Kokoro 与 Pocket TTS 对比:该用哪个微型开源文字转语音模型?
Kokoro 有 8 种语言的 54 个固定音色,采用 Apache 2.0;Pocket TTS 用 5 秒音频就能克隆声音,支持 6 种语言,采用 CC BY 4.0。两者都能在 CPU 上运行。
结论. 先看你是否需要声音克隆。Kokoro(82M,327 MB)有 8 种语言的 54 个固定音色,不支持克隆,许可证是朴素的 Apache 2.0,也是本站下载量最高的语音模型,但它的作者是独立开发者,自 2025 年 2 月以来没有发布新模型。Pocket TTS(100M)用约 5 秒的音频就能克隆声音,支持六种语言,而且一直在改进:2026 年 10 月发布了小得多的英语模型。它的权重标注为 CC BY 4.0 并设有禁止用途声明,而发布文章说采用 MIT,每个预设音色也有自己的许可证。在 Kyutai 的测试中,Pocket TTS 的词错误率最低(1.84%),但说话人相似度落后于其他声音克隆模型,音频质量落后于 Chatterbox Turbo。据 Kyutai 报告,两者在笔记本 CPU 上都比实时更快。
规格
| 规格 | Kokoro | Pocket TTS |
|---|---|---|
| 开发方 | hexgrad | Kyutai |
| 发布时间 | 2025年1月27日 | 2026年1月13日 |
| 总参数量 | 82M (Kokoro-82M v1.0) | 100M (Pocket TTS 100M (six languages)) |
| 激活参数量 | 全部 | 全部 |
| 架构 | 其他 | 其他 |
| 上下文窗口 | – | – |
| 输入 | 文本 | 文本, 音频 |
| 许可证 | Apache 2.0 (宽松) | CC BY 4.0 (宽松) |
| 最小版本所需内存(4 位) | 0.38 GB (Kokoro-82M v1.0) | 0.127 GB (Pocket TTS 18M (English only)) |
性能数据来自开发方,未经独立验证。
选 Kokoro 的情况
- 你想要没有访问声明的朴素 Apache 2.0 许可证,固定音色就够用。
- 你需要日语、普通话或印地语,Pocket TTS 没有列出这几种语言,而 Kokoro 有现成的音色。
- 你想要社区使用最广的模型:截至 2026 年 11 月 11 日的 30 天内约有 1250 万次下载。
- 你想要只有 327 MB 的小检查点。
选 Pocket TTS 的情况
- 你想在获得说话人同意的前提下,用约 5 秒的音频克隆声音。
- 你需要德语或荷兰语,Kokoro 没有覆盖。
- 你想要仍在开发的项目:Kyutai 在 2026 年加入了分语言模型、训练代码和小型英语模型。
- 你想要更小的英语模型:按 Kyutai 自己的测量,它的 18.2M 版本在单个 CPU 线程上达到实时的 9.9 倍。