O que é Kokoro-82M?
Situação: sem manutenção. O último commit em hexgrad/kokoro foi em 6 de agosto de 2025 e os pesos foram atualizados pela última vez em abril de 2025, então nada mudou em mais de um ano; ele ainda tem cerca de 10 milhões de downloads por mês no Hugging Face. O Kokoro é um modelo de texto para fala de pesos abertos com 82 milhões de parâmetros, construído sobre a arquitetura StyleTTS 2 por um desenvolvedor conhecido como hexgrad. A versão 1.0, publicada em 27 de janeiro de 2025, traz 54 vozes prontas em 8 idiomas, e o pacote Python cobre inglês americano e britânico, espanhol, francês, hindi, italiano, português brasileiro, japonês e mandarim.
Os pesos são Apache 2.0. O model card diz que ele foi treinado com algumas centenas de horas de áudio em domínio público e com licenças permissivas, mais fala sintética gerada por modelos de TTS fechados de grandes provedores, por cerca de US$ 1.000 de tempo de GPU. A página no Hugging Face registra mais de 10 milhões de downloads no último mês. Não houve modelo novo desde o v1.0, e o último commit do repositório no GitHub foi em 6 de agosto de 2025, há mais de 14 meses.
Quanto custa Kokoro-82M?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Replicate | $0.65 per million characters | Via Artificial Analysis |
| DeepInfra | $0.99 per million characters |
Gratuito sob Apache 2.0. Hospedado a US$ 0,65 por milhão de caracteres na Replicate (via Artificial Analysis), o mais barato do seu leaderboard, e a US$ 0,99 na DeepInfra.
Kokoro-82M vale a pena?
O Kokoro é a resposta padrão quando a fala precisa ser barata, local e juridicamente simples, e a resposta errada quando precisa soar humana. A Artificial Analysis o coloca em 57º de 98 modelos de texto para fala com 1065 Elo, no nível do Amazon Polly Generative (1066) e à frente do aberto Chatterbox (1024), a US$ 0,65 por milhão de caracteres, o menor preço do ranking. O Eleven v4 Turbo lidera com 1335 e custa US$ 40 pelo mesmo milhão de caracteres.
O tamanho explica a economia. O repositório inteiro, com pesos e pacotes de voz, tem cerca de 330 MB, e o modelo é um design StyleTTS 2 só de decoder com um vocoder ISTFTNet e sem etapa de difusão. A regra prática do model card é de 1.000 caracteres para um minuto de áudio, o que deixa o Kokoro hospedado abaixo de US$ 0,06 por hora de fala.
O licenciamento é mais simples que o da maioria, embora não tão limpo quanto "áudio com licença permissiva" sugere. Os pesos são Apache 2.0. O conjunto de treino misturou áudio em domínio público, com licenças Apache e MIT e CC BY com fala sintética de modelos de TTS comerciais fechados, o que o card defende com orientações do US Copyright Office. Se isso combina bem com os termos desses provedores é uma questão para advogados, não para o model card.
O desenvolvimento parou. O v1.0 saiu em 27 de janeiro de 2025, o repositório foi alterado pela última vez em 6 de agosto de 2025, mais de 14 meses antes desta verificação, e ainda não há clonagem nem controle de estilo além das 54 vozes prontas. A popularidade também atraiu imitadores: o card avisa que sites com "kokoro" no domínio não são afiliados e provavelmente são golpes, um risco real para quem procura uma versão hospedada.
Onde ele se destaca
Um engenheiro de acessibilidade em um portal de notícias regional
Adicionar áudio para ouvir o artigo em todas as matérias sem uma conta alta por caractere
Pré-renderize cada artigo nos servidores existentes ou chame um host: a US$ 0,65 por milhão de caracteres, 50 milhões de caracteres por mês custam cerca de US$ 33. Os ouvintes recebem uma voz clara, mas claramente sintética.
Um desenvolvedor de um app de leitura offline para Android e desktop
Entregar narração embutida que funcione sem rede
O download pequeno e a licença Apache permitem embutir sem royalties. O pacote depende do espeak-ng para alguns idiomas e palavras desconhecidas em inglês, então essa dependência e a licença dela vão junto com o app.
Um gerente de treinamento e desenvolvimento com 2.000 módulos de treinamento internos
Dar voz a conteúdo de curso de baixo risco a baixo custo
100 milhões de caracteres, cerca de 1.700 horas de áudio, custam cerca de US$ 65 no Kokoro hospedado, contra cerca de US$ 4.000 no Eleven v4 Turbo pelos preços da Artificial Analysis. Os alunos vão ouvir a diferença de 270 pontos de Elo.
Antes de decidir
- Configuração
- Rode pip install kokoro (0.9.2 ou mais recente) mais o espeak-ng, depois algumas linhas de Python com KPipeline; a saída é áudio de 24 kHz. GPUs Apple Silicon precisam de PYTORCH_ENABLE_MPS_FALLBACK=1.
- Integrações
- Pacote Python construído sobre a biblioteca de grafema para fonema misaki; endpoints hospedados na Replicate e na DeepInfra; um Space de demonstração no Hugging Face.
- Dados e privacidade
- Pesos Apache 2.0, uso comercial permitido. O treino misturou áudio em domínio público, com licenças permissivas e CC BY (Koniwa, SIWIS) com saída sintética de modelos de TTS fechados. Auto-hospedado, o texto fica nos seus servidores.
- Custo em escala
- US$ 0,65 por milhão de caracteres na Replicate (pelo número da Artificial Analysis) e US$ 0,99 na DeepInfra, então 100 milhões de caracteres por mês, cerca de 1.700 horas de áudio, custam de US$ 65 a US$ 99 hospedados.
- Limites
- 54 vozes prontas em 8 idiomas, sem clonagem de voz nem controle de emoção, 1065 Elo e nenhum lançamento de modelo desde o v1.0 em janeiro de 2025.
O que é bom
- Apache 2.0; cerca de 330 MB incluindo os pacotes de voz
- US$ 0,65 por milhão de caracteres hospedado, o mais barato da Artificial Analysis
- 54 vozes prontas em 8 idiomas
- Design só de decoder, sem etapa de difusão
O que não é
- 1065 Elo: no nível do Polly Generative, 270 abaixo do líder
- Só vozes prontas; sem clonagem nem controle de emoção
- Nenhuma atualização do modelo desde janeiro de 2025
- Os dados de treino incluem áudio sintético de modelos de TTS fechados
Ideal para
Desenvolvedores que precisam de fala barata e com licença permissiva para narração, acessibilidade ou protótipos.
Alternativas ao Kokoro-82M
Kokoro-82M: perguntas frequentes
- Kokoro-82M vale a pena?
- Nada tão pequeno soa tão bem, mas ele não recebe atualizações desde agosto de 2025, então trate-o como software pronto, e não como um projeto que vai melhorar. Damos nota 3.9 de 5.
- Quanto custa Kokoro-82M?
- Gratuito sob Apache 2.0. Hospedado a US$ 0,65 por milhão de caracteres na Replicate (via Artificial Analysis), o mais barato do seu leaderboard, e a US$ 0,99 na DeepInfra.
- Quais são as desvantagens de Kokoro-82M?
- 1065 Elo: no nível do Polly Generative, 270 abaixo do líder; só vozes prontas; sem clonagem nem controle de emoção; nenhuma atualização do modelo desde janeiro de 2025; os dados de treino incluem áudio sintético de modelos de TTS fechados.
- Para quem Kokoro-82M é indicado?
- Desenvolvedores que precisam de fala barata e com licença permissiva para narração, acessibilidade ou protótipos.
- Quanto custa Kokoro-82M para uma equipe ou em produção?
- US$ 0,65 por milhão de caracteres na Replicate (pelo número da Artificial Analysis) e US$ 0,99 na DeepInfra, então 100 milhões de caracteres por mês, cerca de 1.700 horas de áudio, custam de US$ 65 a US$ 99 hospedados.
- Kokoro-82M é seguro para dados da empresa?
- Pesos Apache 2.0, uso comercial permitido. O treino misturou áudio em domínio público, com licenças permissivas e CC BY (Koniwa, SIWIS) com saída sintética de modelos de TTS fechados. Auto-hospedado, o texto fica nos seus servidores.
- Quais são as melhores alternativas ao Kokoro-82M?
- As alternativas mais próximas que analisamos são Chatterbox, Qwen3-TTS, Gemini 3.8 Flash TTS e OmniVoice.
Respostas verificadas em 26 de out. de 2026.