Kokoro TTS

Ejecuta Kokoro TTS — un modelo de texto a voz ultraligero de 82M parámetros en las GPU de Clore.ai.

Kokoro es un modelo de texto a voz de 82 millones de parámetros que rinde mucho más de lo que su categoría sugiere. A pesar de su tamaño diminuto (menos de 2 GB de VRAM), produce un habla en inglés notablemente natural y se ejecuta a velocidades en tiempo real o superiores incluso en hardware económico. Con licencia Apache 2.0, múltiples estilos de voz incorporados y soporte de inferencia en CPU, Kokoro es ideal para aplicaciones en tiempo real, chatbots y despliegues en el edge.

HuggingFace: hexgrad/Kokoro-82M PyPI: kokoro Licencia: Apache 2.0

Características clave

• 82M parámetros — uno de los modelos TTS de alta calidad más pequeños disponibles

• < 2 GB VRAM — se ejecuta en prácticamente cualquier GPU e incluso en CPU

• Múltiples estilos de voz — inglés americano, inglés británico; voces masculinas y femeninas

• En tiempo real o más rápido — inferencia de baja latencia adecuada para streaming

• Generación en streaming — produce fragmentos de audio a medida que se generan

• Soporte multilingüe — inglés (principal), japonés (misaki[ja]), chino (misaki[zh])

• Apache 2.0 — gratis para uso personal y comercial

Requisitos

Componente	Mínimo	Recomendado
GPU	Cualquiera con 2 GB VRAM	RTX 3060
VRAM	2 GB	4 GB
RAM	4 GB	8 GB
Disco	500 MB	1 GB
Python	3.9+	3.11
Sistema	espeak-ng instalado	—

Recomendación de Clore.ai: Una RTX 3060 (~$0.15–0.30/día) es más que suficiente. Kokoro incluso puede ejecutarse en instancias solo con CPU para TTS extremadamente rentable.

Instalación

# Instalar dependencia del sistema
apt-get install -y espeak-ng

# Instalar Kokoro y E/S de audio
pip install kokoro>=0.9.4 soundfile torch

# Para soporte de japonés (opcional)
pip install misaki[ja]

# Para soporte de chino (opcional)
pip install misaki[zh]

# Verificar
python -c "from kokoro import KPipeline; print('Kokoro listo')"

Inicio rápido

from kokoro import KPipeline
import soundfile as sf

# Inicializar pipeline
# 'a' = inglés americano, 'b' = inglés británico
pipeline = KPipeline(lang_code='a')

text = """
Kokoro es un modelo de texto a voz ligero con solo ochenta y dos millones
de parámetros. A pesar de su pequeño tamaño, produce un habla natural y expresiva.
"""

# Generar audio — opciones de voz: af_heart, af_bella, af_nicole, af_sarah, af_sky,
#                                  am_adam, am_michael, bf_emma, bf_isabella, bm_george, bm_lewis
generator = pipeline(text, voice='af_heart', speed=1.0)

for i, (graphemes, phonemes, audio) in enumerate(generator):
    sf.write(f'output_{i}.wav', audio, 24000)
    print(f"Fragmento {i}: {graphemes[:50]}...")

print("¡Hecho!")

Ejemplos de uso

Comparación de múltiples voces

Genera el mismo texto con diferentes voces para comparar:

from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code='a')

text = "Welcome to Clore.ai, the peer-to-peer GPU marketplace."

voices = ['af_heart', 'af_bella', 'am_adam', 'am_michael']

for voice in voices:
    generator = pipeline(text, voice=voice, speed=1.0)
    for i, (gs, ps, audio) in enumerate(generator):
        sf.write(f'{voice}_{i}.wav', audio, 24000)
    print(f"Generado: {voice}")

Inglés británico con control de velocidad

from kokoro import KPipeline
import soundfile as sf

# 'b' = inglés británico
pipeline = KPipeline(lang_code='b')

text = "Good afternoon. This is a demonstration of British English synthesis."

# speed < 1.0 = más lento, speed > 1.0 = más rápido
generator = pipeline(text, voice='bf_emma', speed=0.85)

all_audio = []
for gs, ps, audio in generator:
    all_audio.append(audio)

import numpy as np
combined = np.concatenate(all_audio)
sf.write('british_slow.wav', combined, 24000)
print(f"Duración total: {len(combined)/24000:.1f}s")

Procesamiento por lotes de archivos

Procesa múltiples textos y concaténalos en un único archivo al estilo audiolibro:

from kokoro import KPipeline
import soundfile as sf
import numpy as np

pipeline = KPipeline(lang_code='a')

chapters = [
    "Capítulo uno. El comienzo de nuestro viaje comienza aquí.",
    "El sol se elevó sobre las montañas, proyectando largas sombras a través del valle.",
    "Ella abrió la puerta y dio un paso hacia lo desconocido.",
]

all_audio = []
silence = np.zeros(int(24000 * 0.5))  # 0.5s de silencio entre capítulos

for idx, text in enumerate(chapters):
    for gs, ps, audio in pipeline(text, voice='af_bella', speed=1.0):
        all_audio.append(audio)
    all_audio.append(silence)
    print(f"Capítulo {idx+1} terminado")

combined = np.concatenate(all_audio)
sf.write('audiobook.wav', combined, 24000)
print(f"Total: {len(combined)/24000:.1f}s")

Consejos para usuarios de Clore.ai

• Inferencia en CPU — Kokoro es lo suficientemente pequeño como para ejecutarse en CPU; útil para cargas de trabajo sensibles al costo o cuando no hay GPUs disponibles

• Streaming — el generador produce fragmentos de audio a medida que se generan, lo que permite la reproducción en tiempo real en aplicaciones web

• Combinar con WhisperX — usa WhisperX para transcripción y Kokoro para re-síntesis en pipelines de voz

• Docker — usar pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime y añade apt-get install -y espeak-ng a tu inicio

• Consistencia de voz — mantén un ID de voz por proyecto para una experiencia de narrador consistente

• Eficiencia de costes — a $0.15/día en una RTX 3060, Kokoro es una de las soluciones TTS más baratas para alojar uno mismo

Solución de problemas

Problema	Solución
espeak-ng no encontrado	Ejecuta apt-get install -y espeak-ng (dependencia del sistema requerida)
ModuleNotFoundError: kokoro	Instalar con pip install kokoro>=0.9.4 soundfile
El audio suena robótico	Prueba una voz diferente (por ejemplo, af_heart tiende a sonar más natural)
Japonés/Chino no funciona	Instala los extras de idioma: pip install misaki[ja] o misaki[zh]
Agotamiento de memoria en CPU	Reduce la longitud del texto por llamada; Kokoro transmite fragmentos para que la memoria se mantenga acotada
Primera ejecución lenta	Descarga de pesos del modelo en el primer uso (~200 MB); las ejecuciones posteriores son instantáneas