újra felbukkan — vezette a Hacker News-t, az open-source Szövegfelolvasás ranglisták élén van, és a készítők folyamatosan azt kérdezik, hogy egy sima CPU-n futó, 82 millió paraméteres modell tényleg kiválthat-e egy fizetős hang API-t. Ezért feltelepítettük, lefuttattuk egy laptopon, és elkészítettük az alábbi, lejátszható mintákat. Ez egy gyakorlati szétszedés: mi a Kokoro, mennyire szól valójában jól, melyik az a két telepítési csapda, ami időt vitt el, és mikor jobb választás egy hosztolt eszköz. Forrás: github.com/hexgrad/kokoro (Apache-2.0).
Mi az a Kokoro, és ki készítette?
A Kokoro egy nyílt súlyú Szövegfelolvasás modell, amit a hexgrad adott ki Kokoro-82M néven. A lényeg már a névben is benne van: 82 millió paraméter — 2026-os mércével apró, akár telefonon is elfut — mégis természetes, kifejező narrációt ad. A StyleTTS 2 vonalára épül, és a megengedő Apache-2.0 licenc alatt jelent meg, így valóban ingyenesen használható kereskedelmi célra is.
2026-07-11-én a fő repo, a hexgrad/kokoro nagyjából 7 900 GitHub csillagnál járt. Mi a közösségi ONNX futtatókörnyezeten keresztül használtuk: thewh1teagle/kokoro-onnx (kb. 2 600 csillag, MIT) — ez a legegyszerűbb módja annak, hogy CPU-n fusson, PyTorch telepítés nélkül.
A tényleges weights fájlt megnézve 54 beépített hangot számoltunk, 9 nyelvi és akcentuscsoportban — amerikai és brit angol, spanyol, francia, hindi, olasz, japán, brazil portugál és mandarin kínai. Az amerikai angol hangok egyértelműen a legkidolgozottabbak.
Tényleg lefuttattuk (Apple M3 Pro, csak CPU)
Se GPU, se felhő — csak egy M3 Pro-s MacBook Pro 18 GB RAM-mal. Íme az őszinte, lépésről lépésre beszámoló.
Telepítés és weights
A Python csomag másodpercek alatt felmegy: pip install kokoro-onnx soundfile. De itt jön az első csapda — a pip csomag a kódot tartalmazza, nem a modellt. Két fájlt kézzel kell letöltened a kokoro-onnx GitHub Releases oldaláról: kokoro-v1.0.onnx (310 MB) és voices-v1.0.bin (27 MB). A gyorsindító ezt elnagyolja, ezért az első futás hiányzó fájl hibával elhasal, amíg le nem szeded a weightseket.
Az espeak-ng útvonalhiba (ami tényleg időt vitt el)
A Kokoro az espeak-ng segítségével alakítja a szöveget fonémákká. Már az első szintézisnél ebbe futottunk:
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directoryA /Users/runner/work/ útvonal árulkodó: a pip espeakng-loader wheel egy olyan libespeak-ng binárist csomagol, amit CI-ben fordítottak, és a data path bele van égetve — viszont ez az útvonal a te gépeden nem létezik. A legbosszantóbb rész: az ESPEAK_DATA_PATH környezeti változó beállítása semmit nem ér, mert a kokoro-onnx sosem olvassa — a data path-ot egyenesen a csomagolt loaderből veszi.
A megoldás, ami nálunk működött: telepíts egy valódi rendszer espeak-ng-t, és állítsd be a Kotorónak explicit módon az EspeakConfig segítségével:
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)Ezután a generálás egyszerűen működik. Ha valaha küzdöttél ezzel a konkrét phontab: No such file hibával, ez lesz a megoldás.
Sebesség (mért, bemelegítve)
Csak CPU-val a modell kb. 1.7 másodperc alatt tölt be, a szintézis pedig kényelmesen gyorsabb, mint a valós idő. Egy 22 másodperces narrációs bekezdés 3.5 másodperc alatt készült el — a valós idejű faktor kb. 0.16×, vagyis nagyjából hatszor gyorsabb a lejátszásnál. A rövid, egymondatos minták 1-2 másodperc alatt visszajönnek. Egy ilyen kicsi modellhez, laptopon, ez tényleg gyártásra is alkalmas áteresztőképesség. Íme annak a bekezdésnek a tényleges hullámformája:
Az általunk generált minták (vágatlanul)
Minden alábbi klipet mi készítettünk a fenti M3 Pro CPU-n futó Kokoróval — nyers modellkimenet, tisztítás és utómunka nélkül. Hallgasd meg, és döntsd el te a minőséget.
A VisionStory generálta Kokoro-82M-mel, kokoro-onnxen keresztül, 2026-07-11. Figyeld meg az árulkodó jelet: ez egy tiszta hangsáv — de csak hang. Nincs arc, nincs ajakmozgás, nincs képernyőn lévő műsorvezető. Pont ez a különbség a következő rész lényege.
Őszinte verdikt: erősségek és valós korlátok
Ami tényleg lenyűgözött minket:
- A minőség bájtonként elképesztő. 82 millió paraméterhez képest az amerikai angol hangok természetesek és kifejezőek — elég közel vannak a fizetős TTS-hez ahhoz, hogy a legtöbb hallgató egy rövid klipben ne szúrja ki.
- Tényleg fut CPU-n, gyorsan. GPU nélkül, laptopon a valós idő hatszorosát hozza — ez a fő selling point, és tényleg működik.
- Valóban ingyenes és üzletbarát. Apache-2.0, karakterenkénti díjazás nélkül. Nagy volumenű narrációhoz ezt az árazást nehéz megverni.
Ahol elvérzik — és ezek valós dolgok:
- Nincs hangklónozás. 54 fix preset hangot kapsz. Nem tudod klónozni a saját hangod vagy egy ügyfél hangját — ha ez a célod, a Kokoro zsákutca.
- Az angol minőség az espeak-ng-től függ, ami jelenti a fenti csomagolási hibát, és időnként félre mondott nevet, márkát vagy betűszót.
- A hosszú szöveg kézi darabolást igényel. Hívásonként van fonémahossz-korlát, ezért a hosszú szkripteket neked kell felvágni, majd az audiót összefűzni.
- A nem angol hangok vegyesek — érezhetően változékonyabbak, mint a zászlóshajó amerikai angol készlet.
- Csak egy nyers WAV-ot ad. Nincsenek szó-időbélyegek, nincsenek vizémák — semmi, ami alapból hajtaná a lip-syncet.
- Csak hang. Nincs arc, nincs videó. Ha beszélő műsorvezetőt akarsz, a Kokorót külön lip-sync vagy avatar rendszerrel kell párosítanod, és az időzítést is neked kell összeraknod.
Saját hosztolású Kokoro vs hosztolt eszköz: melyiket válaszd?
A Kokoro és egy hosztolt avatár eszköz a probléma két külön felét oldja meg. A Kokoro egy hangot ad; egy olyan eszköz, mint a VisionStory, egy beszélő műsorvezetőt ad — hang, arc és lip-sync egyetlen kimenetben. Íme az őszinte trade-off.
| Kokoro (saját hoszt) | VisionStory (hosztolt) | |
|---|---|---|
| Költség | Ingyenes (a saját hardvereden) | Előfizetés / kreditek |
| Beállítás | pip + 330 MB weights + espeak-ng javítás | Semmi — böngészőben fut |
| Amit kapsz | Csak hangsáv (WAV) | Beszélő avatárvideó (hang + arc + lip-sync) |
| Hangklónozás | Nem — 54 preset | Igen — klónozd a saját hangod |
| Sebesség klipenént | ~0.16× valós idő CPU-n (másodpercek) | Másodpercek, hosztoltan — nincs helyi számítás |
| Kereskedelmi használat | Igen (Apache-2.0) | Igen (csomagtól függ) |
| Karbantartás | Te patcheled az espeak-et, a függőségeket, a darabolást | Semmi |
| Ideális, ha | Csak egy ingyenes hangsáv kell, és tudsz kódolni | Gyorsan kell egy kész beszélő videó |
A Kokorót válaszd, ha csak egy ingyenes narrációra van szükséged, otthonosan mozogsz Pythonban, és az arcot/lip-syncet külön kezeled (vagy egyáltalán nem is kell arc). Hosztolt eszközt válassz, ha a hangot egy lip-syncelő műsorvezetőhöz akarod kötni, vagy egy konkrét személy hangját kell klónoznod — a Kokoro egyikre sem képes.
Mit tanított nekünk a Kokoro
A Kokoro futtatásának igazi tanulsága, hogy a hang kommoditizálódik. Egy 82 MB-os modell laptopon ma már ingyen is olyan narrációt ad, ami elég jó valódi munkához. Ha a terméked egyetlen állítása az volt, hogy „mi Szövegfelolvasást csinálunk”, az az árok mostanra eltűnt.
A nehéz, továbbra is megoldatlan rész minden, ami a hang után jön: egy hangsávból hihető beszélő arcot csinálni — pontos lip-sync, mimika, fejmozgás és olyan időzítés, ami végig összeáll. Pontosan ezen a rétegen dolgozunk mi. Ezért a tanulságunk nem az, hogy „ne használd a Kokorót” — ez egy legitim módon jó hangmotor. Hanem az, hogy a hang önmagában egy videó fele. Ha kell a másik fele is, a VisionStory egy fotóból és egy szövegből egy lépésben lip-syncelt beszélő műsorvezetőt készít, és ha egy konkrét hangot kell egyeztetned, azt is tudja klónozni.