Kokoro sürekli karşımıza çıkıyor — Hacker News’te zirveye çıktı, açık Metinden Konuşmaya listelerinde üst sıralarda ve içerik üreticileri, düz bir CPU’da çalışan 82 milyon parametreli bir modelin ücretli bir ses API’sinin yerini gerçekten alıp alamayacağını sorup duruyor. Biz de kurduk, bir dizüstü bilgisayarda çalıştırdık ve aşağıda dinleyebileceğiniz örnekleri ürettik. Bu, uygulamalı bir inceleme: Kokoro’nun ne olduğu, gerçekte nasıl duyulduğu, bize zaman kaybettiren iki kurulum tuzağı ve hangi durumda barındırılan bir aracın daha iyi seçim olduğu. Kaynak: github.com/hexgrad/kokoro (Apache-2.0).
Kokoro nedir ve kim yaptı?
Kokoro, hexgrad tarafından Kokoro-82M olarak yayımlanan, açık ağırlıklı bir Metinden Konuşmaya modelidir. Mesajı adında: 82 milyon parametre — 2026 standartlarına göre çok küçük, telefonda bile çalışacak kadar hafif — ama doğal ve ifadeli anlatım üretiyor. StyleTTS 2 ekolü üzerine inşa edilmiş ve esnek Apache-2.0 lisansıyla yayımlanmış; yani ticari kullanım için gerçekten ücretsiz.
2026-07-11 itibarıyla ana repo hexgrad/kokoro yaklaşık 7.900 GitHub yıldızına sahip. Biz ise PyTorch kurmadan CPU’da çalıştırmanın en kolay yolu olan topluluk ONNX runtime’ı thewh1teagle/kokoro-onnx (yaklaşık 2.600 yıldız, MIT) üzerinden çalıştırdık.
Asıl ağırlık dosyasını kurcaladığımızda, 9 dil ve aksan grubuna yayılan 54 yerleşik Ses saydık — Amerikan ve Britanya İngilizcesi, İspanyolca, Fransızca, Hintçe, İtalyanca, Japonca, Brezilya Portekizcesi ve Mandarin Çincesi. Amerikan İngilizcesi sesleri açık ara en cilalı olanlar.
Gerçekten çalıştırdık (Apple M3 Pro, yalnızca CPU)
GPU yok, bulut yok — sadece M3 Pro’lu ve 18 GB RAM’li bir MacBook Pro. İşte dürüstçe adım adım olanlar.
Kurulum ve ağırlıklar
Python paketi saniyeler içinde kuruluyor: pip install kokoro-onnx soundfile. Ama ilk tuzak şu — pip paketi kodu getiriyor, modeli değil. kokoro-onnx GitHub releases sayfasından iki dosyayı elle indirmeniz gerekiyor: kokoro-v1.0.onnx (310 MB) ve voices-v1.0.bin (27 MB). Hızlı başlangıç bunu pek belirtmiyor; bu yüzden ağırlıkları indirmeden ilk çalıştırma, eksik dosya hatasıyla patlıyor.
espeak-ng yol hatası (bize gerçekten zaman kaybettiren)
Kokoro, metni espeak-ng ile fonemlere çeviriyor. İlk sentezde şuna takıldık:
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directoryBu /Users/runner/work/ yolu çok net bir ipucu: pip espeakng-loader wheel’i, CI’da derlenirken makinenizde var olmayan sabit bir veri yoluna hard-code edilmiş libespeak-ng ile geliyor. Sinir bozucu kısmı şu: ESPEAK_DATA_PATH ortam değişkeni ayarlamak hiçbir işe yaramıyor; çünkü kokoro-onnx bunu hiç okumuyor — veri yolunu doğrudan paketlenmiş loader’dan alıyor.
İşe yarayan çözüm: gerçek bir sistem espeak-ng kurun ve Kokoro’yu EspeakConfig üzerinden açıkça ona yönlendirin:
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)Sonrasında üretim sorunsuz çalışıyor. Daha önce bu birebir phontab: No such file hatasıyla boğuştuysanız, çözüm bu.
Hız (ölçüldü, ısınmış durumda)
Yalnızca CPU ile model yaklaşık 1.7 saniyede yükleniyor ve sentez rahatlıkla gerçek zamandan daha hızlı. 22 saniyelik bir anlatım paragrafı 3.5 saniyede renderlandı — gerçek zaman faktörü yaklaşık 0.16×; yani oynatımdan kabaca 6 kat daha hızlı. Kısa tek cümleler 1-2 saniyede geliyor. Bu kadar küçük bir model için, bir dizüstünde bu hız gerçekten prodüksiyonda kullanılabilir. İşte o paragraf render’ının gerçek dalga formu:
Ürettiğimiz örnekler (düzenlenmemiş)
Aşağıdaki her klip, yukarıda anlattığımız M3 Pro CPU üzerinde Kokoro ile bizim tarafımızdan üretildi — ham model çıktısı; temizlik yok, post-prodüksiyon yok. Dinleyin, kaliteye kendiniz karar verin.
VisionStory tarafından kokoro-onnx üzerinden Kokoro-82M ile üretildi, 2026-07-11. Şu ipucuna dikkat edin: bu temiz bir ses parçası — ama sadece ses. Yüz yok, dudak hareketi yok, ekranda bir sunucu yok. Bu boşluk, bir sonraki bölümün bütün meselesi.
Dürüst karar: güçlü yanlar ve gerçek sınırlar
Bizi gerçekten etkileyenler:
- Byte başına kalite olağanüstü. 82 milyon parametre için Amerikan İngilizcesi sesleri doğal ve ifadeli — ücretli TTS’e yeterince yakın; çoğu dinleyici kısa bir klipte bunun altını çizmez.
- Gerçekten CPU’da ve hızlı çalışıyor. GPU olmayan bir dizüstünde gerçek zamanın 6 katı hız, manşet özellik ve beklentiyi karşılıyor.
- Gerçekten ücretsiz ve ticari kullanım dostu. Karakter başına ücret yok, Apache-2.0. Yüksek hacimli seslendirmede bu ekonomik modeli geçmek zor.
Tökezlediği yerler — ve bunlar gerçek:
- Ses klonlama yok. 54 sabit hazır Ses alıyorsunuz. Kendi sesinizi ya da bir müşterinin sesini klonlayamazsınız — kullanım senaryonuz buysa, Kokoro çıkmaz sokak.
- İngilizce kalitesi espeak-ng’ye bağlı; bu da yukarıdaki paketleme hatası ve ara sıra yanlış telaffuz edilen isim/marka/kısaltma demek.
- Uzun metin manuel bölme ister. Çağrı başına fonem uzunluğu sınırı var; uzun metinleri kendiniz parçalayıp sesi birleştirmeniz gerekiyor.
- İngilizce dışı sesler tutarsız — amiral gemisi Amerikan İngilizcesi setine göre belirgin şekilde daha değişken.
- Çıktı çıplak bir WAV. Kelime zaman damgası yok, viseme yok — kutudan çıktığı gibi lip-sync sürmek için hiçbir şey vermiyor.
- Sadece Ses. Yüz yok, video yok. Konuşan bir sunucu istiyorsanız Kokoro’yu ayrı bir lip-sync ya da avatar sistemiyle eşleştirmeniz ve zamanlamayı kendiniz yönetmeniz gerekir.
Kokoro’yu self-host etmek mi, yoksa barındırılan bir araç mı: hangisini seçmelisiniz?
Kokoro ile barındırılan bir avatar aracı problemin farklı yarılarını çözer. Kokoro size bir Ses verir; VisionStory gibi bir araç ise size bir konuşan sunucu verir — tek çıktıda ses, yüz ve lip-sync. İşte dürüstçe artı-eksi.
| Kokoro (self-host) | VisionStory (hosted) | |
|---|---|---|
| Maliyet | Ücretsiz (kendi donanımınız) | Abonelik / Kredi |
| Kurulum | pip + 330 MB ağırlık + espeak-ng düzeltmesi | Yok — tarayıcıda çalışır |
| Ne elde edersiniz | Yalnızca ses parçası (WAV) | Konuşan avatar video (ses + yüz + lip-sync) |
| Ses klonlama | Hayır — 54 hazır seçenek | Evet — kendi sesinizi klonlayın |
| Klip başına hız | CPU’da ~0.16× gerçek zaman (saniyeler) | Saniyeler; barındırılır — yerel hesaplama yok |
| Ticari kullanım | Evet (Apache-2.0) | Evet (plana göre) |
| Bakım | espeak, bağımlılıklar, bölme işlemleri size ait | Yok |
| En iyi olduğu durum | Sadece ücretsiz bir ses parçasına ihtiyacınız var ve kod yazabiliyorsunuz | Bitmiş bir konuşan video istiyorsunuz ve hızlı olmalı |
Kokoro’yu seçin eğer sadece ücretsiz bir seslendirmeye ihtiyacınız varsa, Python’da rahatsanız ve yüz ile lip-sync kısmını ayrı şekilde halledecekseniz (ya da zaten yüze hiç ihtiyacınız yoksa). Barındırılan bir aracı seçin eğer sesi lip-sync yapan bir sunucuya bağlamanız gerekiyorsa veya belirli bir kişinin Ses’ini klonlamanız gerekiyorsa — Kokoro ikisini de yapamaz.
Kokoro bize ne öğretti?
Kokoro’yu çalıştırmaktan çıkan asıl ders şu: Ses metalaşıyor. Bir dizüstünde 82 MB’lık bir model artık gerçek iş için yeterince iyi seslendirmeler üretiyor; hem de ücretsiz. Ürününüzün tek iddiası “Metinden Konuşmaya yapıyoruz” ise, o hendek artık yok.
Zor ve hâlâ tam çözülmemiş kısım, Ses’ten sonraki her şey: bir ses parçasını inandırıcı bir konuşan yüze dönüştürmek — doğru lip-sync, ifade, kafa hareketi ve hepsini bir arada tutan zamanlama. Bizim çalıştığımız katman tam olarak bu. O yüzden çıkarımımız “Kokoro kullanmayın” değil — gerçekten iyi bir ses motoru. Ama tek başına Ses, videonun yarısı. Diğer yarısını istiyorsanız, VisionStory bir fotoğrafı ve metni tek adımda lip-sync’li bir konuşan sunucuya dönüştürür; ayrıca eşleştirmeniz gereken belirli bir ses varsa onu da klonlayabilir.