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.

  • Análise
  • 4 min de leitura
  • Publicado

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

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