Modelos de texto a voz diminutos que corren en una CPU: cuatro opciones abiertas comparadas
Kokoro, Pocket TTS, Phonon 31M y Supertonic 3: modelos abiertos de texto a voz de hasta 100M de parámetros para CPU. Compara tamaños, idiomas, clonación de voz y licencias.
Cuatro modelos abiertos de texto a voz de 100 millones de parámetros o menos ya corren en la CPU de un portátil normal: Kokoro, Pocket TTS, Phonon 31M y Supertonic 3. El Pocket TTS de Kyutai llegó en enero de 2026, el Supertonic 3 de Supertone en mayo y el Phonon de Gradium en octubre, mientras que Kokoro existe desde enero de 2025. Parecen iguales en la hoja de especificaciones y difieren en aspectos que deciden cuál puedes lanzar.
Los cuatro de un vistazo
| Modelo | Tamaño | Idiomas | Clonación de voz | Licencia de los pesos |
|---|---|---|---|---|
| Kokoro (hexgrad) | 82M, 327 MB | 8, con 54 voces | No | Apache 2.0 |
| Pocket TTS (Kyutai) | 100M, 0.22 GB | 6, más neerlandés en el README | Sí, desde unos 5 segundos | CC BY 4.0 tras una puerta de usos prohibidos |
| Phonon 31M (Gradium) | 31M, 64.5 MB | Solo inglés | No, solo API | Apache 2.0 |
| Supertonic 3 (Supertone) | 99M, unos 400 MB | 31, sin chino | No, 10 voces predefinidas | OpenRAIL-M |
Velocidad y calidad son autodeclaradas
Cada número de abajo proviene del desarrollador de ese modelo, ejecutado en hardware y conjuntos de prueba distintos. Kyutai reporta que Pocket TTS corre unas seis veces más rápido que el tiempo real en un MacBook Air M4 con dos núcleos de CPU, y que él y Kokoro fueron los únicos modelos de su comparativa de portátiles más rápidos que el tiempo real en una CPU. La actualización de octubre añade modelos de inglés de 18.2M y 1.9M de parámetros, que corren a 9,9 y 25 veces el tiempo real en un hilo de CPU. Gradium dice que Phonon 31M empieza a hablar en unos 7 ms en una CPU de portátil. Supertone dice que Supertonic 3 corre rápido en CPU incluso comparado con modelos mayores medidos en una A100.
Las afirmaciones de calidad tampoco coinciden. En la prueba de inglés de Gradium, Phonon 31M puntúa un Elo de 2.098 frente a 2.043 de Kokoro. En las pruebas de Kyutai, Pocket TTS tiene la tasa de error de palabra más baja, 1,84 %, pero va por detrás de Chatterbox Turbo en calidad de audio y tiene la similitud de hablante más baja de los cuatro modelos con clonación. Escucha tu propio texto antes de elegir.
Las licencias deciden más que el tamaño
Solo Kokoro y Phonon 31M usan Apache 2.0 pura para sus pesos. Pocket TTS aparece como CC BY 4.0 en Hugging Face tras un aviso que prohíbe la suplantación, el engaño y el contenido ilícito, mientras que el post de lanzamiento de Kyutai dice MIT, así que revisa el repositorio del que descargues. Cada voz predefinida tiene su propia licencia, y un repositorio hermano sin la función de clonación no está restringido. Supertonic 3 usa OpenRAIL-M, una licencia OpenRAIL que permite el uso comercial pero exige que cada copia y derivado lleve su lista de usos prohibidos. Los modelos mayores de 40M de Phonon son CC BY-NC y no son libres para uso comercial.
A qué renuncias
Los modelos pequeños renuncian a control. Las voces de Kokoro son fijas, la mayoría funciona mejor con textos de unos 100 a 200 tokens, y el texto largo conviene dividirlo en fragmentos. Pocket TTS no puede insertar pausas con silencio en el texto, y el uso de GPU no está oficialmente soportado. Phonon 31M divide la entrada larga en frases, así que la entonación no atraviesa todo el texto, y lee otros idiomas con pronunciación inglesa. Supertonic 3 tiene diez voces predefinidas, y la clonación se ofrecía solo a través de los servicios alojados de Supertone. Si necesitas narración larga o muchas voces personalizadas, un modelo mayor en GPU encaja mejor.
Cuál elegir
- El archivo más pequeño, en inglés: Phonon 31M pesa 64.5 MB, tiene 37 voces y un runtime para Python, Rust, C y C++, Swift, Android y el navegador.
- Clonación de voz en CPU: Pocket TTS clona una voz en seis idiomas, pero lee primero la puerta y las licencias de las voces.
- El más usado: Kokoro tuvo unos 12,5 millones de descargas en los 30 días hasta el 11 de noviembre de 2026, con el surtido más amplio de voces listas. No puede clonar una voz, y su última publicación de modelo fue en febrero de 2025.
- Muchos idiomas, incluidos coreano, japonés y árabe: Supertonic 3, pero Supertone archivó el proyecto en septiembre de 2026, así que no esperes correcciones.
- Un modelo mayor que aún corre en local: ZONOS3-Mini tiene 800M de parámetros pero solo unos 100M activos, clona voces en 43 idiomas y, según Zyphra, corre en tiempo real en portátiles, teléfonos y en un navegador. Es Apache 2.0 y salió el 9 de noviembre de 2026, así que tiene poco historial.
- Dos opciones de CPU fuera de esta comparativa: MOSS-TTS-Nano de OpenMOSS tiene unos 100M de parámetros, clona voces, lista unos 20 idiomas y escribe estéreo a 48 kHz, y OpenMOSS dice que su versión ONNX corrió sin problemas en un núcleo de un MacBook Air M4. VieNeu-TTS v3 es un modelo de 131M para vietnamita e inglés con 23 voces y clonación, y su ficha sitúa el primer audio en unos 300 ms en CPU en fp32. Ambos son Apache 2.0, y ninguno de los dos proyectos publica un benchmark de calidad para su modelo de voz.
La lista de los mejores modelos de texto a voz de código abierto también ordena las opciones mayores, y cómo elegir un modelo de texto a voz recorre la decisión. La clonación de voz explica las reglas de consentimiento a las que se refieren estas licencias.
Fuentes
- Kokoro-82M model card (Hugging Face) huggingface.co
- Pocket TTS: a high-quality TTS with voice cloning that runs on CPU (Kyutai, 13 Jan 2026) kyutai.org
- The tiny TTS was actually 10x too big (Kyutai, 20 Oct 2026) kyutai.org
- Pocket TTS model card and prohibited-use notice (Hugging Face) huggingface.co
- Phonon 31M English model card (Hugging Face) huggingface.co
- Open-Sourcing Phonon, a suite of frontier on-device TTS models (Gradium) gradium.ai
- ZONOS3-Mini (Zyphra blog, 9 Nov 2026) zyphra.com
- Supertonic 3 model card (Hugging Face) huggingface.co
- Supertonic repository, archived on 9 Sep 2026 (GitHub) github.com
- MOSS-TTS-Nano repository (GitHub) github.com
- VieNeu-TTS v3 Turbo model card (Hugging Face) huggingface.co
Modelos en esta noticia
| Modelo | Lanzamiento | Parámetros | Contexto | Licencia | Necesario para la variante más pequeña |
|---|---|---|---|---|---|
| Kokoro EN hexgrad | 82M | – | Apache 2.0 (Permisiva) | 0.38 GB Portátil o móvil | |
| Pocket TTS EN Kyutai | 18M – 100M | – | CC BY 4.0 (Permisiva) | 0.127 GB Portátil o móvil | |
| Phonon 31M EN Gradium | 31M | – | Apache 2.0 (Permisiva) | 0.0747 GB Portátil o móvil | |
| Supertonic 3 EN Supertone | 99M | – | OpenRAIL-M (Condicional) | 0.46 GB Portátil o móvil | |
| ZONOS3-Mini EN Zyphra | 800M 100M activos | – | Apache 2.0 (Permisiva) | 10 GB Portátil o móvil | |
| MOSS-TTS-Nano EN OpenMOSS | 100M | – | Apache 2.0 (Permisiva) | 0.276 GB Portátil o móvil | |
| VieNeu-TTS v3 EN Phạm Nguyễn Ngọc Bảo (VieNeu-TTS) | 48M – 131M | – | Apache 2.0 (Permisiva) | 0.322 GB Portátil o móvil |