Kokoro es un modelo de síntesis de voz (TTS) de código abierto con solo 82 millones de parámetros capaz de generar audio realista en inglés, mandarín e hindi, entre otros idiomas, y ofrece alrededor de 50 voces distintas. Su principal atractivo es que produce resultados de alta calidad funcionando íntegramente en CPU, sin necesidad de una GPU dedicada, lo que lo hace accesible para equipos modestos o para entornos donde la GPU ya está ocupada —por ejemplo, ejecutando un modelo de lenguaje local.
Para ponerlo en marcha de forma rápida existe la imagen de contenedor Kokoro-FastAPI, de unos 5 GB, que incluye los modelos de voz predescargados y puede lanzarse con un único comando en Docker o Podman. El contenedor expone una interfaz web sencilla en localhost:8880/web para probar la síntesis al instante y, además, ofrece un endpoint compatible con la API de texto a voz de OpenAI, lo que permite integrarlo sin cambios en aplicaciones que ya la utilizan. El repositorio speak, del mismo autor, incluye ejemplos listos en JavaScript y Python, y permite elegir voz mediante la variable de entorno TTS_VOICE.
En pruebas prácticas con la voz am_eric y un párrafo corto, la generación tardó 4,7 segundos en un Intel Core i7-4770K (lanzado hace doce años), 4,5 segundos en un Apple M2 Pro y 1,5 segundos en un AMD Ryzen 7 8745HS, lo que confirma su viabilidad en hardware modesto. Como alternativa, la herramienta Speaches ofrece un servicio TTS también compatible con la API de OpenAI e incluye Whisper para reconocimiento de voz, lo que la convierte en una solución integral de TTS más STT.