Kokoro vs. Pocket TTS: Welches winzige offene TTS-Modell sollten Sie nutzen?
Kokoro bietet 54 feste Stimmen in 8 Sprachen unter Apache 2.0; Pocket TTS klont eine Stimme aus 5 Sekunden Audio in 6 Sprachen unter CC BY 4.0. Beide laufen auf einer CPU.
Fazit. Wählen Sie danach, ob Sie Voice-Cloning brauchen. Kokoro (82M, 327 MB) hat 54 feste Stimmen in acht Sprachen, kein Cloning und eine schlichte Apache-2.0-Lizenz, und ist mit Abstand das am häufigsten heruntergeladene Sprachmodell auf dieser Website — aber der Autor ist ein unabhängiger Entwickler, der seit Februar 2025 kein neues Modell veröffentlicht hat. Pocket TTS (100M) klont eine Stimme aus rund fünf Sekunden Audio in sechs Sprachen und wurde weiterentwickelt; im Oktober 2026 erschienen deutlich kleinere Englisch-Modelle. Seine Gewichte sind hinter einer Bestätigung verbotener Nutzungen als CC BY 4.0 gelistet, während der Launch-Beitrag MIT sagt, und jede Preset-Stimme hat ihre eigene Lizenz. In Kyutais Tests hatte Pocket TTS die niedrigste Wortfehlerrate (1,84 %), aber seine Sprecher-Ähnlichkeit blieb hinter den anderen Voice-Cloning-Modellen und seine Audioqualität hinter Chatterbox Turbo zurück. Kyutai berichtet, dass beide auf einer Laptop-CPU schneller als Echtzeit laufen.
Spezifikationen
| Spezifikationen | Kokoro | Pocket TTS |
|---|---|---|
| Entwickler | hexgrad | Kyutai |
| Erscheinungsdatum | 27. Januar 2025 | 13. Januar 2026 |
| Parameter insgesamt | 82M (Kokoro-82M v1.0) | 100M (Pocket TTS 100M (six languages)) |
| Aktive Parameter | Alle | Alle |
| Architektur | Sonstige | Sonstige |
| Kontextfenster | – | – |
| Eingabe | Text | Text, Audio |
| Lizenz | Apache 2.0 (Permissiv) | CC BY 4.0 (Permissiv) |
| Speicher für die kleinste Variante (4 Bit) | 0.38 GB (Kokoro-82M v1.0) | 0.127 GB (Pocket TTS 18M (English only)) |
Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.
Wählen Sie Kokoro, wenn
- Sie wollen eine schlichte Apache-2.0-Lizenz ohne Zugangssperre, und feste Stimmen reichen.
- Sie brauchen Japanisch, Chinesisch (Mandarin) oder Hindi, die Pocket TTS nicht listet und die Kokoro mit fertigen Stimmen abdeckt.
- Sie wollen das Modell mit der breitesten Community-Nutzung: rund 12,5 Millionen Downloads in den 30 Tagen bis zum 11. November 2026.
- Sie wollen einen kleinen 327-MB-Checkpoint.
Wählen Sie Pocket TTS, wenn
- Sie wollen eine Stimme aus rund fünf Sekunden Audio klonen, mit Einverständnis des Sprechers.
- Sie brauchen Deutsch oder Niederländisch, die Kokoro nicht abdeckt.
- Sie wollen ein Projekt, das weiterentwickelt wird: Kyutai fügte 2026 Modelle je Sprache, Trainingscode und winzige Englisch-Modelle hinzu.
- Sie wollen ein noch kleineres Englisch-Modell: Kyutais 18.2M-Version läuft nach eigener Messung mit 9,9-facher Echtzeit auf einem CPU-Thread.