Kokoro TTS oder SuperClonica: zwei kleine Modelle für lokale Sprachsynthese
Kokoro-82M ist ein Text-to-Speech-Modell mit offenen Gewichten, 82 Millionen Parametern und Apache-2.0-Lizenz. Version 1.0 erschien im Januar 2025 mit 54 fertigen Stimmen in acht Sprachen. Supertonic 3, das Modell hinter SuperClonica, spielt in derselben Gewichtsklasse: rund 99 Millionen Parameter, gebaut für eine gewöhnliche CPU.
Entscheidend sind also weniger die Größe als Sprachen, Stimmen und Lizenz. Kokoro steht nicht in unserer Vergleichstabelle, und wir haben es nicht gemessen. Diese Seite nennt deshalb keine Tempo- oder Qualitätswerte, nur Fakten aus Model Card und Repository.
Was Kokoro-82M ist
Kokoro basiert auf StyleTTS 2 mit einem ISTFTNet-Decoder und wurde mit einigen hundert Stunden gemeinfreier, frei lizenzierter und synthetischer Aufnahmen trainiert. Die Gewichte stehen unter Apache 2.0, und die Autoren laden ausdrücklich zum Einsatz in kommerziellen Produkten ein.
Installiert wird es mit pip install kokoro, dazu kommt espeak-ng für Wörter außerhalb des englischen Lexikons und für einige andere Sprachen. Die Ausgabe hat 24 kHz. Die separate JavaScript-Bibliothek kokoro-js führt das Modell über Transformers.js komplett im Browser aus.
Sprachen von Kokoro und Supertonic 3: Deutsch fehlt bei Kokoro
Version 1.0 hat 54 Stimmen: 20 amerikanisch-englische, 8 britisch-englische, 8 auf Mandarin, 5 japanische, 4 auf Hindi, je 3 spanische und brasilianisch-portugiesische, 2 italienische und 1 französische. Die Stimmenliste selbst warnt, dass die Unterstützung anderer Sprachen als Englisch wegen schwächerer Phonemisierung und weniger Trainingsdaten dünn sein kann; die Mandarin-Stimmen bekommen dort die Note D, die japanischen C+ bis C-.
Supertonic 3 spricht 31 Sprachen, darunter Deutsch, Russisch, Koreanisch, Polnisch, Ukrainisch und Türkisch, die Kokoro gar nicht abdeckt. Alle Kokoro-Sprachen außer Chinesisch sind auch in Supertonic 3 enthalten. Brauchen Sie Mandarin, hat Kokoro Stimmen und Supertonic 3 nicht.
Fertige Stimmen oder eine eigene Stimme
Kokoro kommt mit seinen fertigen Stimmen. Laut Model Card wurde kein Encoder veröffentlicht, und das offizielle Paket kann aus Ihrer Aufnahme keine neue Stimme machen.
SuperClonica dreht sich um eigene Stimmen. Der Katalog enthält Supertonic-3-Stimmen unabhängiger Autoren, jede mit Hörproben und einem Preis in US-Dollar, einige sind kostenlos. Passt nichts, geben Sie eine Stimme nach einer Referenzaufnahme in Auftrag; das Budget bleibt auf Ihrem Guthaben reserviert, bis Sie das Ergebnis annehmen. Oder Sie trainieren selbst und kostenlos, aus einer sauberen Aufnahme von 5 bis 10 Sekunden auf Ihrer eigenen NVIDIA-GPU. In beiden Fällen erhalten Sie eine JSON-Datei, die offline läuft.
Tempo auf einer gewöhnlichen CPU
Kokoro haben wir nicht gemessen, daher gibt es hier keine Tempowerte dafür. Mit 82 Millionen Parametern ist es etwas kleiner als Supertonic 3; testen Sie es auf Ihrer Hardware mit Ihren Texten.
Für SuperClonica schätzen wir 6,4- bis 9,7-mal schneller als Echtzeit auf einer Desktop-CPU mit 8 Kernen: Ein Satz von 10 Sekunden ist in etwa 1,0–1,6 Sekunden fertig. Die Engine ist auf der CPU im Schnitt 61 % schneller als der Standard-Client von Supertonic 3, spricht lange Texte in kurzen Abschnitten, sodass seltener Wörter wiederholt oder abgeschnitten werden, und liest dieselben Stimmdateien ohne Umwandlung.
Wann Kokoro die bessere Wahl ist
SuperClonica passt, wenn Sie Deutsch oder eine andere Sprache brauchen, die Kokoro fehlt, eine Stimme jenseits der fertigen Auswahl oder eine Stimme aus Ihrer Aufnahme. Kokoro ist sinnvoller in diesen Fällen:
- Sie suchen ein kostenloses, kleines Modell für englische Sprachausgabe, und die fertigen Stimmen reichen.
- Sie brauchen Mandarin, das Supertonic 3 noch nicht hat.
- Ihnen sind die freiesten Bedingungen wichtig: Apache 2.0 hat anders als OpenRAIL-M keine Liste verbotener Nutzungen.
- Ihre App erzeugt Sprache im Browser, und kokoro-js passt bereits zu Ihrem Stack.