Kokoro против Pocket TTS: какую крошечную открытую TTS-модель использовать?
Kokoro — 54 фиксированных голоса на 8 языках под Apache 2.0; Pocket TTS клонирует голос по 5 секундам аудио на 6 языках под CC BY 4.0. Оба работают на CPU.
Вердикт. Выбирайте в зависимости от того, нужно ли клонирование голоса. Kokoro (82M, 327 МБ) — 54 фиксированных голоса на восьми языках, без клонирования и с простой лицензией Apache 2.0, и это с большим отрывом самая скачиваемая модель речи на этом сайте, но её автор — независимый разработчик, не выпускавший новых моделей с февраля 2025 года. Pocket TTS (100M) клонирует голос примерно по пяти секундам аудио на шести языках и продолжал улучшаться, выпустив в октябре 2026 года гораздо меньшие модели для английского. Его веса значатся как CC BY 4.0 за согласием о запрещённых применениях, тогда как в анонсе сказано MIT, и у каждого предустановленного голоса своя лицензия. В тестах Kyutai у Pocket TTS был самый низкий уровень ошибок по словам (1,84%), но сходство с диктором уступало другим моделям клонирования голоса, а качество звука — Chatterbox Turbo. По данным Kyutai, обе работают быстрее реального времени на CPU ноутбука.
Характеристики
| Характеристики | Kokoro | Pocket TTS |
|---|---|---|
| Разработчик | hexgrad | Kyutai |
| Дата выпуска | 27 января 2025 г. | 13 января 2026 г. |
| Всего параметров | 82M (Kokoro-82M v1.0) | 100M (Pocket TTS 100M (six languages)) |
| Активные параметры | Все | Все |
| Архитектура | Другое | Другое |
| Контекстное окно | – | – |
| Вход | Текст | Текст, Аудио |
| Лицензия | Apache 2.0 (Пермиссивная) | CC BY 4.0 (Пермиссивная) |
| Память для минимального варианта (4 бита) | 0.38 GB (Kokoro-82M v1.0) | 0.127 GB (Pocket TTS 18M (English only)) |
Заявления о производительности поступают от разработчика и не проверялись независимо.
Выбирайте Kokoro, если
- Вам нужна простая лицензия Apache 2.0 без согласия на доступ, и фиксированных голосов достаточно.
- Вам нужны японский, китайский (путунхуа) или хинди — Pocket TTS их не перечисляет, а Kokoro покрывает готовыми голосами.
- Вам нужна модель с самым широким сообществом: около 12,5 миллиона загрузок за 30 дней до 11 ноября 2026 года.
- Вам хватит небольшого чекпоинта на 327 МБ.
Выбирайте Pocket TTS, если
- Вы хотите клонировать голос примерно по пяти секундам аудио, с согласия диктора.
- Вам нужны немецкий или нидерландский, которых Kokoro не покрывает.
- Вам нужен проект, который продолжают развивать: в 2026 году Kyutai добавил модели по языкам, код обучения и крошечные модели для английского.
- Вам нужна ещё меньшая модель для английского: версия 18.2M от Kyutai, по его собственным измерениям, работает в 9,9 раза быстрее реального времени на одном потоке CPU.