Kokoro TTS 与 SuperClonica：两个小模型的本地语音合成

Kokoro-82M 是什么

Kokoro 基于 StyleTTS 2 和 ISTFTNet 解码器，训练数据是几百小时的公有领域音频、宽松许可音频和合成音频。权重采用 Apache 2.0 许可证，作者明确欢迎在商业产品中使用。

安装命令是 pip install kokoro，另外需要 espeak-ng，用来处理英文词典之外的单词和部分其他语言；中文需要额外安装 misaki[zh]。输出为 24 kHz 音频。另有一个 JavaScript 库 kokoro-js，可借助 Transformers.js 在浏览器里完整运行模型。

Kokoro 与 Supertonic 3 的语言对比

1.0 版共有 54 个音色：美式英语 20 个、英式英语 8 个、普通话 8 个、日语 5 个、印地语 4 个、西班牙语 3 个、巴西葡萄牙语 3 个、意大利语 2 个、法语 1 个。音色列表本身提醒，由于音素转换较弱、训练数据较少，英语之外的语言支持可能比较薄弱；普通话音色在列表中的评级都是 D，日语为 C+ 到 C-。

Supertonic 3 支持 31 种语言，包括俄语、德语、韩语、波兰语、乌克兰语和土耳其语，这些 Kokoro 都没有；但 Supertonic 3 目前不支持中文。如果您需要中文语音合成，Kokoro 至少有普通话音色，而 Supertonic 3 没有。

预设音色，还是自己的音色

Kokoro 自带预设音色。模型卡注明编码器没有公开，官方包也没有把您的录音变成新音色的功能。

SuperClonica 的核心是定制音色。目录里是独立作者制作的 Supertonic 3 音色，每个都有试听和美元标价，部分免费。没有合适的，可以按参考录音定制：预算冻结在您的余额中，直到您接受结果。也可以自己免费训练：一段 5 到 10 秒的干净录音，在您自己的 NVIDIA 显卡上训练。无论哪种方式，得到的都是一个可离线运行的 JSON 文件。

在普通 CPU 上的速度

我们没有实测 Kokoro，所以这里不给出它的速度数据。它的参数量 8200 万，比 Supertonic 3 略小，建议在您自己的硬件上用自己的文本测试。

SuperClonica 按我们的估算，在 8 核台式机 CPU 上是实时速度的 6.4–9.7 倍，一句 10 秒的话约 1.0–1.6 秒生成。引擎在 CPU 上平均比 Supertonic 3 标准客户端快 61%，会把长文本切成短段落合成，减少重复和吞字，而且无需转换即可读取同样的音色文件。

什么时候选 Kokoro 更好

如果您需要 Kokoro 没有的语言、预设之外的音色，或者用自己的录音训练出的音色，SuperClonica 更合适。以下情况 Kokoro 更合理：

• 需要免费的小型英语 TTS 模型，预设音色就够用。
• 需要中文普通话，而 Supertonic 3 目前不支持中文。
• 希望许可证尽可能宽松：Apache 2.0 不像 OpenRAIL-M 那样列出禁止用途。
• 应用要在浏览器里合成语音，而 kokoro-js 正好适合您的技术栈。