O que é KittenTTS 2?
O KittenTTS 2 é um modelo de texto para fala da KittenML, a marca da Stellon Labs, apoiada pela Y Combinator, publicado no Hugging Face no fim de setembro de 2026. É um tipo de modelo diferente dos lançamentos KittenTTS 0.8 de 15M a 80M parâmetros: um modelo de linguagem de fala de 1,7 bilhão de parâmetros que escreve tokens do codec S3, que um vocoder transforma em áudio de 24 kHz. Seus pesos lineares são ternários (cada um com um de três valores), então o download padrão tem 954 MB, contra 3.469 MB em bf16 simples, e os dois produzem áudio idêntico bit a bit.
Ele traz 115 vozes prontas, clona uma voz a partir de 5 a 30 segundos de um único falante e aceita dez tags de emoção, dez tags de eventos vocais como <laugh> e ênfase com parênteses triplos, tudo marcado como beta. O model card cita vozes para 16 idiomas; o README do GitHub lista 20. Ele roda pelo pacote Python kittenml (PyTorch, vLLM em NVIDIA, MLX em Apple silicon) ou pelo fork do llama.cpp da KittenML para CPUs.
O código Python é Apache 2.0, mas os pesos estão sob a Stellon Labs Community License, que encerra o uso comercial gratuito quando você passa de US$ 1 milhão em receita anual ou em captação total. O repositório do GitHub por trás dele tem cerca de 16.600 estrelas.
Quanto custa KittenTTS 2?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | Stellon Labs Community License; uso comercial abaixo de US$ 1 milhão de receita e de captação |
| Enterprise licence | Not published | Obrigatória acima dos limites |
Pesos gratuitos sob a Stellon Labs Community License para pesquisa e para usuários comerciais abaixo de US$ 1 milhão em receita e em captação, com cadastro. Preço da API hospedada não publicado.
KittenTTS 2 vale a pena?
O KittenTTS 2 é um resultado de compressão interessante com pouca evidência por trás da qualidade. Empacotar um modelo de fala de 1,7B em pesos ternários reduz o download para 954 MB sem perda, e as notas sobre MLX da KittenML explicam por que isso importa: a geração é uma passada para a frente a cada 1/25 de segundo de fala e é limitada pela largura de banda de memória, então ler cerca de 1,4 GB por token em vez de 3,5 GB é o ganho de velocidade. O que a KittenML não publica é taxa de erro de palavras, teste de audição ou posição em leaderboard, e o modelo está ausente dos dois rankings de texto para fala da Artificial Analysis.
A promessa de 'roda em CPU' precisa ser lida com cuidado. O próprio guia de MLX da KittenML diz que o backend PyTorch padrão roda abaixo do tempo real em um Mac com Apple silicon, e o texto da Better Stack constatou que uma frase curta levava vários segundos ali. O caminho rápido é o fork em C++ em beta: em um Xeon de oito threads, ele gera 45,7 tokens por segundo, o que, a 25 tokens por segundo de áudio, dá cerca de 1,8 vez o tempo real só para o modelo de linguagem pelas nossas contas, antes de o vocoder rodar. Em uma RTX 3060, o vLLM com pesos de 4 bits reduz uma passagem longa de 45,20 segundos no PyTorch para 10,38.
A clonagem é o recurso principal, e o único número da KittenML é dela mesma: 0,81 de similaridade de falante ao clonar uma gravação não vista. A licença dos pesos não menciona consentimento nem personificação; ela remete a uma política de uso aceitável que só está disponível entrando em contato com a Stellon Labs, então as regras sobre clonar pessoas reais não são públicas.
A licença é o obstáculo maior. O uso comercial gratuito exige cadastro na Stellon Labs e termina quando você ou suas afiliadas passam de US$ 1 milhão em receita anual ou em captação total acumulada, o que exclui a maioria das startups depois de uma rodada seed. Os produtos precisam exibir 'Powered by KittenML', as saídas não podem treinar modelos generativos fundacionais e a concessão é revogável. Chatterbox e Kokoro, ambos no ranking de pesos abertos da Artificial Analysis, vêm com termos bem mais simples.
Onde ele se destaca
Um desenvolvedor solo construindo um app de leitura offline para notebooks Linux
Ler artigos em voz alta sem chamadas à nuvem e sem GPU
Compile o kitten-tts-2-cpp e use o decoder student_w4, que tem 39 MB em disco. Espere uma CLI em lote, não um servidor de streaming, e divida as entradas: a KittenML diz que o modelo trunca ou cai em repetição em passagens longas de uma só vez.
Um laboratório universitário de fala comparando pequenos modelos de clonagem
Medir quanta qualidade o empacotamento ternário custa em relação ao bf16
O uso em pesquisa é gratuito, e o repositório traz as versões bf16, ternária e com embedding de 4 bits dos mesmos pesos, então um único estudo pode compará-las diretamente. A KittenML não publica taxa de erro de palavras, então a avaliação do próprio laboratório preenche uma lacuna real.
O CTO de uma startup com US$ 2 milhões captados em rodada seed
Verificar se o KittenTTS 2 pode entrar em um produto pago
Não sem uma licença separada: captação total acima de US$ 1 milhão encerra a concessão comercial gratuita, seja qual for a receita. Os termos comerciais são sob pedido pelo info@stellonlabs.com, e não há preços publicados.
Antes de decidir
- Configuração
- Rode pip install kittenml, carregue KittenML/kitten-tts-2 e chame generate com um nome de voz ou um clipe de referência; não é preciso login no Hugging Face. A KittenML pede uma GPU CUDA com cerca de 8 GB livres ou uma CPU com cerca de 6 GB de RAM, além de cerca de 2 GB de disco.
- Integrações
- PyTorch por padrão, um backend vLLM opcional em NVIDIA (driver 580 ou mais recente), um backend MLX em Apple silicon, uma imagem Docker com uma API de fala compatível com OpenAI e clonagem de voz, e o fork kitten-tts-2-cpp do llama.cpp com bindings Python.
- Dados e privacidade
- Stellon Labs Community License: gratuita para pesquisa e uso não comercial; o uso comercial exige cadastro e para acima de US$ 1 milhão em receita anual ou captação total; atribuição 'Powered by KittenML'; proibido treinar modelos generativos fundacionais com as saídas; revogável. O modelo de falante pyannote incluído é MIT e o código é Apache 2.0. Auto-hospedado, o áudio nunca sai da sua máquina.
- Custo em escala
- Auto-hospedar é barato: o benchmark de vLLM da KittenML usa uma única RTX 3060 de 12 GB, e o runtime em C++ mantém os pesos do transformer em cerca de 357 MiB na CPU. A plataforma hospedada da KittenML exige login e não publica preços.
- Limites
- O controle de emoção está em beta e varia conforme a voz. O normalizador de texto em inglês estraga números e datas em outros idiomas, a menos que se use normalize=False. O streaming é por blocos, então textos com menos de cerca de 380 caracteres chegam em um único bloco; o runtime em C++ não faz streaming e precisa de uma etapa offline em Python para preparar uma voz clonada; seu GGUF TQ2_1 não carrega no llama.cpp padrão.
O que é bom
- Download ternário sem perdas de 954 MB, 469 MB com um embedding com perdas
- Clonagem de voz a partir de 5 a 30 segundos de áudio
- 115 vozes prontas com tags de emoção e de eventos vocais
- Backends para CPU, NVIDIA (vLLM) e Apple silicon (MLX)
O que não é
- Sem resultados publicados de acurácia ou de teste de audição; ausente dos rankings da Artificial Analysis
- O uso comercial gratuito termina em US$ 1 milhão de receita ou US$ 1 milhão de captação
- Política de uso aceitável não pública
- O backend PyTorch padrão roda abaixo do tempo real em um Mac
Ideal para
Hobbistas, pesquisadores e desenvolvedores sem investimento que querem clonagem de voz offline em hardware comum e aceitam um teto de qualidade ainda não comprovado.
Alternativas ao KittenTTS 2
KittenTTS 2: perguntas frequentes
- KittenTTS 2 vale a pena?
- O KittenTTS 2 espreme um modelo de fala com clonagem em menos de um gigabyte, mas ninguém fora da KittenML mostrou ainda como ele soa, e a licença exclui a maioria das empresas que captaram investimento. Damos nota 3.4 de 5.
- Quanto custa KittenTTS 2?
- Pesos gratuitos sob a Stellon Labs Community License para pesquisa e para usuários comerciais abaixo de US$ 1 milhão em receita e em captação, com cadastro. Preço da API hospedada não publicado.
- Quais são as desvantagens de KittenTTS 2?
- Sem resultados publicados de acurácia ou de teste de audição; ausente dos rankings da Artificial Analysis; o uso comercial gratuito termina em US$ 1 milhão de receita ou US$ 1 milhão de captação; política de uso aceitável não pública; o backend PyTorch padrão roda abaixo do tempo real em um Mac.
- Para quem KittenTTS 2 é indicado?
- Hobbistas, pesquisadores e desenvolvedores sem investimento que querem clonagem de voz offline em hardware comum e aceitam um teto de qualidade ainda não comprovado.
- Quanto custa KittenTTS 2 para uma equipe ou em produção?
- Auto-hospedar é barato: o benchmark de vLLM da KittenML usa uma única RTX 3060 de 12 GB, e o runtime em C++ mantém os pesos do transformer em cerca de 357 MiB na CPU. A plataforma hospedada da KittenML exige login e não publica preços.
- KittenTTS 2 é seguro para dados da empresa?
- Stellon Labs Community License: gratuita para pesquisa e uso não comercial; o uso comercial exige cadastro e para acima de US$ 1 milhão em receita anual ou captação total; atribuição 'Powered by KittenML'; proibido treinar modelos generativos fundacionais com as saídas; revogável. O modelo de falante pyannote incluído é MIT e o código é Apache 2.0. Auto-hospedado, o áudio nunca sai da sua máquina.
- Quais são as melhores alternativas ao KittenTTS 2?
- As alternativas mais próximas que analisamos são Kokoro-82M, Chatterbox, Qwen3-TTS e OmniVoice.
Respostas verificadas em 28 de out. de 2026.