Kokoro TTS ou SuperClonica: dois modelos pequenos de texto para fala local
O Kokoro-82M é um modelo aberto de texto para fala com 82 milhões de parâmetros e licença Apache 2.0. A versão 1.0 saiu em janeiro de 2025 com 54 vozes prontas em oito idiomas. O Supertonic 3, modelo por trás do SuperClonica, está na mesma faixa: cerca de 99 milhões de parâmetros, feito para rodar em um processador comum.
Então a escolha depende menos do tamanho e mais de idiomas, vozes e licença. O Kokoro não está na nossa tabela comparativa e nós não o medimos; por isso esta página não traz números de velocidade nem de qualidade para ele, só fatos da página do modelo e do repositório.
O que é o Kokoro-82M
O Kokoro é baseado no StyleTTS 2 com um decodificador ISTFTNet e foi treinado com algumas centenas de horas de áudio em domínio público, com licenças permissivas e sintético. Os pesos estão sob Apache 2.0, e os autores convidam abertamente ao uso em produtos comerciais.
A instalação é com pip install kokoro, mais o espeak-ng, que cuida das palavras fora do léxico em inglês e de parte dos outros idiomas. A saída é áudio em 24 kHz. Uma biblioteca separada, a kokoro-js, roda o modelo inteiro no navegador com Transformers.js.
Idiomas do Kokoro em comparação com o Supertonic 3
A versão 1.0 tem 54 vozes: 20 de inglês americano, 8 de inglês britânico, 8 de chinês mandarim, 5 de japonês, 4 de hindi, 3 de espanhol, 3 de português brasileiro, 2 de italiano e 1 de francês. Para português são só três vozes, e a própria lista avisa que o suporte a idiomas além do inglês pode ser fraco, por causa de uma fonetização mais simples e de menos dados de treino.
O Supertonic 3 fala 31 idiomas, entre eles português, russo, alemão, coreano, polonês e turco; o Kokoro não tem nenhum dos cinco últimos. Ele cobre todos os idiomas do Kokoro, menos o chinês: se você precisa de mandarim, o Kokoro tem vozes e o Supertonic 3 não.
Vozes prontas ou uma voz só sua
O Kokoro vem com as vozes prontas dele. A página do modelo informa que o codificador não foi publicado, e o pacote oficial não tem como transformar a sua gravação em uma voz nova.
O SuperClonica gira em torno de vozes sob medida. O catálogo reúne vozes do Supertonic 3 de autores independentes, cada uma com demos e preço em dólares, e algumas são grátis. Se nenhuma servir, encomende uma voz a partir de uma gravação de referência: o orçamento fica reservado no seu saldo até você aceitar o resultado. Ou treine você mesmo, de graça, com uma gravação limpa de 5 a 10 segundos na sua própria GPU NVIDIA. Nos dois casos você recebe um único arquivo JSON que funciona offline.
Velocidade em um CPU comum
Nós não medimos o Kokoro, então não há números de velocidade para ele aqui. Com 82 milhões de parâmetros, ele é um pouco menor que o Supertonic 3; teste no seu hardware, com os seus textos.
Para o SuperClonica estimamos de 6,4 a 9,7 vezes mais rápido que o tempo real em um CPU de desktop com 8 núcleos: uma frase de 10 segundos fica pronta em cerca de 1,0–1,6 segundo. O motor é em média 61% mais rápido que o cliente padrão do Supertonic 3 no CPU, divide textos longos em partes curtas, então repete ou corta palavras com menos frequência, e lê os mesmos arquivos de voz sem conversão.
Quando o Kokoro é a melhor escolha
Escolha o SuperClonica se você precisa de um idioma que o Kokoro não tem, de mais vozes em português, de uma voz fora das prontas ou de uma voz treinada com a sua gravação. O Kokoro faz mais sentido nestes casos:
- Você quer um modelo pequeno e grátis para fala em inglês, e as vozes prontas bastam.
- Você precisa de chinês mandarim, que o Supertonic 3 ainda não tem.
- Você quer os termos mais livres: a Apache 2.0 não tem lista de usos proibidos, ao contrário da OpenRAIL-M.
- Seu app gera fala no navegador e a kokoro-js já se encaixa no seu stack.