Kokoro vs Pocket TTS: qual mini modelo TTS aberto você deve usar?

Kokoro tem 54 vozes fixas em 8 idiomas sob Apache 2.0; Pocket TTS clona uma voz a partir de 5 segundos de áudio em 6 idiomas sob CC BY 4.0. Ambos rodam em CPU.

  • Atualizado

Veredito. Escolha conforme você precise clonar vozes. Kokoro (82M, 327 MB) tem 54 vozes fixas em oito idiomas, sem clonagem e com uma licença Apache 2.0 simples, e é de longe o modelo de voz mais baixado deste site, mas o autor é um desenvolvedor independente que não lançou um modelo novo desde fevereiro de 2025. Pocket TTS (100M) clona uma voz a partir de cerca de cinco segundos de áudio em seis idiomas e continuou melhorando, com modelos de inglês muito menores publicados em outubro de 2026. Seus pesos estão listados como CC BY 4.0 atrás de uma verificação de usos proibidos, enquanto o post de lançamento diz MIT, e cada voz predefinida tem sua própria licença. Nos testes da Kyutai, o Pocket TTS teve a menor taxa de erro de palavras (1,84%), mas sua similaridade com o falante ficou atrás dos outros modelos de clonagem de voz e sua qualidade de áudio ficou atrás do Chatterbox Turbo. A Kyutai informa que ambos rodam mais rápido que o tempo real na CPU de um notebook.

Especificações

Especificações KokoroPocket TTS
DesenvolvedorhexgradKyutai
Lançamento27 de janeiro de 202513 de janeiro de 2026
Total de parâmetros82M (Kokoro-82M v1.0)100M (Pocket TTS 100M (six languages))
Parâmetros ativosTodosTodos
ArquiteturaOutraOutra
Janela de contexto––
EntradaTextoTexto, Áudio
Licença Apache 2.0 (Permissiva) CC BY 4.0 (Permissiva)
Memória para a menor variante (4 bits)0.38 GB (Kokoro-82M v1.0)0.127 GB (Pocket TTS 18M (English only))

As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.

Escolha Kokoro se

  • Você quer uma licença Apache 2.0 simples, sem verificação de acesso, e as vozes fixas bastam.
  • Você precisa de japonês, chinês mandarim ou híndi, que o Pocket TTS não lista e o Kokoro cobre com vozes prontas.
  • Você quer o modelo de uso comunitário mais amplo: cerca de 12,5 milhões de downloads nos 30 dias até 11 de novembro de 2026.
  • Você quer um checkpoint pequeno, de 327 MB.

Escolha Pocket TTS se

  • Você quer clonar uma voz a partir de cerca de cinco segundos de áudio, com o consentimento do falante.
  • Você precisa de alemão ou holandês, que o Kokoro não cobre.
  • Você quer um projeto ainda em desenvolvimento: a Kyutai adicionou modelos por idioma, código de treinamento e modelos de inglês minúsculos durante 2026.
  • Você quer um modelo de inglês ainda menor: a versão 18.2M da Kyutai roda a 9,9 vezes o tempo real em uma thread de CPU, segundo a própria medição.

Kokoro · Pocket TTS