Modelos de texto para fala minúsculos que rodam numa CPU: quatro opções abertas comparadas
Kokoro, Pocket TTS, Phonon 31M e Supertonic 3: modelos abertos de texto para fala com até 100M de parâmetros para CPU. Compare tamanhos, idiomas, clonagem de voz e licenças.
Quatro modelos abertos de texto para fala com 100 milhões de parâmetros ou menos agora rodam na CPU de um notebook comum: Kokoro, Pocket TTS, Phonon 31M e Supertonic 3. O Pocket TTS da Kyutai chegou em janeiro de 2026, o Supertonic 3 da Supertone em maio e o Phonon da Gradium em outubro, enquanto o Kokoro existe desde janeiro de 2025. Parecem iguais na ficha técnica e diferem em pontos que decidem qual você pode lançar.
Os quatro num relance
| Modelo | Tamanho | Idiomas | Clonagem de voz | Licença dos pesos |
|---|---|---|---|---|
| Kokoro (hexgrad) | 82M, 327 MB | 8, com 54 vozes | Não | Apache 2.0 |
| Pocket TTS (Kyutai) | 100M, 0.22 GB | 6, mais holandês no README | Sim, a partir de uns 5 segundos | CC BY 4.0 atrás de um portão de usos proibidos |
| Phonon 31M (Gradium) | 31M, 64.5 MB | Só inglês | Não, só API | Apache 2.0 |
| Supertonic 3 (Supertone) | 99M, cerca de 400 MB | 31, sem chinês | Não, 10 vozes predefinidas | OpenRAIL-M |
Velocidade e qualidade são autodeclaradas
Cada número abaixo vem do desenvolvedor do próprio modelo, medido em hardware e conjuntos de teste diferentes. A Kyutai reporta que o Pocket TTS roda cerca de seis vezes mais rápido que o tempo real num MacBook Air M4 com dois núcleos de CPU, e que ele e o Kokoro foram os únicos modelos da sua comparação de notebooks mais rápidos que o tempo real numa CPU. A atualização de outubro adiciona modelos de inglês de 18,2M e 1,9M de parâmetros, rodando a 9,9 e 25 vezes o tempo real numa thread de CPU. A Gradium diz que o Phonon 31M começa a falar em cerca de 7 ms numa CPU de notebook. A Supertone diz que o Supertonic 3 roda rápido em CPU até comparado com modelos maiores medidos numa A100.
As afirmações de qualidade também não se alinham. No teste de inglês da Gradium, o Phonon 31M pontua um Elo de 2.098 contra 2.043 do Kokoro. Nos testes da Kyutai, o Pocket TTS tem a menor taxa de erro de palavra, 1,84%, mas fica atrás do Chatterbox Turbo em qualidade de áudio e tem a menor similaridade de falante dos quatro modelos com clonagem. Ouça seu próprio texto antes de escolher.
As licenças decidem mais que o tamanho
Só o Kokoro e o Phonon 31M usam Apache 2.0 simples para seus pesos. O Pocket TTS aparece como CC BY 4.0 no Hugging Face atrás de um aviso que proíbe personificação, engano e conteúdo ilícito, enquanto o post de lançamento da Kyutai diz MIT — então confira o repositório de onde você baixa. Cada voz predefinida tem sua própria licença, e um repositório irmão sem a função de clonagem não é restrito. O Supertonic 3 usa OpenRAIL-M, uma licença OpenRAIL que permite uso comercial mas exige que toda cópia e derivado carregue sua lista de usos proibidos. Os modelos maiores de 40M do Phonon são CC BY-NC e não são livres para uso comercial.
O que você abre mão
Modelos pequenos abrem mão de controle. As vozes do Kokoro são fixas, a maioria funciona melhor em textos de cerca de 100 a 200 tokens, e texto longo deve ser dividido em blocos. O Pocket TTS não consegue inserir pausas com silêncio no texto, e o uso de GPU não tem suporte oficial. O Phonon 31M divide entradas longas em frases, então a entonação não atravessa o texto inteiro, e lê outros idiomas com pronúncia inglesa. O Supertonic 3 tem dez vozes predefinidas, e a clonagem era oferecida só pelos serviços hospedados da Supertone. Se você precisa de narração longa ou muitas vozes personalizadas, um modelo maior numa GPU é o encaixe melhor.
Qual escolher
- O menor arquivo, em inglês: o Phonon 31M tem 64.5 MB, 37 vozes e um runtime para Python, Rust, C e C++, Swift, Android e navegador.
- Clonagem de voz na CPU: o Pocket TTS clona uma voz em seis idiomas, mas leia primeiro o portão e as licenças das vozes.
- O mais usado: o Kokoro teve cerca de 12,5 milhões de downloads nos 30 dias até 11 de novembro de 2026, com o maior sortimento de vozes prontas. Não clona vozes, e seu último lançamento de modelo foi em fevereiro de 2025.
- Muitos idiomas, incluindo coreano, japonês e árabe: Supertonic 3, mas a Supertone arquivou o projeto em setembro de 2026, então não espere correções.
- Um modelo maior que ainda roda localmente: o ZONOS3-Mini tem 800M de parâmetros mas só uns 100M ativos, clona vozes em 43 idiomas e, segundo a Zyphra, roda em tempo real em notebooks, celulares e num navegador. É Apache 2.0 e foi lançado em 9 de novembro de 2026, então tem pouco histórico.
- Duas opções de CPU fora desta comparação: o MOSS-TTS-Nano da OpenMOSS tem cerca de 100M de parâmetros, clona vozes, lista cerca de 20 idiomas e grava estéreo a 48 kHz, e a OpenMOSS diz que a versão ONNX rodou lisa num núcleo de um MacBook Air M4. O VieNeu-TTS v3 é um modelo de 131M para vietnamita e inglês com 23 vozes e clonagem, e seu card coloca o primeiro áudio a uns 300 ms numa CPU em fp32. Ambos são Apache 2.0, e nenhum projeto publica um benchmark de qualidade para seu modelo de fala.
A lista dos melhores modelos de texto para fala de código aberto também ranqueia as opções maiores, e como escolher um modelo de texto para fala percorre a decisão. Clonagem de voz explica as regras de consentimento a que essas licenças se referem.
Fontes
- 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 nesta história
| Modelo | Lançamento | Parâmetros | Contexto | Licença | Memória da menor variante |
|---|---|---|---|---|---|
| Kokoro EN hexgrad | 82M | – | Apache 2.0 (Permissiva) | 0.38 GB Notebook ou celular | |
| Pocket TTS EN Kyutai | 18M – 100M | – | CC BY 4.0 (Permissiva) | 0.127 GB Notebook ou celular | |
| Phonon 31M EN Gradium | 31M | – | Apache 2.0 (Permissiva) | 0.0747 GB Notebook ou celular | |
| Supertonic 3 EN Supertone | 99M | – | OpenRAIL-M (Condicional) | 0.46 GB Notebook ou celular | |
| ZONOS3-Mini EN Zyphra | 800M 100M ativos | – | Apache 2.0 (Permissiva) | 10 GB Notebook ou celular | |
| MOSS-TTS-Nano EN OpenMOSS | 100M | – | Apache 2.0 (Permissiva) | 0.276 GB Notebook ou celular | |
| VieNeu-TTS v3 EN Phạm Nguyễn Ngọc Bảo (VieNeu-TTS) | 48M – 131M | – | Apache 2.0 (Permissiva) | 0.322 GB Notebook ou celular |