Kokoro постійно з’являється на слуху — вона очолила Hacker News, лідирує в відкритих рейтингах «текст у мовлення», і креатори раз по раз питають, чи справді модель на 82 мільйони параметрів, яка працює на звичайному CPU, може замінити платний voice API. Тож ми встановили її, запустили на ноутбуці й згенерували приклади, які ви можете прослухати нижче. Це практичний розбір: що таке Kokoro, як вона звучить насправді, дві пастки в налаштуванні, які забрали в нас час, і коли краще обрати хостинговий інструмент. Джерело: github.com/hexgrad/kokoro (Apache-2.0).
Що таке Kokoro і хто її створив?
Kokoro — це текст у мовлення з відкритими вагами, опублікована hexgrad як Kokoro-82M. Головна цифра прямо в назві: 82 мільйони параметрів — крихітна за мірками 2026 року, достатньо мала, щоб працювати на телефоні — і водночас вона видає природну, виразну начитку. Модель побудована на лінійці StyleTTS 2 і випущена під ліберальною ліцензією Apache-2.0, тож вона справді безкоштовна для комерційного використання.
Станом на 2026-07-11 основний репозиторій hexgrad/kokoro має близько 7 900 зірок на GitHub. Ми запускали її через community-рантайм ONNX thewh1teagle/kokoro-onnx (близько 2 600 зірок, MIT) — це найпростіший спосіб запустити її на CPU без встановлення PyTorch.
Зазирнувши у файл ваг, ми нарахували 54 вбудовані голоси у 9 мовних та акцентних групах — американська й британська англійська, іспанська, французька, гінді, італійська, японська, бразильська португальська та китайська мандаринська. Голоси американської англійської помітно найбільш відполіровані.
Ми справді запустили її (Apple M3 Pro, лише CPU)
Без GPU, без хмари — лише MacBook Pro з M3 Pro та 18 GB RAM. Ось чесний покроковий звіт.
Встановлення та ваги
Python-пакет встановлюється за секунди: pip install kokoro-onnx soundfile. Але ось перша пастка — pip-пакет постачається з кодом, а не з моделлю. Потрібно вручну завантажити два файли зі сторінки релізів kokoro-onnx на GitHub: kokoro-v1.0.onnx (310 MB) і voices-v1.0.bin (27 MB). У quickstart це майже не згадується, тож перший запуск падає з помилкою про відсутні файли, доки ви не підтягнете ваги.
Баг із шляхом espeak-ng (саме він реально забрав у нас час)
Kokoro перетворює текст на фонеми через espeak-ng. На першому ж синтезі ми натрапили на це:
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directoryШлях /Users/runner/work/ — очевидна підказка: wheel espeakng-loader для pip пакує libespeak-ng, зібрану в CI з жорстко прописаним шляхом до даних, якого на вашій машині не існує. Найбільш прикро те, що встановлення змінної середовища ESPEAK_DATA_PATH нічого не дає, бо kokoro-onnx її не читає — він бере шлях до даних прямо з вбудованого loader.
Рішення, яке спрацювало: встановіть справжній системний espeak-ng і явно вкажіть Kokoro шлях до нього через 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)Після цього генерація просто працює. Якщо ви колись боролися саме з помилкою phontab: No such file, то це і є рішення.
Швидкість (виміряна, на «теплому» запуску)
Лише на CPU модель завантажується приблизно за 1.7 секунди, а синтез комфортно швидший за реальний час. Абзац начитки тривалістю 22 секунди згенерувався за 3.5 секунди — real-time factor близько 0.16×, тобто приблизно у 6 разів швидше за відтворення. Короткі одиночні речення повертаються за 1–2 секунди. Для настільки маленької моделі на ноутбуці це справді придатна для продакшну продуктивність. Ось фактична форма хвилі цього рендеру абзацу:
Зразки, які ми згенерували (без редагування)
Кожен кліп нижче ми створили самі за допомогою Kokoro на CPU M3 Pro, описаному вище — «сирий» вихід моделі, без чистки й без постобробки. Вмикайте й оцінюйте якість самостійно.
Згенеровано VisionStory з Kokoro-82M через kokoro-onnx, 2026-07-11. Зверніть увагу на очевидну підказку: це чиста голосова доріжка — але це лише голос. Немає обличчя, немає руху губ, немає ведучого в кадрі. Саме ця прогалина і є ключовою ідеєю наступного розділу.
Чесний висновок: сильні сторони та реальні обмеження
Що нас справді вразило:
- Якість на байт — вражає. Для 82 мільйонів параметрів голоси американської англійської звучать природно й виразно — достатньо близько до платного TTS, щоб більшість слухачів не помітила підміни в короткому кліпі.
- Вона реально швидко працює на CPU. Шість разів швидше за реальний час на ноутбуці без GPU — це головна фішка, і вона підтверджується.
- Справді безкоштовна й дружня до комерційного використання. Apache-2.0 без оплати «за символ». Для високих обсягів озвучення така економіка — важко перевершити.
Де вона просідає — і це реально:
- Немає клонування голосу. Є 54 фіксовані пресетні голоси. Ви не зможете клонувати власний голос або голос клієнта — якщо це ваш кейс, Kokoro вам не підходить.
- Якість англійської залежить від espeak-ng, а це означає і пакувальний баг вище, і періодично неправильну вимову імен, брендів або абревіатур.
- Довгий текст потрібно вручну ділити на частини. Є ліміт на довжину фонем за один виклик, тож довгі сценарії доведеться розбивати й зшивати аудіо самостійно.
- Неанглійські голоси можуть бути як вдалими, так і ні — помітно більш нестабільні, ніж флагманський набір американської англійської.
- На виході — «голий» WAV. Немає таймкодів слів, немає візем — нічого, що з коробки керувало б ліпсинком.
- Це лише голос. Ні обличчя, ні відео. Щоб отримати говорячого ведучого, потрібно поєднати Kokoro з окремою системою ліпсинку або аватарів і самостійно налаштувати таймінги.
Самохостинг Kokoro vs хостинговий інструмент: що обрати?
Kokoro та хостинговий інструмент з аватаром закривають різні половини задачі. Kokoro дає вам голос; інструмент на кшталт VisionStory дає говорячого ведучого — голос, обличчя та ліпсинк в одному результаті. Ось чесний компроміс.
| Kokoro (self-host) | VisionStory (hosted) | |
|---|---|---|
| Вартість | Безкоштовно (ваше залізо) | Підписка / кредити |
| Налаштування | pip + 330 MB ваг + виправлення espeak-ng | Нічого — працює в браузері |
| Що ви отримуєте | Лише голосова доріжка (WAV) | Відео з говорячим аватаром (голос + обличчя + ліпсинк) |
| Клонування голосу | Ні — 54 пресети | Так — клонування вашого голосу |
| Швидкість на кліп | ~0.16× реального часу на CPU (секунди) | Секунди, у хмарі — без локальних обчислень |
| Комерційне використання | Так (Apache-2.0) | Так (залежно від плану) |
| Підтримка | Ви самі патчите espeak, залежності, chunking | Не потрібна |
| Найкраще підходить, коли | Потрібна лише безкоштовна голосова доріжка і ви вмієте програмувати | Потрібне готове розмовного відео швидко |
Обирайте Kokoro, якщо вам потрібне лише безкоштовне озвучення, вам комфортно в Python, і ви окремо подбаєте про обличчя та ліпсинк (або обличчя взагалі не потрібне). Обирайте хостинговий інструмент, якщо вам потрібен голос, «прикріплений» до ведучого з ліпсинком, або якщо потрібно клонувати голос конкретної людини — Kokoro не вміє ні те, ні інше.
Чого нас навчила Kokoro
Головний урок від запуску Kokoro — голос стає комодиті. Модель на 82 MB на ноутбуці вже зараз безкоштовно видає озвучення, достатньо хороші для реальної роботи. Якщо єдина обіцянка вашого продукту була «ми робимо текст у мовлення», то цього рову вже немає.
Складна, досі не вирішена частина — все, що йде після голосу: перетворити аудіодоріжку на переконливе говорюче обличчя — точний ліпсинк, міміка, рух голови та таймінг, які тримаються разом. Саме над цим шаром ми й працюємо. Тож наш висновок не «не використовуйте Kokoro» — це справді хороший голосовий рушій. Просто голос сам по собі — це половина відео. Якщо вам потрібна інша половина, VisionStory перетворює фото та сценарій на ліпсинхронізованого говорячого ведучого в один крок, а якщо потрібно підлаштуватися під конкретний голос, він також може його клонувати.