¿Qué es Kokoro-82M?
Estado: ya no se mantiene. El último commit en hexgrad/kokoro fue el 6 de agosto de 2025 y los pesos se actualizaron por última vez en abril de 2025, así que nada ha cambiado en más de un año; aun así recibe unos 10 millones de descargas al mes en Hugging Face. Kokoro es un modelo de texto a voz de pesos abiertos con 82 millones de parámetros, basado en la arquitectura StyleTTS 2 y creado por un desarrollador conocido como hexgrad. La versión 1.0, publicada el 27 de enero de 2025, incluye 54 voces predefinidas en 8 idiomas, y el paquete de Python cubre inglés estadounidense y británico, español, francés, hindi, italiano, portugués de Brasil, japonés y mandarín.
Los pesos son Apache 2.0. La ficha del modelo dice que se entrenó con unos cientos de horas de audio de dominio público y con licencias permisivas, además de voz sintética generada por modelos TTS cerrados de grandes proveedores, por unos $1.000 de tiempo de GPU. Su página de Hugging Face registra más de 10 millones de descargas en el último mes. No ha habido ningún modelo nuevo desde la v1.0, y el último commit del repositorio de GitHub fue el 6 de agosto de 2025, hace más de 14 meses.
¿Cuánto cuesta Kokoro-82M?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Replicate | $0.65 per million characters | Según Artificial Analysis |
| DeepInfra | $0.99 per million characters |
Gratuito bajo Apache 2.0. Alojado a $0,65 por millón de caracteres en Replicate (según Artificial Analysis), el más barato de su clasificación, y a $0,99 en DeepInfra.
¿Merece la pena Kokoro-82M?
Kokoro es la respuesta por defecto cuando la voz tiene que ser barata, local y jurídicamente sencilla, y la equivocada cuando tiene que sonar humana. Artificial Analysis lo sitúa en el puesto 57 de 98 modelos de texto a voz con 1065 Elo, al nivel de Amazon Polly Generative (1066) y por delante del abierto Chatterbox (1024), a $0,65 por millón de caracteres, el precio más bajo de la clasificación. Eleven v4 Turbo lidera con 1335 y cuesta $40 por el mismo millón de caracteres.
El tamaño explica la economía. El repositorio completo, pesos y paquetes de voces juntos, ocupa unos 330 MB, y el modelo es un diseño StyleTTS 2 solo decodificador con un vocoder ISTFTNet y sin paso de difusión. La regla práctica de la ficha del modelo es de 1.000 caracteres por minuto de audio, lo que deja Kokoro alojado por debajo de $0,06 por hora de voz.
La licencia es más sencilla que la mayoría, aunque no tan limpia como da a entender “audio con licencias permisivas ”. Los pesos son Apache 2.0. El conjunto de entrenamiento mezcló audio de dominio público, con licencias Apache y MIT y CC BY con voz sintética de modelos TTS comerciales cerrados, algo que la ficha defiende con las directrices de la Oficina de Derechos de Autor de EE. UU. Si eso encaja bien con las condiciones de esos proveedores es una cuestión para un abogado, no para la ficha del modelo.
El desarrollo se ha estancado. La v1.0 salió el 27 de enero de 2025, el repositorio se tocó por última vez el 6 de agosto de 2025, más de 14 meses antes de esta revisión, y sigue sin haber clonación ni control de estilo más allá de 54 voces predefinidas. Su popularidad también ha atraído imitadores: la ficha advierte de que las webs con “kokoro” en el dominio no están afiliadas y probablemente son estafas, un riesgo real para quien busque una versión alojada.
Dónde se gana su sitio
Una ingeniera de accesibilidad en un editor de noticias regional
Añadir audio para escuchar cada noticia sin una gran factura por carácter
Genera de antemano cada artículo en los servidores existentes, o llama a un proveedor: a $0,65 por millón de caracteres, 50 millones de caracteres al mes cuestan unos $33. Los oyentes reciben una voz clara pero claramente sintética.
Un desarrollador de una aplicación de lectura sin conexión para Android y escritorio
Incluir narración integrada que funcione sin red
La descarga pequeña y la licencia Apache permiten incluirlo sin regalías. El paquete depende de espeak-ng para algunos idiomas y para palabras inglesas poco comunes, así que esa dependencia y su licencia viajan con la aplicación.
Un responsable de formación con 2.000 módulos de formación interna
Poner voz barata a contenido de cursos de poco riesgo
100 millones de caracteres, unas 1.700 horas de audio, cuestan unos $65 con Kokoro alojado frente a unos $4.000 con Eleven v4 Turbo a precios de Artificial Analysis. Los alumnos notarán la diferencia de 270 puntos Elo.
Antes de decidirte
- Puesta en marcha
- pip install kokoro (0.9.2 o posterior) más espeak-ng, y luego unas pocas líneas de Python con KPipeline; la salida es audio de 24 kHz. Las GPU de Apple Silicon necesitan PYTORCH_ENABLE_MPS_FALLBACK=1.
- Integraciones
- Paquete de Python basado en la biblioteca de grafema a fonema misaki; endpoints alojados en Replicate y DeepInfra; un Space de demostración en Hugging Face.
- Datos y privacidad
- Pesos Apache 2.0, uso comercial permitido. El entrenamiento mezcló audio de dominio público, con licencias permisivas y CC BY (Koniwa, SIWIS) con salida sintética de modelos TTS cerrados. Al autoalojarlo, el texto se queda en tus servidores.
- Coste a escala
- $0,65 por millón de caracteres en Replicate (según la cifra de Artificial Analysis) y $0,99 en DeepInfra, así que 100 millones de caracteres al mes, unas 1.700 horas de audio, cuestan de $65 a $99 alojado.
- Límites
- 54 voces predefinidas en 8 idiomas, sin clonación de voz ni control de emociones, 1065 Elo y ninguna versión del modelo desde la v1.0 de enero de 2025.
Lo bueno
- Apache 2.0; unos 330 MB con los paquetes de voces
- $0,65 por millón de caracteres alojado, el más barato de Artificial Analysis
- 54 voces predefinidas en 8 idiomas
- Diseño solo decodificador sin paso de difusión
Lo malo
- 1065 Elo: al nivel de Polly Generative, 270 por debajo del líder
- Solo voces predefinidas; sin clonación ni control de emociones
- Sin actualización del modelo desde enero de 2025
- Los datos de entrenamiento incluyen audio sintético de modelos TTS cerrados
Ideal para
Desarrolladores que necesitan voz barata y con licencia permisiva para narración, accesibilidad o prototipos.
Alternativas a Kokoro-82M
Kokoro-82M: preguntas frecuentes
- ¿Merece la pena Kokoro-82M?
- Nada tan pequeño suena tan bien, pero no se actualiza desde agosto de 2025, así que conviene tratarlo como software terminado y no como un proyecto que vaya a mejorar. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta Kokoro-82M?
- Gratuito bajo Apache 2.0. Alojado a $0,65 por millón de caracteres en Replicate (según Artificial Analysis), el más barato de su clasificación, y a $0,99 en DeepInfra.
- ¿Qué inconvenientes tiene Kokoro-82M?
- 1065 Elo: al nivel de Polly Generative, 270 por debajo del líder; solo voces predefinidas; sin clonación ni control de emociones; sin actualización del modelo desde enero de 2025; los datos de entrenamiento incluyen audio sintético de modelos TTS cerrados.
- ¿Para quién es Kokoro-82M?
- Desarrolladores que necesitan voz barata y con licencia permisiva para narración, accesibilidad o prototipos.
- ¿Cuánto cuesta Kokoro-82M para un equipo o en producción?
- $0,65 por millón de caracteres en Replicate (según la cifra de Artificial Analysis) y $0,99 en DeepInfra, así que 100 millones de caracteres al mes, unas 1.700 horas de audio, cuestan de $65 a $99 alojado.
- ¿Es Kokoro-82M seguro para los datos de la empresa?
- Pesos Apache 2.0, uso comercial permitido. El entrenamiento mezcló audio de dominio público, con licencias permisivas y CC BY (Koniwa, SIWIS) con salida sintética de modelos TTS cerrados. Al autoalojarlo, el texto se queda en tus servidores.
- ¿Cuáles son las mejores alternativas a Kokoro-82M?
- Las alternativas más cercanas que hemos analizado son Chatterbox, Qwen3-TTS, Gemini 3.8 Flash TTS y OmniVoice.
Respuestas comprobadas el 26 oct 2026.