Kokoro terus bermunculan — sempat jadi nomor satu di Hacker News, memuncaki leaderboard text-to-speech open, dan para kreator terus bertanya apakah model 82 juta parameter yang berjalan di CPU biasa benar-benar bisa menggantikan voice API berbayar. Jadi kami menginstalnya, menjalankannya di laptop, dan membuat sampel yang bisa Anda putar di bawah. Ini adalah teardown berbasis praktik: apa itu Kokoro, seberapa bagus sebenarnya suaranya, dua jebakan setup yang membuang waktu kami, dan kapan tool hosted adalah pilihan yang lebih tepat. Sumber: github.com/hexgrad/kokoro (Apache-2.0).
Apa itu Kokoro, dan siapa yang membuatnya?
Kokoro adalah model text-to-speech open-weight yang dipublikasikan oleh hexgrad dengan nama Kokoro-82M. Poin utamanya sudah terlihat dari namanya: 82 juta parameter — kecil menurut standar 2026, cukup kecil untuk dijalankan di ponsel — tetapi menghasilkan narasi yang natural dan ekspresif. Model ini dibangun dari lineage StyleTTS 2 dan dirilis dengan lisensi permisif Apache-2.0, jadi benar-benar gratis untuk penggunaan komersial.
Per 2026-07-11, repo utama hexgrad/kokoro berada di sekitar 7,900 bintang GitHub. Kami menjalankannya lewat runtime ONNX komunitas thewh1teagle/kokoro-onnx (sekitar 2,600 bintang, MIT), yang merupakan cara termudah untuk menjalankannya di CPU tanpa menginstal PyTorch.
Saat mengintip file weights-nya, kami menghitung ada 54 suara bawaan yang mencakup 9 kelompok bahasa dan aksen — English Amerika dan British, Spanyol, Prancis, Hindi, Italia, Jepang, Portugis Brasil, dan Mandarin. Suara English Amerika jelas yang paling matang.
Kami benar-benar menjalankannya (Apple M3 Pro, CPU saja)
Tanpa GPU, tanpa cloud — hanya MacBook Pro dengan M3 Pro dan RAM 18 GB. Berikut kronologi jujurnya.
Instalasi dan weights
Paket Python terpasang dalam hitungan detik: pip install kokoro-onnx soundfile. Tapi ini jebakan pertama — paket pip hanya mengirimkan kodenya, bukan modelnya. Anda harus mengunduh dua file secara manual dari halaman release GitHub kokoro-onnx: kokoro-v1.0.onnx (310 MB) dan voices-v1.0.bin (27 MB). Quickstart melewatkan detail ini, jadi eksekusi pertama akan gagal dengan error file hilang sampai Anda mengambil weights-nya.
Bug path espeak-ng (yang benar-benar memakan waktu)
Kokoro mengubah teks menjadi fonem dengan espeak-ng. Pada sintesis pertama kami menemui ini:
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directoryPath /Users/runner/work/ itu petunjuk yang sangat jelas: wheel pip espeakng-loader membundel libespeak-ng yang dikompilasi di CI dengan data path hard-coded yang tidak ada di mesin Anda. Bagian yang bikin frustrasi: mengatur environment variable ESPEAK_DATA_PATH tidak berpengaruh, karena kokoro-onnx tidak pernah membacanya — ia mengambil data path langsung dari loader yang dibundel.
Perbaikan yang berhasil: instal espeak-ng sistem yang benar dan arahkan Kokoro ke sana secara eksplisit lewat EspeakConfig-nya:
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)Setelah itu, proses generasi langsung berjalan. Jika Anda pernah berurusan dengan error persis phontab: No such file ini, itulah perbaikannya.
Kecepatan (terukur, warm)
Dengan CPU saja, model memuat dalam sekitar 1.7 detik, dan sintesisnya nyaman lebih cepat daripada real time. Satu paragraf narasi 22 detik dirender dalam 3.5 detik — real-time factor sekitar 0.16×, kira-kira enam kali lebih cepat daripada pemutaran. Kalimat pendek tunggal kembali dalam satu hingga dua detik. Untuk model sekecil ini di laptop, throughput-nya benar-benar layak untuk produksi. Berikut waveform asli dari render paragraf tersebut:
Sampel yang kami buat (tanpa edit)
Setiap klip di bawah diproduksi oleh kami dengan Kokoro di CPU M3 Pro yang dijelaskan di atas — output model mentah, tanpa pembersihan, tanpa post-processing. Putar dan nilai kualitasnya sendiri.
Dihasilkan oleh VisionStory dengan Kokoro-82M via kokoro-onnx, 2026-07-11. Perhatikan ciri yang jelas: ini adalah trek suara yang bersih — tapi ini hanya suara. Tidak ada wajah, tidak ada gerakan bibir, tidak ada presenter di layar. Kesenjangan itulah inti dari bagian berikutnya.
Putusan jujur: keunggulan dan batas nyata
Yang benar-benar membuat kami terkesan:
- Kualitas-per-byte-nya luar biasa. Untuk 82 juta parameter, suara English Amerika terdengar natural dan ekspresif — cukup mendekati TTS berbayar sehingga kebanyakan pendengar tidak akan menyadarinya dalam klip pendek.
- Benar-benar jalan di CPU, dan cepat. Enam-kali-real-time di laptop tanpa GPU adalah fitur utamanya, dan terbukti.
- Benar-benar gratis dan ramah untuk komersial. Apache-2.0 tanpa penagihan per karakter. Untuk voiceover bervolume tinggi, ekonominya sulit dikalahkan.
Di mana ia kurang — dan ini nyata:
- Tidak ada kloning suara. Anda hanya mendapatkan 54 suara preset yang tetap. Anda tidak bisa mengkloning suara Anda sendiri atau suara klien — jika itu use case Anda, Kokoro mentok.
- Kualitas English bergantung pada espeak-ng, yang berarti bug packaging di atas, plus sesekali salah pengucapan nama, brand, atau akronim.
- Teks panjang perlu di-chunk manual. Ada batas panjang fonem per panggilan, jadi Anda harus memecah naskah panjang sendiri lalu menyambung audionya.
- Suara non-English bisa bagus bisa tidak — variansnya terasa jauh lebih tinggi dibanding set unggulan English Amerika.
- Output-nya WAV polos. Tidak ada timestamp per kata, tidak ada viseme — tidak ada yang bisa dipakai untuk menggerakkan lip-sync secara default.
- Ini hanya suara. Tidak ada wajah, tidak ada video. Untuk mendapatkan presenter yang berbicara, Anda harus memasangkan Kokoro dengan sistem lip-sync atau avatar terpisah dan mengatur timing-nya sendiri.
Self-host Kokoro vs tool hosted: mana yang harus Anda pilih?
Kokoro dan tool avatar hosted menyelesaikan dua sisi masalah yang berbeda. Kokoro memberi Anda suara; tool seperti VisionStory memberi Anda presenter yang berbicara — suara, wajah, dan lip-sync dalam satu output. Ini trade-off yang jujur.
| Kokoro (self-host) | VisionStory (hosted) | |
|---|---|---|
| Biaya | Gratis (hardware Anda sendiri) | Langganan / kredit |
| Setup | pip + weights 330 MB + perbaikan espeak-ng | Tidak ada — berjalan di browser |
| Apa yang Anda dapat | Hanya trek suara (WAV) | Video avatar berbicara (suara + wajah + lip-sync) |
| Kloning suara | Tidak — 54 preset | Ya — kloning suara Anda sendiri |
| Kecepatan per klip | ~0.16× real-time di CPU (detik) | Hitungan detik, hosted — tanpa komputasi lokal |
| Penggunaan komersial | Ya (Apache-2.0) | Ya (sesuai paket) |
| Maintenance | Anda yang patch espeak, deps, chunking | Tidak ada |
| Paling cocok saat | Anda hanya butuh trek suara gratis dan bisa ngoding | Anda butuh video berbicara yang selesai, cepat |
Pilih Kokoro jika Anda hanya butuh voiceover gratis, nyaman memakai Python, dan Anda akan menangani wajah serta lip-sync secara terpisah (atau Anda memang tidak butuh wajah sama sekali). Pilih tool hosted jika Anda butuh suara yang menempel pada presenter yang lip-sync, atau Anda perlu mengkloning suara orang tertentu — Kokoro tidak bisa melakukan keduanya.
Apa yang Kokoro ajarkan ke kami
Pelajaran sebenarnya dari menjalankan Kokoro adalah bahwa suara sedang menjadi komoditas. Model 82 MB di laptop sekarang bisa menghasilkan voiceover yang cukup bagus untuk pekerjaan nyata, gratis. Kalau klaim utama produk Anda hanya "kami bisa text-to-speech", keunggulan itu sudah hilang.
Bagian yang sulit dan masih belum tuntas adalah semua hal setelah suara: mengubah trek audio menjadi wajah yang meyakinkan saat berbicara — lip-sync yang akurat, ekspresi, gerakan kepala, dan timing yang semuanya konsisten. Itulah tepatnya layer yang kami kerjakan. Jadi takeaway kami bukan "jangan pakai Kokoro" — ini memang mesin suara yang benar-benar bagus. Intinya: suara saja itu baru setengah video. Kalau Anda ingin setengah lainnya, VisionStory mengubah foto dan naskah menjadi presenter yang berbicara dengan lip-sync dalam satu langkah, dan kalau Anda punya suara spesifik yang ingin dicocokkan, VisionStory juga bisa mengkloningnya.