🎙️ Kokoro TTS (82M): Síntesis de Voz Ligera, Ultra Rápida y de Código Abierto
RESUMEN EJECUTIVO
Kokoro-82M (
hexgrad/kokoro) es uno de los mayores hitos recientes en el campo del Text-to-Speech (TTS) de código abierto (+9,400 ⭐ en GitHub, licencia Apache 2.0).Con tan solo 82 millones de parámetros (ocupa menos de 350 MB en disco y VRAM), ofrece una calidad de locución humana asombrosa que rivaliza con modelos masivos comerciales (ElevenLabs o OpenAI TTS), funcionando a velocidades de 10x a 50x en tiempo real, incluso sobre CPUs modestas. Soporta 8 idiomas (incluido español), 54 voces preentrenadas y permite la mezcla ponderada de voces (Voice Blending).
📋 Ficha Técnica y Recursos
| Parámetro | Detalle Técnico |
|---|---|
| Repositorio Oficial | hexgrad/kokoro (GitHub) |
| Modelo en Hugging Face | hexgrad/Kokoro-82M (Hugging Face) |
| Autor / Desarrollador | @rzvzn (hexgrad) |
| Licencia | Apache License 2.0 (Uso comercial totalmente libre) |
| Tamaño del Modelo | 82M de parámetros (~350 MB de peso) |
| Arquitectura | Basado en StyleTTS 2 + iSTFTNet (Decoder-only, sin difusión lenta) |
| Frecuencia de Muestreo | 24,000 Hz (24 kHz) |
| Procesador G2P | misaki + fallback fonético con espeak-ng |
| Idiomas Soportados (v1.0) | 🇺🇸 Inglés (US), 🇬🇧 Inglés (UK), 🇪🇸 Español, 🇫🇷 Francés, 🇮🇳 Hindi, 🇮🇹 Italiano, 🇯🇵 Japonés, 🇧🇷 Portugués, 🇨🇳 Chino |
| Coste de Entrenamiento | Apenas ~$1,000 USD (1,000 horas de GPU A100 80GB) |
| Coste en APIs Cloud | < 1 por millón de caracteres) |
🧠 ¿Por qué es Revolucionario Kokoro? (El Concepto)
Tradicionalmente, los modelos TTS de alta calidad (como Bark, XTTS v2 o modelos de difusión de miles de millones de parámetros) sufren de tres graves problemas:
- Altísima latencia: Demasiado lentos para agentes de voz en tiempo real o locuciones largas.
- Consumo masivo de VRAM: Requieren GPUs de gama alta (8 GB a 16 GB mínimo).
- Licencias restrictivas: La mayoría prohíbe el uso comercial o impone suscripciones elevadas.
Kokoro resolvió esta triada:
- Decoder-Only + iSTFTNet: Elimina el muestreo iterativo por difusión y sintetiza audio en una sola pasada directa.
- Eficiencia extrema: Corre fluidamente en cualquier ordenador portátil, Raspberry Pi 5 o en la CPU de un servidor modesto.
- Entrenamiento ético y permisivo: Entrenado exclusivamente con audio de dominio público o licencias permisivas (Apache/MIT) y fonemas IPA.
graph LR Text["Texto de Entrada"] --> Misaki["🔤 G2P Engine (misaki + espeak-ng)"] Misaki --> Phonemes["Fonemas IPA Normalizados"] Voice["🎭 Tensor de Voz (54 predefinidas o Blend)"] --> Decoder Phonemes --> Decoder["🧠 Kokoro-82M Decoder (StyleTTS 2)"] Decoder --> Vocoder["⚡ iSTFTNet Vocoder (Tiempo Real 10x-50x)"] Vocoder --> Audio["🔊 Audio WAV de Alta Fidelidad (24 kHz)"]
🎭 Catálogo de Voces y Mezcla de Estilos (Voice Blending)
El modelo incluye 54 voces oficiales categorizadas por calidad de datos de entrenamiento (Grado A, B, C):
🇪🇸 Voces en Español (lang_code='e')
ef_dora(Femenina): Tono profesional, clara y modulada para tutoriales, explicaciones y artículos.em_alex(Masculino): Tono formal, firme y articulado para narraciones técnicas o institucionales.em_santa(Masculino): Tono cálido y festivo.
🇺🇸 Voces Estrella en Inglés (lang_code='a')
af_heart(Grado A): La voz insignia del modelo. Expresividad, respiración natural y microinflexiones humanas asombrosas.af_bella(Grado A-): Excelente para audiolibros y podcasts dinámicos.am_michael/am_puck: Voces masculinas maduras y conversacionales.
🎨 Superpoder: Voice Blending (Mezcla de Voces en Memoria)
Como las voces en Kokoro son simples tensores de embeddings en PyTorch, puedes fusionar dos o más voces con operaciones matemáticas lineales directas para crear un timbre 100% exclusivo:
import torch
# Cargar dos voces existentes
voice_a = torch.load('voices/af_heart.pt', weights_only=True)
voice_b = torch.load('voices/af_bella.pt', weights_only=True)
# Crear una voz híbrida (60% Heart + 40% Bella)
custom_voice = (0.6 * voice_a) + (0.4 * voice_b)
# Generar locución con la nueva voz
generator = pipeline("Texto a locutar", voice=custom_voice)💻 Guía Rápida de Instalación y Uso en Linux Mint
1. Requisitos del Sistema
Instalar la dependencia de fonetización espeak-ng y las librerías de Python:
# 1. Instalar espeak-ng en Linux Mint / Ubuntu
sudo apt-get update && sudo apt-get install -y espeak-ng
# 2. Instalar el paquete de Python y soundfile
pip install "kokoro>=0.9.4" soundfile torch2. Script Mínimo para Generar Audio en Español
Crea un archivo hablar.py:
import soundfile as sf
from kokoro import KPipeline
# Inicializar pipeline para español ('e')
pipeline = KPipeline(lang_code='e')
texto = """
¡Hola, rey! Kokoro es un modelo de síntesis de voz ultraligero de tan solo 82 millones de parámetros.
Su calidad es comparable a modelos comerciales gigantes, pero corre directamente en tu propio equipo sin gastar un solo centavo de API.
"""
# Generar audio con la voz 'ef_dora' (español femenina) o 'em_alex' (masculina)
generator = pipeline(texto, voice='ef_dora', speed=1.0, split_pattern=r'\n+')
# Guardar cada segmento de audio a 24 kHz
for i, (graphemes, phonemes, audio) in enumerate(generator):
sf.write(f'salida_{i}.wav', audio, 24000)
print(f"✅ Segmento {i} generado exitosamente.")3. Ejecución Rápida con Aceleración por GPU o CPU
- En GPU NVIDIA: Utiliza automáticamente CUDA si PyTorch lo detecta, tardando menos de 1 segundo en generar un minuto de voz.
- En CPU: Corre sin problemas mediante optimizaciones multihilo o versiones cuantizadas con ONNX (
pip install kokoro-onnx).
⚖️ Comparativa: Kokoro frente a Otros Motores TTS
| Característica | 🎙️ Kokoro-82M | 🤖 OpenAI TTS | 🌊 ElevenLabs | 🍃 Edge TTS | 🐶 Bark (Suno) |
|---|---|---|---|---|---|
| Parámetros | 82M | ~1B+ | Desconocido (Gigante) | Cloud Service | ~1B |
| Licencia | Apache 2.0 (Open) | Propietaria | Propietaria | Microsoft Terms | MIT |
| Ejecución Local | ✅ 100% Offline | ❌ Solo API | ❌ Solo API | ❌ Requiere Internet | ✅ Local |
| Velocidad de Inferencia | ⚡ 10x – 50x tiempo real | 🟡 Depende de API | 🟡 Depende de API | 🟢 Rápido | 🔴 Muy lento |
| Consumo de VRAM | 🟢 < 500 MB | N/A | N/A | N/A | 🔴 8 GB+ |
| Coste | $0 (Gratis) | $15 / M chars | 100 / M chars | $0 (Uso personal) | $0 |
| Calidad de Voces | 🟢 Alta (Estudio) | 🟢 Muy Alta | 🌟 Excepcional | 🟢 Buena | 🟡 Variable |
| Voice Blending | ✅ Sí (Matemático) | ❌ No | ⚠️ Clones caros | ❌ No | ❌ No |
🔗 Integración en el Ecosistema de Ryukami Labs
- Locución y Doblaje Multimedia: 🎬 OpenCreator (Traducción y Doblaje IA en 101 Idiomas) (OpenCreator puede aprovechar Kokoro como backend de voz local sin depender de Edge TTS ni OpenAI).
- Automatización de Vídeo: 🎬 Plan Maestro Google Vids CLI
- Investigación Profunda: 🔬 Local Deep Research (LDR)
- Modelo de Lenguaje: 🧠 Gemini 4 Argon: Análisis y Benchmarks
- Hub Central: ⚡ Ryukami Labs