Qu’est-ce que Kokoro-82M ?
Statut : plus maintenu. Le dernier commit sur hexgrad/kokoro date du 6 août 2025 et les poids ont été mis à jour pour la dernière fois en avril 2025, si bien que rien n'a changé en plus d'un an ; il obtient toujours environ 10 millions de téléchargements par mois sur Hugging Face. Kokoro est un modèle de synthèse vocale à poids ouverts avec 82 millions de paramètres, bâti sur l'architecture StyleTTS 2 par un développeur connu sous le nom de hexgrad. La version 1.0, publiée le 27 janvier 2025, livre 54 voix préréglées dans 8 langues, et le paquet Python couvre l'anglais américain et britannique, l'espagnol, le français, le hindi, l'italien, le portugais brésilien, le japonais et le mandarin.
Les poids sont en Apache 2.0. La fiche du modèle indique qu'il a été entraîné sur quelques centaines d'heures d'audio du domaine public et sous licence permissive plus de la parole synthétique générée par des modèles TTS fermés de grands fournisseurs, pour environ 1 000 $ de temps GPU. Sa page Hugging Face enregistre plus de 10 millions de téléchargements le mois dernier. Il n'y a pas eu de nouveau modèle depuis la v1.0, et le dernier commit du dépôt GitHub date du 6 août 2025, il y a plus de 14 mois.
Combien coûte Kokoro-82M ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Replicate | $0.65 per million characters | Via Artificial Analysis |
| DeepInfra | $0.99 per million characters |
Gratuit sous Apache 2.0. Hébergé à 0,65 $ par million de caractères sur Replicate (via Artificial Analysis), le moins cher de son classement, et 0,99 $ sur DeepInfra.
Kokoro-82M vaut-il le coup ?
Kokoro est la réponse par défaut quand la parole doit être bon marché, locale et simple sur le plan juridique, et la mauvaise quand elle doit sonner humaine. Artificial Analysis le classe 57e sur 98 modèles de synthèse vocale à 1065 Elo, au niveau d'Amazon Polly Generative (1066) et devant le Chatterbox ouvert (1024), à 0,65 $ par million de caractères, le prix le plus bas du tableau. Eleven v4 Turbo mène à 1335 et coûte 40 $ pour le même million de caractères.
La taille explique l'économie. Tout le dépôt, poids et packs de voix ensemble, fait environ 330 MB, et le modèle est une conception StyleTTS 2 decoder-only avec un vocodeur ISTFTNet et sans étape de diffusion. La règle empirique de la fiche est de 1 000 caractères pour une minute d'audio, ce qui place Kokoro hébergé à moins de 0,06 $ l'heure de parole.
La licence est plus simple que la plupart, mais pas tout à fait aussi propre que « audio sous licence permissive » le laisse entendre. Les poids sont en Apache 2.0. Le jeu d'entraînement a mélangé de l'audio du domaine public, sous licence Apache et MIT et CC BY avec de la parole synthétique de modèles TTS commerciaux fermés, ce que la fiche défend avec les orientations du US Copyright Office. Que cela s'accorde confortablement avec les conditions de ces fournisseurs est une question pour un avocat plutôt que pour la fiche du modèle.
Le développement s'est arrêté. La v1.0 est sortie le 27 janvier 2025, le dépôt a été touché pour la dernière fois le 6 août 2025, plus de 14 mois avant cette vérification, et il n'y a toujours ni clonage ni contrôle de style au-delà de 54 voix préréglées. Sa popularité a aussi attiré des imitateurs : la fiche prévient que les sites web avec « kokoro » dans le domaine ne sont pas affiliés et sont probablement des arnaques, un vrai risque pour les acheteurs qui cherchent une version hébergée.
Là où il fait la différence
Un ingénieur accessibilité chez un éditeur de presse régional
Ajouter un audio « écouter l'article » à chaque article sans grosse facture au caractère
Pré-générer chaque article sur les serveurs existants, ou appeler un hébergeur : à 0,65 $ par million de caractères, 50 millions de caractères par mois font environ 33 $. Les auditeurs obtiennent une voix claire mais nettement synthétique.
Un développeur d'une appli de lecture hors ligne pour Android et desktop
Livrer une narration intégrée qui fonctionne sans réseau
Le petit téléchargement et la licence Apache permettent l'intégration sans redevances. Le paquet s'appuie sur espeak-ng pour certaines langues et les mots anglais peu familiers, si bien que cette dépendance et sa licence voyagent avec l'appli.
Un responsable formation et développement avec 2 000 modules de formation internes
Mettre en voix à bas coût du contenu de cours à faible enjeu
100 millions de caractères, soit environ 1 700 heures d'audio, font environ 65 $ sur Kokoro hébergé contre environ 4 000 $ sur Eleven v4 Turbo aux prix d'Artificial Analysis. Les apprenants entendront l'écart de 270 points Elo.
Avant de vous engager
- Mise en route
- pip install kokoro (0.9.2 ou ultérieur) plus espeak-ng, puis quelques lignes de Python avec KPipeline ; la sortie est un audio 24 kHz. Les GPU Apple Silicon ont besoin de PYTORCH_ENABLE_MPS_FALLBACK=1.
- Intégrations
- Paquet Python bâti sur la bibliothèque grapheme-to-phoneme misaki ; endpoints hébergés sur Replicate et DeepInfra ; un Space de démo sur Hugging Face.
- Données et confidentialité
- Poids Apache 2.0, usage commercial autorisé. L'entraînement a mélangé de l'audio du domaine public, sous licence permissive et CC BY (Koniwa, SIWIS) avec une sortie synthétique de modèles TTS fermés. Auto-hébergé, le texte reste sur vos serveurs.
- Coût à grande échelle
- 0,65 $ par million de caractères sur Replicate (selon le chiffre d'Artificial Analysis) et 0,99 $ sur DeepInfra, si bien que 100 millions de caractères par mois, environ 1 700 heures d'audio, coûtent de 65 $ à 99 $ hébergé.
- Limites
- 54 voix préréglées dans 8 langues, pas de clonage de voix ni de contrôle d'émotion, 1065 Elo, et aucune sortie de modèle depuis la v1.0 en janvier 2025.
Les points forts
- Apache 2.0 ; environ 330 MB packs de voix inclus
- 0,65 $ par million de caractères hébergé, le moins cher sur Artificial Analysis
- 54 voix préréglées dans 8 langues
- Conception decoder-only sans étape de diffusion
Les points faibles
- 1065 Elo : au niveau de Polly Generative, 270 sous le leader
- Voix préréglées uniquement ; pas de clonage ni de contrôle d'émotion
- Aucune mise à jour du modèle depuis janvier 2025
- Les données d'entraînement incluent de l'audio synthétique de modèles TTS fermés
Idéal pour
Les développeurs qui ont besoin d'une parole bon marché sous licence permissive pour la narration, l'accessibilité ou les prototypes.
Alternatives à Kokoro-82M
Kokoro-82M : questions fréquentes
- Kokoro-82M vaut-il le coup ?
- Rien d'aussi petit ne sonne aussi bien, mais il n'a eu aucune mise à jour depuis août 2025, alors considérez-le comme un logiciel terminé plutôt qu'un projet qui va s'améliorer. Nous lui donnons 3.9 sur 5.
- Combien coûte Kokoro-82M ?
- Gratuit sous Apache 2.0. Hébergé à 0,65 $ par million de caractères sur Replicate (via Artificial Analysis), le moins cher de son classement, et 0,99 $ sur DeepInfra.
- Quels sont les inconvénients de Kokoro-82M ?
- 1065 Elo : au niveau de Polly Generative, 270 sous le leader; voix préréglées uniquement ; pas de clonage ni de contrôle d'émotion; aucune mise à jour du modèle depuis janvier 2025; les données d'entraînement incluent de l'audio synthétique de modèles TTS fermés.
- À qui s’adresse Kokoro-82M ?
- Les développeurs qui ont besoin d'une parole bon marché sous licence permissive pour la narration, l'accessibilité ou les prototypes.
- Combien coûte Kokoro-82M pour une équipe ou en production ?
- 0,65 $ par million de caractères sur Replicate (selon le chiffre d'Artificial Analysis) et 0,99 $ sur DeepInfra, si bien que 100 millions de caractères par mois, environ 1 700 heures d'audio, coûtent de 65 $ à 99 $ hébergé.
- Kokoro-82M est-il sûr pour les données de l’entreprise ?
- Poids Apache 2.0, usage commercial autorisé. L'entraînement a mélangé de l'audio du domaine public, sous licence permissive et CC BY (Koniwa, SIWIS) avec une sortie synthétique de modèles TTS fermés. Auto-hébergé, le texte reste sur vos serveurs.
- Quelles sont les meilleures alternatives à Kokoro-82M ?
- Les alternatives les plus proches que nous avons testées sont Chatterbox, Qwen3-TTS, Gemini 3.8 Flash TTS et OmniVoice.
Réponses vérifiées le 26 oct. 2026.