Was ist Kokoro-82M?
Status: nicht mehr gepflegt. Der letzte Commit in hexgrad/kokoro stammt vom 6. August 2025, und die Gewichte wurden zuletzt im April 2025 aktualisiert, seit über einem Jahr hat sich also nichts geändert; trotzdem kommt es auf Hugging Face weiterhin auf etwa 10 Millionen Downloads im Monat. Kokoro ist ein Text-to-Speech-Modell mit offenen Gewichten und 82 Millionen Parametern, gebaut auf der Architektur StyleTTS 2 von einem Entwickler namens hexgrad. Version 1.0, veröffentlicht am 27. Januar 2025, bringt 54 voreingestellte Stimmen in 8 Sprachen mit, und das Python-Paket deckt amerikanisches und britisches Englisch, Spanisch, Französisch, Hindi, Italienisch, brasilianisches Portugiesisch, Japanisch und Mandarin ab.
Die Gewichte stehen unter Apache 2.0. Laut Model Card wurde es mit einigen hundert Stunden gemeinfreiem und freizügig lizenziertem Audio sowie synthetischer Sprache aus geschlossenen TTS-Modellen großer Anbieter trainiert, für etwa 1.000 $ GPU-Zeit. Seine Seite auf Hugging Face verzeichnet im letzten Monat mehr als 10 Millionen Downloads. Seit v1.0 gab es kein neues Modell, und der letzte Commit im GitHub-Repository war am 6. August 2025, vor mehr als 14 Monaten.
Was kostet Kokoro-82M?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Replicate | $0.65 per million characters | Laut Artificial Analysis |
| DeepInfra | $0.99 per million characters |
Kostenlos unter Apache 2.0. Gehostet für 0,65 $ pro Million Zeichen auf Replicate (laut Artificial Analysis), der niedrigste Preis auf dessen Rangliste, und 0,99 $ auf DeepInfra.
Lohnt sich Kokoro-82M?
Kokoro ist die Standardantwort, wenn Sprache günstig, lokal und rechtlich einfach sein muss, und die falsche, wenn sie menschlich klingen soll. Artificial Analysis führt es auf Platz 57 von 98 Text-to-Speech-Modellen mit 1065 Elo, gleichauf mit Amazon Polly Generative (1066) und vor dem offenen Chatterbox (1024), zu 0,65 $ pro Million Zeichen, dem niedrigsten Preis der Rangliste. Eleven v4 Turbo führt mit 1335 und kostet für dieselbe Million Zeichen 40 $.
Die Größe erklärt die Wirtschaftlichkeit. Das ganze Repository, Gewichte und Stimmpakete zusammen, ist etwa 330 MB groß, und das Modell ist ein reines Decoder-Design auf Basis von StyleTTS 2 mit einem ISTFTNet-Vocoder und ohne Diffusionsschritt. Die Faustregel der Model Card lautet 1.000 Zeichen pro Minute Audio, gehostetes Kokoro kostet also weniger als 0,06 $ pro Stunde Sprache.
Die Lizenzlage ist einfacher als bei den meisten, wenn auch nicht ganz so sauber, wie "freizügig lizenziertes Audio" nahelegt. Die Gewichte stehen unter Apache 2.0. Die Trainingsdaten mischten gemeinfreies, Apache- und MIT-lizenziertes sowie CC-BY-Audio mit synthetischer Sprache aus geschlossenen kommerziellen TTS-Modellen, was die Card mit Leitlinien des US Copyright Office begründet. Ob das mit den Bedingungen dieser Anbieter vereinbar ist, ist eine Frage für Juristen, nicht für die Model Card.
Die Entwicklung steht still. v1.0 erschien am 27. Januar 2025, das Repository wurde zuletzt am 6. August 2025 angefasst, mehr als 14 Monate vor dieser Prüfung, und es gibt weiterhin weder Cloning noch Stilsteuerung über die 54 voreingestellten Stimmen hinaus. Die Beliebtheit hat auch Nachahmer angezogen: Die Card warnt, dass Websites mit "kokoro" in der Domain nicht dazugehören und wahrscheinlich Betrug sind, ein echtes Risiko für Käufer, die eine gehostete Version suchen.
Wo es sich lohnt
Ein Barrierefreiheits-Ingenieur bei einem regionalen Nachrichtenverlag
Jedem Artikel eine Vorlesefunktion geben, ohne hohe Rechnung pro Zeichen
Rendere jeden Artikel vorab auf vorhandenen Servern oder ruf einen Anbieter auf: Bei 0,65 $ pro Million Zeichen kosten 50 Millionen Zeichen im Monat etwa 33 $. Die Zuhörer bekommen eine klare, aber deutlich synthetische Stimme.
Eine Entwicklerin einer Offline-Lese-App für Android und Desktop
Eine eingebaute Vorlesefunktion ausliefern, die ohne Netz funktioniert
Der kleine Download und die Apache-Lizenz erlauben das Bündeln ohne Lizenzgebühren. Das Paket stützt sich bei einigen Sprachen und unbekannten englischen Wörtern auf espeak-ng, diese Abhängigkeit und ihre Lizenz reisen also mit der App.
Ein Weiterbildungsverantwortlicher mit 2.000 internen Schulungsmodulen
Kursinhalte mit geringem Anspruch günstig vertonen
100 Millionen Zeichen, rund 1.700 Stunden Audio, kosten mit gehostetem Kokoro etwa 65 $, gegenüber etwa 4.000 $ mit Eleven v4 Turbo zu den Preisen von Artificial Analysis. Die Lernenden werden den Abstand von 270 Elo-Punkten hören.
Bevor du dich festlegst
- Einrichtung
- pip install kokoro (0.9.2 oder neuer) plus espeak-ng, dann ein paar Zeilen Python mit KPipeline; die Ausgabe ist Audio mit 24 kHz. GPUs mit Apple Silicon brauchen PYTORCH_ENABLE_MPS_FALLBACK=1.
- Integrationen
- Python-Paket auf Basis der Graphem-zu-Phonem-Bibliothek misaki; gehostete Endpunkte auf Replicate und DeepInfra; ein Demo-Space auf Hugging Face.
- Daten und Datenschutz
- Gewichte unter Apache 2.0, kommerzielle Nutzung erlaubt. Das Training mischte gemeinfreies, freizügig lizenziertes und CC-BY-Audio (Koniwa, SIWIS) mit synthetischer Ausgabe geschlossener TTS-Modelle. Selbst gehostet bleibt der Text auf deinen Servern.
- Kosten im großen Maßstab
- 0,65 $ pro Million Zeichen auf Replicate (nach der Zahl von Artificial Analysis) und 0,99 $ auf DeepInfra, 100 Millionen Zeichen im Monat, etwa 1.700 Stunden Audio, kosten gehostet also 65 bis 99 $.
- Grenzen
- 54 voreingestellte Stimmen in 8 Sprachen, kein Voice Cloning, keine Emotionssteuerung, 1065 Elo und kein neues Modell seit v1.0 im Januar 2025.
Was gut ist
- Apache 2.0; etwa 330 MB samt Stimmpaketen
- 0,65 $ pro Million Zeichen gehostet, am günstigsten bei Artificial Analysis
- 54 voreingestellte Stimmen in 8 Sprachen
- Reines Decoder-Design ohne Diffusionsschritt
Was nicht
- 1065 Elo: gleichauf mit Polly Generative, 270 unter dem Spitzenreiter
- Nur voreingestellte Stimmen; kein Cloning, keine Emotionssteuerung
- Kein Modell-Update seit Januar 2025
- Trainingsdaten enthalten synthetisches Audio aus geschlossenen TTS-Modellen
Am besten für
Entwickler, die günstige, freizügig lizenzierte Sprachausgabe für Vertonung, Barrierefreiheit oder Prototypen brauchen.
Alternativen zu Kokoro-82M
Kokoro-82M: häufige Fragen
- Lohnt sich Kokoro-82M?
- Nichts so Kleines klingt so gut, aber seit August 2025 gab es keine Updates, behandle es also als fertige Software und nicht als Projekt, das noch besser wird. Wir bewerten es mit 3.9 von 5.
- Was kostet Kokoro-82M?
- Kostenlos unter Apache 2.0. Gehostet für 0,65 $ pro Million Zeichen auf Replicate (laut Artificial Analysis), der niedrigste Preis auf dessen Rangliste, und 0,99 $ auf DeepInfra.
- Welche Nachteile hat Kokoro-82M?
- 1065 Elo: gleichauf mit Polly Generative, 270 unter dem Spitzenreiter; Nur voreingestellte Stimmen; kein Cloning, keine Emotionssteuerung; Kein Modell-Update seit Januar 2025; Trainingsdaten enthalten synthetisches Audio aus geschlossenen TTS-Modellen.
- Für wen eignet sich Kokoro-82M?
- Entwickler, die günstige, freizügig lizenzierte Sprachausgabe für Vertonung, Barrierefreiheit oder Prototypen brauchen.
- Was kostet Kokoro-82M für ein Team oder im Produktivbetrieb?
- 0,65 $ pro Million Zeichen auf Replicate (nach der Zahl von Artificial Analysis) und 0,99 $ auf DeepInfra, 100 Millionen Zeichen im Monat, etwa 1.700 Stunden Audio, kosten gehostet also 65 bis 99 $.
- Ist Kokoro-82M sicher für Firmendaten?
- Gewichte unter Apache 2.0, kommerzielle Nutzung erlaubt. Das Training mischte gemeinfreies, freizügig lizenziertes und CC-BY-Audio (Koniwa, SIWIS) mit synthetischer Ausgabe geschlossener TTS-Modelle. Selbst gehostet bleibt der Text auf deinen Servern.
- Was sind die besten Alternativen zu Kokoro-82M?
- Die nächsten Alternativen, die wir getestet haben, sind Chatterbox, Qwen3-TTS, Gemini 3.8 Flash TTS und OmniVoice.
Antworten geprüft am 26. Okt. 2026.