Kokoro vs Pocket TTS: ¿qué modelo TTS abierto diminuto deberías usar?

Kokoro ofrece 54 voces fijas en 8 idiomas bajo Apache 2.0; Pocket TTS clona una voz a partir de 5 segundos de audio en 6 idiomas bajo CC BY 4.0. Ambos corren en CPU.

  • Actualización

Veredicto. Elige según si necesitas clonar voces. Kokoro (82M, 327 MB) tiene 54 voces fijas en ocho idiomas, sin clonación y con una licencia Apache 2.0 sin condiciones, y es con diferencia el modelo de voz más descargado de este sitio, pero su autor es un desarrollador independiente que no ha lanzado un modelo nuevo desde febrero de 2025. Pocket TTS (100M) clona una voz a partir de unos cinco segundos de audio en seis idiomas y ha seguido mejorando, con modelos de inglés mucho más pequeños publicados en octubre de 2026. Sus pesos figuran como CC BY 4.0 detrás de una verificación de usos prohibidos, mientras que el artículo de lanzamiento dice MIT, y cada voz preestablecida tiene su propia licencia. En las pruebas de Kyutai, Pocket TTS tuvo la tasa de error de palabras más baja (1,84 %), pero su similitud con el hablante quedó por detrás de los demás modelos de clonación de voz y su calidad de audio por detrás de Chatterbox Turbo. Kyutai informa que ambos corren más rápido que el tiempo real en la CPU de un portátil.

Especificaciones

Especificaciones KokoroPocket TTS
DesarrolladorhexgradKyutai
Lanzamiento27 de enero de 202513 de enero de 2026
Parámetros totales82M (Kokoro-82M v1.0)100M (Pocket TTS 100M (six languages))
Parámetros activosTodosTodos
ArquitecturaOtraOtra
Ventana de contexto––
EntradaTextoTexto, Audio
Licencia Apache 2.0 (Permisiva) CC BY 4.0 (Permisiva)
Memoria de la variante más pequeña (4 bits)0.38 GB (Kokoro-82M v1.0)0.127 GB (Pocket TTS 18M (English only))

Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.

Elige Kokoro si

  • Quieres una licencia Apache 2.0 sin condiciones ni verificación de acceso, y las voces fijas te bastan.
  • Necesitas japonés, chino mandarín o hindi, que Pocket TTS no lista y Kokoro cubre con voces listas para usar.
  • Quieres el modelo de uso comunitario más amplio: unos 12,5 millones de descargas en los 30 días hasta el 11 de noviembre de 2026.
  • Quieres un checkpoint pequeño de 327 MB.

Elige Pocket TTS si

  • Quieres clonar una voz a partir de unos cinco segundos de audio, con el consentimiento del hablante.
  • Necesitas alemán o neerlandés, que Kokoro no cubre.
  • Quieres un proyecto que sigue en desarrollo: Kyutai añadió modelos por idioma, código de entrenamiento y modelos de inglés diminutos durante 2026.
  • Quieres un modelo de inglés aún más pequeño: la versión 18.2M de Kyutai corre a 9,9 veces el tiempo real en un hilo de CPU, según su propia medición.

Kokoro · Pocket TTS