Kokoro TTS o SuperClonica: dos modelos pequeños de texto a voz local
Kokoro-82M es un modelo abierto de texto a voz con 82 millones de parámetros y licencia Apache 2.0. La versión 1.0 salió en enero de 2025 con 54 voces predefinidas en ocho idiomas. Supertonic 3, el modelo detrás de SuperClonica, juega en la misma categoría: unos 99 millones de parámetros, pensado para un procesador normal.
Así que la elección depende menos del tamaño y más de los idiomas, las voces y la licencia. Kokoro no está en nuestra tabla comparativa y no lo hemos medido, por eso aquí no hay cifras de velocidad ni de calidad, solo datos de su ficha del modelo y su repositorio.
Qué es Kokoro-82M
Kokoro se basa en StyleTTS 2 con un decodificador ISTFTNet y se entrenó con unos cientos de horas de audio de dominio público, con licencias permisivas y sintético. Los pesos tienen licencia Apache 2.0 y sus autores invitan de forma explícita a usarlo en productos comerciales.
Se instala con pip install kokoro y necesita espeak-ng, que pronuncia las palabras que faltan en el léxico inglés y parte de los demás idiomas. Genera audio a 24 kHz. Una biblioteca aparte, kokoro-js, ejecuta el modelo entero en el navegador con Transformers.js.
Idiomas de Kokoro frente a Supertonic 3
La versión 1.0 tiene 54 voces: 20 de inglés americano, 8 de inglés británico, 8 de chino mandarín, 5 de japonés, 4 de hindi, 3 de español, 3 de portugués de Brasil, 2 de italiano y 1 de francés. Para español hay solo tres voces, y la propia lista avisa de que el soporte de los idiomas distintos del inglés puede ser escaso por una fonetización más débil y menos datos de entrenamiento.
Supertonic 3 habla 31 idiomas, entre ellos español, ruso, alemán, coreano, polaco y turco; Kokoro no tiene ninguno de los cinco últimos. Cubre todos los idiomas de Kokoro salvo el chino: si necesitas mandarín, Kokoro tiene voces y Supertonic 3 no.
Voces predefinidas o una voz propia
Kokoro trae sus voces predefinidas. La ficha del modelo indica que no se publicó el codificador, y el paquete oficial no tiene forma de convertir tu grabación en una voz nueva.
SuperClonica gira en torno a las voces propias. El catálogo reúne voces de Supertonic 3 de autores independientes, cada una con demos y precio en dólares, y algunas son gratis. Si ninguna te encaja, encarga una voz a partir de una grabación de referencia: el presupuesto queda reservado en tu saldo hasta que aceptas el resultado. O entrénala tú mismo gratis con una grabación limpia de 5 a 10 segundos en tu propia GPU NVIDIA. En ambos casos obtienes un único archivo JSON que funciona sin conexión.
Velocidad en un CPU normal
No hemos medido Kokoro, así que aquí no hay cifras de velocidad para él. Con 82 millones de parámetros es algo más pequeño que Supertonic 3; pruébalo en tu equipo con tus propios textos.
Para SuperClonica estimamos entre 6,4 y 9,7 veces más rápido que el tiempo real en un CPU de escritorio de 8 núcleos: una frase de 10 segundos tarda unos 1,0–1,6 segundos. El motor es de media un 61 % más rápido que el cliente estándar de Supertonic 3 en CPU, divide los textos largos en partes cortas, así que repite o corta palabras con menos frecuencia, y lee los mismos archivos de voz sin conversión.
Cuándo conviene más Kokoro
Elige SuperClonica si necesitas un idioma que Kokoro no tiene, más voces en español, una voz fuera de las predefinidas o una voz entrenada con tu grabación. Kokoro tiene más sentido en estos casos:
- Quieres un modelo pequeño y gratis para voz en inglés y te bastan las voces predefinidas.
- Necesitas chino mandarín, que Supertonic 3 todavía no tiene.
- Buscas los términos más libres: Apache 2.0 no tiene lista de usos prohibidos, a diferencia de OpenRAIL-M.
- Tu aplicación genera voz en el navegador y kokoro-js ya encaja en tu stack.