Крошечные модели синтеза речи, работающие на CPU: сравнение четырёх открытых вариантов
Kokoro, Pocket TTS, Phonon 31M и Supertonic 3 — открытые модели синтеза речи до 100M параметров, работающие на CPU ноутбука. Сравниваем размер, языки, клонирование голоса и лицензии.
Четыре открытые модели синтеза речи параметрами до 100 млн теперь работают на обычном процессоре ноутбука: Kokoro, Pocket TTS, Phonon 31M и Supertonic 3. Pocket TTS от Kyutai появился в январе 2026 года, Supertonic 3 от Supertone — в мае, Phonon от Gradium — в октябре, а Kokoro существует с января 2025 года. На листе характеристик они похожи, но различаются в том, что решает, какую из них можно довести до продукта.
Четыре модели беглым взглядом
| Модель | Размер | Языки | Клонирование голоса | Лицензия весов |
|---|---|---|---|---|
| Kokoro (hexgrad) | 82M, 327 МБ | 8, с 54 голосами | Нет | Apache 2.0 |
| Pocket TTS (Kyutai) | 100M, 0.22 ГБ | 6, плюс нидерландский в README | Да, примерно с 5 секунд | CC BY 4.0 за шлагбаумом запрещённых применений |
| Phonon 31M (Gradium) | 31M, 64.5 МБ | только английский | Нет, только API | Apache 2.0 |
| Supertonic 3 (Supertone) | 99M, около 400 МБ | 31, без китайского | Нет, 10 предустановленных голосов | OpenRAIL-M |
Скорость и качество — самосообщённые
Каждая цифра ниже — от разработчика соответствующей модели, на разном железе и разных тестовых наборах. Kyutai сообщает, что Pocket TTS работает примерно в шесть раз быстрее реального времени на MacBook Air M4 с двумя ядрами CPU, и что он и Kokoro были единственными моделями в её сравнении ноутбуков быстрее реального времени на CPU. Октябрьское обновление добавило английские модели на 18,2M и 1,9M параметров, работающие в 9,9 и 25 раз быстрее реального времени на одном потоке CPU. Gradium говорит, что Phonon 31M начинает говорить примерно через 7 мс на CPU ноутбука. Supertone говорит, что Supertonic 3 быстро работает на CPU даже в сравнении с более крупными моделями, измеренными на A100.
Заявления о качестве тоже не совпадают. В английском тесте Gradium Phonon 31M набирает Elo 2 098 против 2 043 у Kokoro. В тестах Kyutai у Pocket TTS самая низкая частота ошибок в словах — 1,84 %, но он уступает Chatterbox Turbo по качеству звука и имеет наименьшее сходство с говорящим среди четырёх клонирующих моделей. Прослушайте собственный текст, прежде чем выбирать.
Лицензии решают больше, чем размер
Только Kokoro и Phonon 31M используют чистый Apache 2.0 для своих весов. Pocket TTS на Hugging Face указан как CC BY 4.0 за уведомлением, запрещающим выдачу себя за другого, обман и противоправный контент, тогда как пост о запуске от Kyutai говорит MIT — проверяйте репозиторий, откуда скачиваете. У каждого предустановленного голоса своя лицензия, а сестринский репозиторий без функции клонирования не закрыт шлагбаумом. Supertonic 3 использует OpenRAIL-M — лицензию OpenRAIL, которая разрешает коммерческое использование, но требует, чтобы каждая копия и производная носила её список запрещённых применений. Более крупные модели Phonon на 40M — CC BY-NC и не свободны для коммерческого использования.
Чем вы жертвуете
Малые модели жертвуют управляемостью. Голоса Kokoro фиксированы, большинство из них лучше всего работают на тексте примерно в 100–200 токенов, а длинный текст стоит разбивать на куски. Pocket TTS не умеет вставлять паузы через тишину в тексте, а использование GPU официально не поддерживается. Phonon 31M делит длинный ввод на предложения, интонация не тянется через весь текст, и он читает другие языки английским произношением. У Supertonic 3 десять предустановленных голосов, а клонирование предлагалось только через хостинговые сервисы Supertone. Если вам нужен длинный нарратив или много кастомных голосов, лучше подойдёт более крупная модель на GPU.
Что выбрать
- Самый маленький файл, на английском: Phonon 31M — 64.5 МБ, 37 голосов и рантаймы для Python, Rust, C и C++, Swift, Android и браузера.
- Клонирование голоса на CPU: Pocket TTS клонирует голос на шести языках, но сначала прочтите шлагбаум и лицензии голосов.
- Самый распространённый: у Kokoro около 12,5 млн загрузок за 30 дней к 11 ноября 2026 года и самый широкий набор готовых голосов. Клонировать голос он не умеет, последний выпуск модели — февраль 2025 года.
- Много языков, включая корейский, японский и арабский: Supertonic 3, но Supertone архивировала проект в сентябре 2026 года — исправлений не ждите.
- Более крупная модель, которая всё ещё работает локально: ZONOS3-Mini имеет 800 млн параметров, но лишь около 100 млн активных, клонирует голоса на 43 языках и, по словам Zyphra, работает в реальном времени на ноутбуках, телефонах и в браузере. Это Apache 2.0, выпущена 9 ноября 2026 года —track record пока небольшой.
- Ещё два CPU-варианта вне этого сравнения: MOSS-TTS-Nano от OpenMOSS имеет около 100 млн параметров, клонирует голоса, перечисляет около 20 языков и пишет стерео 48 кГц; по словам OpenMOSS, его ONNX-версия плавно работала на одном ядре MacBook Air M4. VieNeu-TTS v3 — модель на 131M для вьетнамского и английского с 23 голосами и клонированием; в её карточке первый звук через примерно 300 мс на CPU в fp32. Обе — Apache 2.0, и ни один из проектов не публикует бенчмарк качества своей речевой модели.
Список лучших открытых моделей синтеза речи ранжирует и более крупные варианты, а как выбрать модель синтеза речи проводит через решение. Клонирование голоса объясняет правила согласия, на которые ссылаются эти лицензии.
Источники
- 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
Модели в этом материале
| Модель | Дата выпуска | Параметры | Контекст | Лицензия | Память минимального варианта |
|---|---|---|---|---|---|
| Kokoro EN hexgrad | 82M | – | Apache 2.0 (Пермиссивная) | 0.38 GB Ноутбук или телефон | |
| Pocket TTS EN Kyutai | 18M – 100M | – | CC BY 4.0 (Пермиссивная) | 0.127 GB Ноутбук или телефон | |
| Phonon 31M EN Gradium | 31M | – | Apache 2.0 (Пермиссивная) | 0.0747 GB Ноутбук или телефон | |
| Supertonic 3 EN Supertone | 99M | – | OpenRAIL-M (С условиями) | 0.46 GB Ноутбук или телефон | |
| ZONOS3-Mini EN Zyphra | 800M 100M активных | – | Apache 2.0 (Пермиссивная) | 10 GB Ноутбук или телефон | |
| MOSS-TTS-Nano EN OpenMOSS | 100M | – | Apache 2.0 (Пермиссивная) | 0.276 GB Ноутбук или телефон | |
| VieNeu-TTS v3 EN Phạm Nguyễn Ngọc Bảo (VieNeu-TTS) | 48M – 131M | – | Apache 2.0 (Пермиссивная) | 0.322 GB Ноутбук или телефон |