Kokoro continuă să apară peste tot — a ajuns în top pe Hacker News, conduce clasamentele open text în vorbire, iar creatorii tot întreabă dacă un model cu 82 de milioane de parametri, care rulează pe un CPU obișnuit, poate într-adevăr să înlocuiască un API de voce plătit. Așa că l-am instalat, l-am rulat pe un laptop și am generat mostrele pe care le poți asculta mai jos. Acesta este un teardown practic: ce este Kokoro, cât de bine sună în realitate, cele două capcane de configurare care ne-au costat timp și când un instrument găzduit e alegerea mai bună. Sursa: github.com/hexgrad/kokoro (Apache-2.0).
Ce este Kokoro și cine l-a creat?
Kokoro este un model text în vorbire cu greutăți deschise, publicat de hexgrad ca Kokoro-82M. Ideea principală e chiar în nume: 82 de milioane de parametri — minuscul după standardele din 2026, suficient de mic pentru a rula pe un telefon — și totuși produce narațiune naturală, expresivă. Este construit pe linia StyleTTS 2 și lansat sub licența permisivă Apache-2.0, deci este cu adevărat gratuit pentru uz comercial.
La data de 2026-07-11, repo-ul principal hexgrad/kokoro are aproximativ 7 900 de stele pe GitHub. Noi l-am rulat prin runtime-ul comunității ONNX thewh1teagle/kokoro-onnx (aprox. 2 600 de stele, MIT), care este cel mai simplu mod de a-l rula pe CPU fără să instalezi PyTorch.
Analizând fișierul de greutăți, am numărat 54 de voci încorporate, care acoperă 9 grupuri de limbă și accent — engleză americană și britanică, spaniolă, franceză, hindi, italiană, japoneză, portugheză braziliană și chineză mandarină. Vocile de engleză americană sunt, clar, cele mai bine finisate.
Noi chiar l-am rulat (Apple M3 Pro, doar CPU)
Fără GPU, fără cloud — doar un MacBook Pro cu M3 Pro și 18 GB RAM. Iată relatarea sinceră, pas cu pas.
Instalare și greutăți
Pachetul Python se instalează în câteva secunde: pip install kokoro-onnx soundfile. Dar iată prima capcană — pachetul pip livrează codul, nu modelul. Trebuie să descarci manual două fișiere din pagina de release-uri kokoro-onnx de pe GitHub: kokoro-v1.0.onnx (310 MB) și voices-v1.0.bin (27 MB). Ghidul quickstart trece ușor peste asta, așa că prima rulare eșuează cu o eroare de fișier lipsă până când descarci greutățile.
Bug-ul de cale espeak-ng (cel care ne-a costat timp pe bune)
Kokoro transformă textul în foneme cu espeak-ng. La prima sinteză am lovit asta:
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directoryCalea /Users/runner/work/ e un indiciu clar: wheel-ul pip espeakng-loader include un libespeak-ng compilat în CI cu o cale de date hard-codată, care nu există pe mașina ta. Partea frustrantă: setarea unei variabile de mediu ESPEAK_DATA_PATH nu face nimic, pentru că kokoro-onnx nu o citește niciodată — ia calea datelor direct din loader-ul inclus.
Remediul care a funcționat: instalează un espeak-ng de sistem real și indică-i lui Kokoro explicit, prin 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)După asta, generarea merge pur și simplu. Dacă te-ai luptat vreodată cu exact această eroare phontab: No such file, asta e soluția.
Viteză (măsurată, la cald)
Doar pe CPU, modelul se încarcă în aproximativ 1.7 secunde, iar sinteza este confortabil mai rapidă decât în timp real. Un paragraf de narațiune de 22 de secunde a fost randat în 3.5 secunde — un factor de timp real de aproximativ 0.16×, adică de circa șase ori mai rapid decât redarea. Propozițiile scurte, individuale, revin în una-două secunde. Pentru un model atât de mic pe un laptop, acesta este un throughput cu adevărat utilizabil în producție. Iată forma de undă reală pentru randarea acelui paragraf:
Mostrele pe care le-am generat (needitate)
Fiecare clip de mai jos a fost produs de noi cu Kokoro pe CPU-ul M3 Pro descris mai sus — ieșire brută a modelului, fără curățare, fără post-procesare. Dă-le play și judecă singur calitatea.
Generat de VisionStory cu Kokoro-82M prin kokoro-onnx, 2026-07-11. Observă indiciul evident: aceasta este o pistă vocală curată — dar este doar o voce. Nu există față, nu există mișcare a buzelor, nu există prezentator pe ecran. Acest gol este exact ideea secțiunii următoare.
Verdict sincer: puncte forte și limite reale
Ce ne-a impresionat cu adevărat:
- Raportul calitate-per-byte este remarcabil. Pentru 82 de milioane de parametri, vocile de engleză americană sunt naturale și expresive — suficient de apropiate de TTS plătit încât majoritatea ascultătorilor nu ar sesiza asta într-un clip scurt.
- Chiar rulează pe CPU, rapid. De șase ori în timp real pe un laptop fără GPU este funcționalitatea-vedetă, și se confirmă.
- Cu adevărat gratuit și prietenos pentru comercial. Apache-2.0 fără facturare per caracter. Pentru voiceover la volum mare, economia asta e greu de bătut.
Unde eșuează — iar astea sunt reale:
- Fără clonare de voce. Primești 54 de voci preset fixe. Nu îți poți clona propria voce sau vocea unui client — dacă asta e cazul tău de utilizare, Kokoro e un drum înfundat.
- Calitatea englezei depinde de espeak-ng, ceea ce înseamnă bug-ul de împachetare de mai sus, plus câte un nume, brand sau acronim pronunțat greșit ocazional.
- Textele lungi au nevoie de împărțire manuală. Există o limită de lungime a fonemelor per apel, deci trebuie să împarți singur scenariile lungi și să îmbini audio-ul.
- Vocile non-englezești sunt inegale — vizibil mai variabile decât setul de vârf de engleză americană.
- Scoate un WAV simplu. Fără timestamp-uri pe cuvinte, fără viseme — nimic care să conducă lip-sync-ul out of the box.
- Este doar voce. Fără față, fără video. Ca să obții un prezentator vorbitor, trebuie să combini Kokoro cu un sistem separat de lip-sync sau avatar și să gestionezi singur sincronizarea.
Găzduire proprie Kokoro vs un instrument găzduit: pe care să-l alegi?
Kokoro și un instrument de avatar găzduit rezolvă jumătăți diferite ale problemei. Kokoro îți oferă o voce; un instrument precum VisionStory îți oferă un prezentator vorbitor — voce, față și lip-sync într-un singur output. Iată compromisurile, pe bune.
| Kokoro (self-host) | VisionStory (hosted) | |
|---|---|---|
| Cost | Gratuit (hardware-ul tău) | Abonament / Credite |
| Configurare | pip + greutăți de 330 MB + remediu espeak-ng | Niciuna — rulează în browser |
| Ce primești | Doar pistă vocală (WAV) | Video cu avatar vorbitor (voce + față + lip-sync) |
| Clonare voce | Nu — 54 de preseturi | Da — îți clonezi propria voce |
| Viteză per clip | ~0.16× timp real pe CPU (secunde) | Secunde, găzduit — fără compute local |
| Utilizare comercială | Da (Apache-2.0) | Da (în funcție de plan) |
| Mentenanță | Tu rezolvi patch-uri la espeak, dependențe, chunking | Niciuna |
| Cel mai bun când | Ai nevoie doar de o pistă vocală gratuită și poți scrie cod | Ai nevoie de un video vorbitor finalizat, rapid |
Alege Kokoro dacă ai nevoie doar de un voiceover gratuit, te simți confortabil în Python și vei gestiona separat fața și lip-sync-ul (sau nu ai nevoie deloc de o față). Alege un instrument găzduit dacă ai nevoie de voce atașată unui prezentator care face lip-sync sau ai nevoie să clonezi vocea unei persoane specifice — Kokoro nu poate face niciuna dintre acestea.
Ce ne-a învățat Kokoro
Adevărata lecție din rularea Kokoro este că vocea devine o marfă. Un model de 82 MB pe un laptop produce acum voiceover-uri suficient de bune pentru muncă reală, gratuit. Dacă singura promisiune a produsului tău era „facem text în vorbire”, avantajul defensiv a dispărut.
Partea grea, încă nerezolvată, este tot ce vine după voce: să transformi o pistă audio într-o față vorbitoare credibilă — lip-sync precis, expresie, mișcarea capului și timing care se leagă toate. Exact la acest strat lucrăm noi. Așa că concluzia noastră nu este „nu folosi Kokoro” — este un motor de voce cu adevărat bun. Ci că o voce, de una singură, este jumătate de video. Dacă vrei cealaltă jumătate, VisionStory transformă o fotografie și un scenariu într-un prezentator vorbitor cu lip-sync într-un singur pas, iar dacă ai o voce specifică de potrivit, poate să o cloneze și pe aceea.