Kokoro TTS: Abbiamo Eseguito il Modello di voce Open Source da 82M su una CPU di Laptop

Kokoro continua a spuntare ovunque — è arrivato in cima su Hacker News, guida le classifiche open di Testo in Voce e i creator continuano a chiedere se un modello da 82 milioni di parametri che gira su una semplice CPU possa davvero sostituire un’API Voce a pagamento. Così lo abbiamo installato, lo abbiamo eseguito su un laptop e abbiamo generato i campioni che puoi ascoltare qui sotto. Questo è un’analisi pratica: cos’è Kokoro, quanto suona bene davvero, le due trappole di setup che ci hanno fatto perdere tempo e quando invece conviene un tool in hosting. Fonte: github.com/hexgrad/kokoro (Apache-2.0).

Che cos’è Kokoro e chi l’ha creato?

Kokoro è un modello di Testo in Voce a pesi aperti pubblicato da hexgrad come Kokoro-82M. Il messaggio è già nel nome: 82 milioni di parametri — minuscolo per gli standard del 2026, abbastanza piccolo da girare su un telefono — eppure produce una narrazione naturale ed espressiva. È basato sulla linea StyleTTS 2 ed è rilasciato con la licenza permissiva Apache-2.0, quindi è davvero gratuito anche per uso commerciale.

Al 2026-07-11, la repo principale hexgrad/kokoro ha circa 7.900 stelle su GitHub. Noi lo abbiamo eseguito tramite il runtime ONNX della community thewh1teagle/kokoro-onnx (circa 2.600 stelle, MIT), che è il modo più semplice per farlo girare su CPU senza installare PyTorch.

Dando un’occhiata al file dei pesi, abbiamo contato 54 voci integrate distribuite in 9 gruppi di lingua e accento — inglese americano e britannico, spagnolo, francese, hindi, italiano, giapponese, portoghese brasiliano e cinese mandarino. Le voci in inglese americano sono chiaramente le più rifinite.

Lo abbiamo eseguito davvero (Apple M3 Pro, solo CPU)

Niente GPU, niente cloud — solo un MacBook Pro con M3 Pro e 18 GB di RAM. Ecco il resoconto, senza filtri.

Installazione e pesi

Il pacchetto Python si installa in pochi secondi: pip install kokoro-onnx soundfile. Ma ecco la prima trappola — il pacchetto pip include il codice, non il modello. Devi scaricare manualmente due file dalla pagina delle release GitHub di kokoro-onnx: kokoro-v1.0.onnx (310 MB) e voices-v1.0.bin (27 MB). La quickstart sorvola su questo punto, quindi il primo avvio fallisce con un errore di file mancante finché non scarichi i pesi.

Il bug del percorso espeak-ng (quello che ci ha fatto perdere tempo sul serio)

Kokoro trasforma il testo in fonemi con espeak-ng. Alla primissima sintesi ci siamo imbattuti in questo:

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

Quel percorso /Users/runner/work/ è un indizio chiarissimo: la wheel pip espeakng-loader include un libespeak-ng compilato in CI con un percorso dati hard-coded che sulla tua macchina non esiste. La parte frustrante: impostare la variabile d’ambiente ESPEAK_DATA_PATH non cambia nulla, perché kokoro-onnx non la legge mai — prende il percorso dati direttamente dal loader incluso.

La soluzione che ha funzionato: installa un espeak-ng di sistema e indica esplicitamente a Kokoro dove trovarlo tramite 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)

Dopo, la generazione funziona e basta. Se ti è mai capitato esattamente questo errore phontab: No such file, questa è la soluzione.

Velocità (misurata, a caldo)

Solo su CPU, il modello si carica in circa 1.7 secondi e la sintesi è comodamente più veloce del tempo reale. Un paragrafo di narrazione di 22 secondi è stato renderizzato in 3.5 secondi — un fattore di tempo reale intorno a 0.16×, circa sei volte più veloce della riproduzione. Le frasi singole brevi tornano in uno o due secondi. Per un modello così piccolo su un laptop, è una velocità davvero utilizzabile in produzione. Ecco la forma d’onda reale di quel render del paragrafo:

Campioni che abbiamo generato (non editati)

Ogni clip qui sotto è stato prodotto da noi con Kokoro sulla CPU M3 Pro descritta sopra — output grezzo del modello, nessuna pulizia, nessuna post-produzione. Ascoltali e valuta tu stesso la qualità.

Generato da VisionStory con Kokoro-82M tramite kokoro-onnx, 2026-07-11. Nota l’indizio: questa è una traccia vocale pulita — ma è solo una voce. Non c’è un volto, non c’è movimento delle labbra, non c’è un presentatore a schermo. Questo “buco” è esattamente il punto della prossima sezione.

Verdetto onesto: punti di forza e limiti reali

Cosa ci ha davvero colpito:

• Il rapporto qualità-per-byte è notevole. Per 82 milioni di parametri, le voci in inglese americano sono naturali ed espressive — abbastanza vicine a un TTS a pagamento da non far scattare campanelli d’allarme nella maggior parte degli ascoltatori, in una clip breve.
• Gira davvero su CPU, e veloce. Sei volte più veloce del tempo reale su un laptop senza GPU è la caratteristica principale, e regge.
• Davvero gratuito e adatto all’uso commerciale. Apache-2.0 senza tariffazione per carattere. Per voiceover ad alto volume, è un vantaggio economico difficile da battere.

Dove perde colpi — e sono limiti reali:

• Nessuna clonazione della voce. Hai 54 preset fissi. Non puoi clonare la tua voce o quella di un cliente — se è il tuo caso d’uso, Kokoro è un vicolo cieco.
• La qualità dell’inglese dipende da espeak-ng, il che significa il bug di packaging sopra, più qualche pronuncia sbagliata di nomi, brand o acronimi.
• I testi lunghi richiedono lo spezzettamento manuale. C’è un limite di lunghezza dei fonemi per chiamata, quindi devi dividere tu i copioni lunghi e poi unire l’audio.
• Le voci non inglesi sono altalenanti — sensibilmente più variabili rispetto al set di punta in inglese americano.
• In output ottieni un WAV “nudo”. Nessun timestamp per parola, nessun visema — niente per pilotare il lip-sync out of the box.
• È solo voce. Niente volto, niente video. Per ottenere un presentatore parlante devi affiancare Kokoro a un sistema separato di lip-sync o avatar e gestire tu le tempistiche.

Kokoro self-hosted vs uno strumento in hosting: quale scegliere?

Kokoro e uno strumento di avatar in hosting risolvono due metà diverse del problema. Kokoro ti dà una Voce; uno strumento come VisionStory ti dà un presentatore parlante — voce, volto e lip-sync in un unico output. Ecco il confronto, senza giri di parole.

Scegli Kokoro se ti serve solo un voiceover gratuito, ti trovi a tuo agio con Python e gestirai volto e lip-sync separatamente (oppure non ti serve affatto un volto). Scegli uno strumento in hosting se ti serve la voce associata a un presentatore che fa lip-sync, oppure devi clonare la voce di una persona specifica — Kokoro non può fare nessuna delle due cose.

Cosa ci ha insegnato Kokoro

La vera lezione che ci ha lasciato Kokoro è che la voce sta diventando una commodity. Un modello da 82 MB su un laptop oggi produce voiceover abbastanza buoni per lavoro vero, gratis. Se l’unica promessa del tuo prodotto era “facciamo il Testo in Voce”, quel fossato competitivo non esiste più.

La parte difficile, ancora irrisolta, è tutto ciò che viene dopo la voce: trasformare una traccia audio in un volto parlante credibile — lip-sync accurato, espressioni, movimento della testa e timing che restano coerenti insieme. È esattamente lo strato su cui lavoriamo noi. Quindi la nostra conclusione non è “non usare Kokoro” — è davvero un ottimo motore vocale. È che una voce, da sola, è metà di un video. Se vuoi l’altra metà, VisionStory trasforma una foto e un copione in un presentatore parlante con lip-sync in un solo passaggio e, se devi rispettare una voce specifica, può anche clonarla.