¿Qué es KittenTTS 2?
KittenTTS 2 es un modelo de texto a voz de KittenML, la marca de Stellon Labs, respaldada por Y Combinator, publicado en Hugging Face a finales de septiembre de 2026. Es un tipo de modelo distinto de las versiones KittenTTS 0.8 de 15M a 80M de parámetros: un modelo de lenguaje de voz de 1.700 millones de parámetros que escribe tokens del códec S3, que un vocoder convierte en audio de 24 kHz. Sus pesos lineales son ternarios (cada uno toma uno de tres valores), así que la descarga por defecto ocupa 954 MB frente a 3.469 MB en bf16 normal, y ambas producen un audio idéntico bit a bit.
Incluye 115 voces integradas, clona una voz a partir de 5 a 30 segundos de un solo hablante y admite diez etiquetas de emoción, diez etiquetas de sonidos vocales como <laugh> y énfasis con triple paréntesis, todo marcado como beta. La ficha del modelo nombra voces para 16 idiomas; el README de GitHub enumera 20. Funciona con el paquete de Python kittenml (PyTorch, vLLM en NVIDIA, MLX en Apple silicon) o con el fork de llama.cpp de KittenML para CPU.
El código de Python es Apache 2.0, pero los pesos están bajo la Stellon Labs Community License, que pone fin al uso comercial gratuito en cuanto superas $1 millón de ingresos anuales o de financiación total recaudada. El repositorio de GitHub que hay detrás tiene unas 16.600 estrellas.
¿Cuánto cuesta KittenTTS 2?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | Stellon Labs Community License; uso comercial por debajo de $1 millón de ingresos y de financiación |
| Enterprise licence | Not published | Obligatoria por encima de los umbrales |
Pesos gratuitos bajo la Stellon Labs Community License para investigación y para usuarios comerciales por debajo de $1 millón de ingresos y de financiación, con registro. Precio de la API alojada no publicado.
¿Merece la pena KittenTTS 2?
KittenTTS 2 es un resultado de compresión interesante con demasiadas pocas pruebas de su calidad. Meter un modelo de voz de 1,7B en pesos ternarios reduce la descarga a 954 MB sin pérdidas, y las notas de MLX de KittenML explican por qué importa: la generación es una pasada hacia delante por cada 1/25 de segundo de voz y está limitada por el ancho de banda de memoria, así que leer unos 1,4 GB por token en lugar de 3,5 GB es la aceleración. Lo que KittenML no publica es una tasa de error de palabras, una prueba de escucha ni una entrada en una clasificación, y el modelo no aparece en ninguna de las dos clasificaciones de texto a voz de Artificial Analysis.
La promesa de que funciona en una CPU hay que leerla con atención. La propia guía de MLX de KittenML dice que el backend de PyTorch por defecto va por debajo del tiempo real en un Mac con Apple silicon, y el análisis de Better Stack vio que una frase corta tardaba allí varios segundos. La vía rápida es el fork en C++ en beta: en un Xeon de ocho hilos genera 45,7 tokens por segundo, lo que, a 25 tokens por segundo de audio, supone unas 1,8 veces el tiempo real solo para el modelo de lenguaje según nuestros cálculos, antes de que actúe el vocoder. En una RTX 3060, vLLM con pesos de 4 bits reduce un pasaje largo de 45,20 segundos en PyTorch a 10,38.
La clonación es la función estrella, y la única cifra de KittenML es suya: 0,81 de similitud de hablante al clonar una grabación no vista. La licencia de los pesos no menciona el consentimiento ni la suplantación; remite a una política de uso aceptable que solo se obtiene contactando con Stellon Labs, así que las normas sobre clonar a personas reales no son públicas.
La licencia es el obstáculo mayor. El uso comercial gratuito exige registrarse con Stellon Labs y termina en cuanto tú o tus filiales superáis $1 millón de ingresos anuales o de financiación acumulada total, lo que excluye a la mayoría de startups tras una ronda semilla. Los productos deben mostrar 'Powered by KittenML', las salidas no pueden entrenar modelos generativos fundacionales y la concesión es revocable. Chatterbox y Kokoro, ambos en la clasificación de pesos abiertos de Artificial Analysis, tienen condiciones mucho más sencillas.
Dónde se gana su sitio
Un desarrollador independiente que crea una aplicación de lectura sin conexión para portátiles Linux
Leer artículos en voz alta sin llamadas a la nube ni GPU
Compila kitten-tts-2-cpp y usa el decodificador student_w4, que ocupa 39 MB en disco. Cuenta con una CLI por lotes y no con un servidor de streaming, y trocea las entradas: KittenML dice que el modelo recorta o cae en repeticiones con pasajes largos en una sola pasada.
Un laboratorio universitario de voz que compara modelos de clonación pequeños
Medir cuánta calidad cuesta el empaquetado ternario frente a bf16
El uso para investigación es gratuito, y el repositorio incluye los empaquetados bf16, ternario y con embedding de 4 bits de los mismos pesos, así que un mismo estudio puede compararlos directamente. KittenML no publica tasa de error de palabras, así que la evaluación propia del laboratorio cubre un hueco real.
La CTO de una startup con financiación semilla que ha recaudado $2 millones
Comprobar si KittenTTS 2 puede usarse en un producto de pago
No sin una licencia aparte: una financiación total superior a $1 millón pone fin a la concesión comercial gratuita, sean cuales sean los ingresos. Las condiciones comerciales se piden en info@stellonlabs.com, y no se publican precios.
Antes de decidirte
- Puesta en marcha
- pip install kittenml, carga KittenML/kitten-tts-2 y llama a generate con un nombre de voz o un clip de referencia; no hace falta iniciar sesión en Hugging Face. KittenML pide una GPU CUDA con unos 8 GB libres o una CPU con unos 6 GB de RAM, más unos 2 GB de disco.
- Integraciones
- PyTorch por defecto, un backend opcional de vLLM en NVIDIA (driver 580 o posterior), un backend de MLX en Apple silicon, una imagen Docker con una API de voz compatible con OpenAI y clonación de voz, y el fork de llama.cpp kitten-tts-2-cpp con bindings de Python.
- Datos y privacidad
- Stellon Labs Community License: gratuita para investigación y uso no comercial; el uso comercial exige registro y se acaba por encima de $1 millón de ingresos anuales o de financiación total; atribución 'Powered by KittenML'; prohibido entrenar modelos generativos fundacionales con las salidas; revocable. El modelo de hablante pyannote incluido es MIT y el código es Apache 2.0. Al autoalojarlo, el audio nunca sale de tu máquina.
- Coste a escala
- Autoalojarlo es barato: el benchmark de vLLM de KittenML usa una sola RTX 3060 de 12 GB, y el runtime en C++ mantiene los pesos del transformer en unos 357 MiB en CPU. La plataforma alojada de KittenML exige iniciar sesión y no publica precios.
- Límites
- El control de emociones está en beta y varía según la voz. El normalizador de texto en inglés estropea números y fechas en otros idiomas salvo con normalize=False. El streaming es por fragmentos, así que un texto de menos de unos 380 caracteres llega en un solo fragmento; el runtime en C++ no admite streaming y necesita un paso previo en Python sin conexión para preparar una voz clonada; su GGUF TQ2_1 no se carga en llama.cpp estándar.
Lo bueno
- Descarga ternaria sin pérdidas de 954 MB, 469 MB con un embedding con pérdidas
- Clonación de voz a partir de 5 a 30 segundos de audio
- 115 voces integradas con etiquetas de emoción y de sonidos vocales
- Backends para CPU, NVIDIA (vLLM) y Apple silicon (MLX)
Lo malo
- Sin resultados publicados de precisión ni de pruebas de escucha; ausente de las clasificaciones de Artificial Analysis
- El uso comercial gratuito termina con $1 millón de ingresos o $1 millón de financiación
- Política de uso aceptable no pública
- El backend de PyTorch por defecto va por debajo del tiempo real en un Mac
Ideal para
Aficionados, investigadores y desarrolladores sin financiación que quieren clonar voces sin conexión en hardware corriente y pueden convivir con un techo de calidad sin demostrar.
Alternativas a KittenTTS 2
KittenTTS 2: preguntas frecuentes
- ¿Merece la pena KittenTTS 2?
- KittenTTS 2 mete un modelo de voz con clonación en menos de un gigabyte, pero nadie fuera de KittenML ha mostrado aún cómo suena, y la licencia deja fuera a la mayoría de empresas con financiación. Le damos un 3.4 sobre 5.
- ¿Cuánto cuesta KittenTTS 2?
- Pesos gratuitos bajo la Stellon Labs Community License para investigación y para usuarios comerciales por debajo de $1 millón de ingresos y de financiación, con registro. Precio de la API alojada no publicado.
- ¿Qué inconvenientes tiene KittenTTS 2?
- Sin resultados publicados de precisión ni de pruebas de escucha; ausente de las clasificaciones de Artificial Analysis; el uso comercial gratuito termina con $1 millón de ingresos o $1 millón de financiación; política de uso aceptable no pública; el backend de PyTorch por defecto va por debajo del tiempo real en un Mac.
- ¿Para quién es KittenTTS 2?
- Aficionados, investigadores y desarrolladores sin financiación que quieren clonar voces sin conexión en hardware corriente y pueden convivir con un techo de calidad sin demostrar.
- ¿Cuánto cuesta KittenTTS 2 para un equipo o en producción?
- Autoalojarlo es barato: el benchmark de vLLM de KittenML usa una sola RTX 3060 de 12 GB, y el runtime en C++ mantiene los pesos del transformer en unos 357 MiB en CPU. La plataforma alojada de KittenML exige iniciar sesión y no publica precios.
- ¿Es KittenTTS 2 seguro para los datos de la empresa?
- Stellon Labs Community License: gratuita para investigación y uso no comercial; el uso comercial exige registro y se acaba por encima de $1 millón de ingresos anuales o de financiación total; atribución 'Powered by KittenML'; prohibido entrenar modelos generativos fundacionales con las salidas; revocable. El modelo de hablante pyannote incluido es MIT y el código es Apache 2.0. Al autoalojarlo, el audio nunca sale de tu máquina.
- ¿Cuáles son las mejores alternativas a KittenTTS 2?
- Las alternativas más cercanas que hemos analizado son Kokoro-82M, Chatterbox, Qwen3-TTS y OmniVoice.
Respuestas comprobadas el 28 oct 2026.