Kokoro 最近一直刷存在感 — 它登上 Hacker News 熱榜、稱霸開源文字轉語音排行榜，創作者也不斷在問：一個能在純 CPU 上跑的 8,200 萬參數模型，真的能取代付費的 voice API 嗎？所以我們直接裝起來、在筆電上跑，並生成了你下方可以播放的樣本。這是一篇實測拆解：Kokoro 是什麼、實際聽起來如何、兩個讓我們浪費時間的安裝陷阱，以及什麼情況下用託管工具更划算。 來源：github.com/hexgrad/kokoro（Apache-2.0）。
Kokoro 是什麼？誰做的？
Kokoro 是 hexgrad 發佈的開放權重文字轉語音模型，名稱為 Kokoro-82M。重點就寫在名字裡：8,200 萬參數 — 以 2026 的標準來說非常小，小到甚至能在手機上跑 — 卻能做出自然、富有表現力的旁白。它承襲 StyleTTS 2 的技術脈絡，並以寬鬆的 Apache-2.0 授權釋出，因此商用也是真正免費。
截至 2026-07-11，主倉庫 hexgrad/kokoro 約有 7,900 個 GitHub stars。我們透過社群的 ONNX runtime 專案 thewh1teagle/kokoro-onnx（約 2,600 stars，MIT）來跑，這也是在不安裝 PyTorch 的前提下，最容易用 CPU 跑起來的方式。
我們翻了實際的權重檔後，數到內建有 54 種音色，涵蓋 9 個語言與口音群組 — 美式與英式英文、西班牙文、法文、印地文、義大利文、日文、巴西葡萄牙文，以及中文（普通話）。其中美式英文的音色明顯最成熟。
我們真的跑了（Apple M3 Pro、純 CPU）
不用 GPU、不上雲 — 就是一台搭載 M3 Pro、18 GB RAM 的 MacBook Pro。以下是最真實的實測紀錄。
安裝與權重
Python 套件幾秒就裝好：pip install kokoro-onnx soundfile。但這裡有個第一個陷阱 — pip 套件送的是程式碼，不是模型。你必須手動到 kokoro-onnx 的 GitHub releases 頁面下載兩個檔案：kokoro-v1.0.onnx（310 MB）與 voices-v1.0.bin（27 MB）。快速上手文件輕輕帶過這點，所以第一次執行會因為缺檔報錯，直到你把權重抓下來。
espeak-ng 路徑 bug（真的讓我們花時間的那個）
Kokoro 用 espeak-ng 把文字轉成音素（phonemes）。第一次合成時我們就撞到這個錯誤：
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directory看到 /Users/runner/work/ 這段路徑就很明顯：pip 的 espeakng-loader wheel 內建了一個 libespeak-ng，它是在 CI 編譯時把資料路徑硬編碼進去，而那個路徑在你的電腦上根本不存在。更崩潰的是：就算你設定 ESPEAK_DATA_PATH 環境變數也沒用，因為 kokoro-onnx 根本不讀它 — 它直接從內建 loader 取資料路徑。
有效的解法：安裝真正的系統版 espeak-ng，並透過 EspeakConfig 明確指定給 Kokoro：
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)做完後就能正常生成。如果你也被這個 phontab: No such file 錯誤搞過，這就是解法。
速度（實測、預熱後）
只用 CPU，模型載入大約 1.7 秒，合成速度也穩穩快於即時播放。我們把一段 22 秒的旁白段落渲染成音訊只花了 3.5 秒 — 即時系數大約 0.16×，大約比播放快 6 倍。短句通常 1 到 2 秒就回來。以這麼小的模型、在筆電上跑來說，這個吞吐量真的能上正式製作。下面是那段文字渲染出的實際波形：
我們生成的樣本（未剪輯）
下方每一段都是我們用上述的 M3 Pro CPU、用 Kokoro 直接生成的 — 純模型輸出，沒有清理、沒有後製。你可以直接播放，自己判斷音色品質。
VisionStory 於 2026-07-11 透過 kokoro-onnx 以 Kokoro-82M 生成。注意那個關鍵差異：這是一條很乾淨的音軌 — 但它只有聲音。沒有臉、沒有嘴型、沒有螢幕上的主持人。這個缺口，就是下一節要講的重點。
誠實評測：優勢與真實限制
真的讓我們驚豔的地方：
- 每個位元組的品質很誇張。 以 8,200 萬參數來說，美式英文音色自然、有情緒 — 接近付費 TTS，多數聽眾在短片段裡不太會覺得「怪」。
- 真的能在 CPU 上快跑。 筆電無 GPU 也能達到 6 倍即時，這就是它的招牌賣點，而且確實做得到。
- 真正免費且商用友善。 Apache-2.0、沒有按字元計費。大量旁白的成本優勢非常明顯。
它的短板 — 而且都很真實：
- 沒有聲音分身。 你只能用 54 種固定預設音色，無法複製自己的聲音或客戶的聲音 — 如果這是你的需求，Kokoro 基本上走不通。
- 英文品質仰賴 espeak-ng，這代表上面的封裝 bug，以及偶爾會把人名、品牌名或縮寫念錯。
- 長文需要手動切段。 每次呼叫有音素長度上限，所以長腳本得自己分段再把音訊接起來。
- 非英文音色有好有壞 — 變異明顯比主力的美式英文更大。
- 輸出只是純 WAV。 沒有逐字時間戳、沒有 visemes — 沒辦法直接拿來做嘴型同步。
- 它只有聲音。 沒有臉、沒有影片。要做出會說話的主持人，你必須把 Kokoro 跟另一套 lip-sync 或 avatar 系統組合起來，並自己處理時序對齊。
自架 Kokoro vs 託管工具：你該選哪個？
Kokoro 和託管的虛擬人像工具解的是同一個問題的不同半邊。Kokoro 給你的是 音色；像 VisionStory 這樣的工具給你的是 會說話的主持人 — 一次輸出聲音、臉部與嘴型同步。以下是最誠實的取捨比較。
| Kokoro（自架） | VisionStory（託管） | |
|---|---|---|
| 成本 | 免費（用你自己的硬體） | 訂閱 / 點數 |
| 設定 | pip + 330 MB 權重 + espeak-ng 修正 | 不用 — 瀏覽器直接跑 |
| 你拿到什麼 | 只有音軌（WAV） | 會說話的虛擬人像影片（音色 + 臉部 + 嘴型同步） |
| 聲音分身 | 不行 — 54 種預設 | 可以 — 複製你自己的聲音 |
| 每段生成速度 | ~0.16× 即時（CPU、數秒） | 數秒，託管 — 不吃本機算力 |
| 商用 | 可以（Apache-2.0） | 可以（依方案） |
| 維護 | 你要自己修 espeak、依賴、切段 | 不用 |
| 最適合 | 你只需要免費音軌，而且會寫程式 | 你要快速產出完成版說話影片 |
選 Kokoro，如果你只需要免費旁白、你熟悉 Python，而且你願意把臉與嘴型同步分開處理（或你根本不需要臉）。選託管工具，如果你需要能嘴型同步的主持人聲音，或你需要複製某個特定人的音色 — Kokoro 兩者都做不到。
Kokoro 給我們的啟示
真正的心得是：音色正在商品化。一個 82 MB 的模型，在筆電上就能免費做出足以拿來認真工作的旁白。如果你的產品賣點只有「我們會做文字轉語音」，那道護城河已經沒了。
更難、而且仍未被真正解決的，是聲音之後的一切：把音軌變成可信的說話臉孔 — 精準的嘴型同步、表情、頭部動作，以及整體節奏都要對得起來。那正是我們在做的層。結論不是「不要用 Kokoro」— 它確實是一個很棒的音色引擎；而是「只有聲音，只有半支影片」。如果你想要另一半，VisionStory 可以一步把照片與腳本變成具嘴型同步的說話主持人；若你需要對齊特定音色，也能複製它。