Kokoro TTS или SuperClonica: две компактные модели для синтеза речи
Kokoro-82M — открытая модель синтеза речи на 82 миллиона параметров под лицензией Apache 2.0. Версия 1.0 вышла в январе 2025 года: 54 готовых голоса на восьми языках. Supertonic 3, на которой работает SuperClonica, из той же весовой категории: около 99 миллионов параметров, рассчитана на обычный процессор.
Поэтому выбирать приходится не по размеру, а по языкам, голосам и лицензии. Kokoro нет в нашей сравнительной таблице, и мы её не замеряли, так что оценок скорости и качества здесь нет — только факты из карточки модели и репозитория.
Что такое Kokoro-82M
Kokoro построена на StyleTTS 2 с декодером ISTFTNet и обучена на нескольких сотнях часов общественного достояния, записей под свободными лицензиями и синтетического аудио. Веса распространяются под Apache 2.0, и авторы прямо приглашают использовать модель в коммерческих продуктах.
Ставится она командой pip install kokoro, плюс нужен espeak-ng: он озвучивает слова, которых нет в английском словаре, и часть других языков. На выходе звук 24 кГц. Отдельная библиотека kokoro-js запускает модель целиком в браузере через Transformers.js.
Языки Kokoro и Supertonic 3: русского у Kokoro нет
В версии 1.0 — 54 голоса: 20 американских английских, 8 британских, 8 на путунхуа, 5 японских, 4 на хинди, по 3 испанских и бразильских португальских, 2 итальянских и 1 французский. Сам список голосов предупреждает, что поддержка неанглийских языков может быть слабой из-за фонемизации и нехватки данных: китайские голоса оценены на D, японские — от C+ до C-.
Supertonic 3 говорит на 31 языке, среди них русский, немецкий, корейский, польский, украинский и турецкий — у Kokoro их нет совсем. Все языки Kokoro, кроме китайского, в Supertonic 3 тоже есть. Если нужен китайский, у Kokoro голоса есть, а у Supertonic 3 пока нет.
Готовые голоса или свой голос
Kokoro поставляется с набором готовых голосов. В карточке модели сказано, что энкодер не публиковали, и в официальном пакете нет способа сделать новый голос по вашей записи.
SuperClonica построена вокруг своих голосов. В каталоге — голоса Supertonic 3 от независимых авторов, у каждого демо и цена в долларах, часть бесплатна. Если ничего не подошло, закажите голос по референсу: бюджет резервируется на балансе, пока вы не примете результат. Или обучите голос сами и бесплатно — по чистой записи от 5 до 10 секунд на своей видеокарте NVIDIA. В обоих случаях получается один JSON-файл, который работает офлайн.
Скорость на обычном процессоре
Kokoro мы не замеряли, поэтому цифр скорости для неё не приводим. С 82 миллионами параметров она чуть меньше Supertonic 3 — проверьте её на своём железе и своих текстах.
Для SuperClonica наша оценка — в 6,4–9,7 раза быстрее реального времени на настольном 8-ядерном CPU, то есть фраза на 10 секунд готова примерно за 1,0–1,6 секунды. Движок в среднем на 61% быстрее стандартного клиента Supertonic 3 на CPU, озвучивает длинные тексты короткими частями, поэтому реже повторяет и обрывает слова, и читает те же файлы голосов без конвертации.
Когда лучше выбрать Kokoro
SuperClonica подходит, если нужен русский или другой язык, которого нет у Kokoro, голос не из стандартного набора или голос по вашей записи. Kokoro разумнее в таких случаях:
- нужна бесплатная компактная модель для английской озвучки, и готовых голосов хватает;
- нужен китайский язык, которого в Supertonic 3 пока нет;
- важна самая свободная лицензия: в Apache 2.0, в отличие от OpenRAIL-M, нет списка запрещённых применений;
- приложение синтезирует речь в браузере, и пакет kokoro-js уже вписывается в ваш стек.