Kokoro-82M explicado: por qué Local TTS lo usa en el dispositivo

En una aplicación que lee en voz alta, los controles visibles son solo una parte de la experiencia. El modelo que trabaja detrás decide si la voz suena natural, mantiene un buen ritmo, pronuncia con claridad y responde lo bastante rápido como para sentirse como un lector, no como un proceso de renderizado.

Local TTS utiliza Kokoro-82M para sus voces neuronales de inglés estadounidense y británico. Es lo bastante compacto para ejecutarse directamente en un iPhone o iPad y lo bastante capaz para que escuchar textos largos resulte natural. El texto y la voz generada permanecen en tu dispositivo.

No necesitas Python, terminal, archivos de modelo ni clave API. Pega texto, importa un documento o fotografía una página impresa y pulsa Reproducir.

Imagen oficial y fuentes técnicas: La portada es la vista previa social oficial que Hugging Face proporciona para el repositorio hexgrad/Kokoro-82M, utilizada sin cambios y no generada por IA. Los datos de arquitectura, versión, entrenamiento y licencia proceden de la ficha oficial; el número de voces y los límites de calidad, del archivo VOICES.md oficial.

La respuesta en una frase

Kokoro-82M es un modelo TTS de pesos abiertos con 82 millones de parámetros que produce voz natural a 24 kHz con mucho menos cálculo que muchos modelos mayores, una combinación ideal para la lectura privada en el dispositivo.

Un modelo puede sonar de maravilla en un servidor con una GPU potente y no ser adecuado para un teléfono. Local TTS necesita voz natural, uso razonable de memoria, reproducción ágil y ningún viaje a una API en la nube. Kokoro permite esa combinación para el inglés.

¿Qué es Kokoro-82M?

Kokoro-82M es un modelo neuronal de texto a voz creado por hexgrad. «82M» hace referencia a sus aproximadamente 82 millones de parámetros. La ficha oficial de Kokoro lo describe como un modelo de pesos abiertos que busca una calidad comparable a sistemas mayores, pero con más velocidad y eficiencia.

La versión 1.0 se publicó el 27 de enero de 2025. Según la ficha, se entrenó con unos cientos de horas de audio permisivo, de dominio público y sintético. Sus pesos se distribuyen bajo Apache 2.0.

Kokoro se basa en StyleTTS 2, pensado para estilos expresivos, y en ISTFTNet, un vocoder neuronal ligero que convierte eficazmente la salida del modelo en una onda de audio. La versión pública no es todo el sistema de entrenamiento StyleTTS 2: la ficha la define como solo decodificador, sin el componente de difusión ni un codificador publicado.

Por qué 82 millones importan en un teléfono

El número de parámetros no es una puntuación. Un modelo mayor puede captar más matices, pero suele requerir más memoria, cálculo, energía y tiempo. Ese coste se nota al leer un capítulo, no solo una frase de demostración.

El tamaño compacto de Kokoro deja espacio para que Local TTS construya una experiencia completa alrededor del modelo:

• Generación local: la voz se produce en el dispositivo, sin esperar a un servidor remoto.
• Lectura ágil: la aplicación puede preparar las frases siguientes mientras escuchas la actual.
• Textos largos sin contador: escucha PDF, EPUB y artículos sin pagar una API por carácter.
• Disponibilidad sin conexión: funciona en un avión, en el metro o con una red inestable.
• Privacidad por arquitectura: tus textos y documentos no tienen que subirse para generar voz.

Aquí, ser pequeño es una ventaja de producto. El objetivo no es ganar una competición de parámetros, sino ofrecer voz de calidad cuando pulsas Reproducir.

Por qué Local TTS usa Kokoro-82M

Integrar un modelo en una aplicación de lectura real exige más que incluir sus pesos. Hay que normalizar el texto, dividirlo en límites naturales, preparar y guardar el audio, seguir la lectura y continuar cuando la pantalla se bloquea.

1. Voces naturales de inglés estadounidense y británico

El catálogo oficial de voces de Kokoro v1.0 incluye 20 voces estadounidenses y 8 británicas. El catálogo completo de Local TTS ofrece las 28, con distintos acentos, géneros y caracteres vocales.

La versión gratuita incluye tres voces inglesas seleccionadas, para que pruebes Kokoro con tu propio texto antes de decidir si necesitas Pro.

2. Modelo incluido, no llamada a una API

Local TTS lleva el modelo dentro de la aplicación. Tu iPhone o iPad convierte el texto directamente en voz. Ningún proveedor TTS recibe el documento, no hay cola de servidor ni se exige una cuenta.

Resulta especialmente útil para manuscritos sin publicar, documentos de trabajo, notas personales o material de estudio. Si activas iCloud, las notas pueden sincronizarse mediante tu propia cuenta; la generación de voz sigue ocurriendo en el dispositivo.

3. Dos rutas optimizadas para cada situación

Local TTS usa MLX y Metal de Apple para una generación ágil en primer plano. También emplea una ruta Core ML optimizada para seguir preparando voz durante la reproducción en segundo plano y la exportación de audio sin recurrir a la nube.

No tienes que gestionar nada. La aplicación elige el motor adecuado manteniendo la misma voz y los mismos controles.

4. De modelo de voz a lector completo

Kokoro genera voz. Local TTS convierte esa capacidad en una herramienta cotidiana:

• pega un artículo o escribe una nota;
• importa PDF, EPUB, Word, TXT y Markdown;
• escanea una página con OCR en el dispositivo;
• sigue el resaltado durante la reproducción;
• elige voz y velocidad para cada nota;
• continúa desde la pantalla de bloqueo y el Centro de control;
• exporta voz como M4A con Pro.

Descarga Local TTS gratis en el App Store para probar Kokoro-82M sin instalar un modelo ni abrir un terminal.

¿Kokoro proporciona los 31 idiomas de Local TTS?

No, y la diferencia es importante. Kokoro impulsa el catálogo de inglés estadounidense y británico. La voz de 31 idiomas de la aplicación funciona con Supertonic 3, un motor TTS multilingüe independiente que también se ejecuta en el dispositivo.

Nuestra guía de Supertonic 3 explica cómo una voz de Local TTS lee los 31 idiomas sin conexión.

La versión pública de Kokoro v1.0 contiene voces en ocho idiomas, pero su documentación advierte que el soporte no inglés puede ser limitado por las diferencias en herramientas de pronunciación y datos de entrenamiento. Local TTS usa Kokoro donde su implementación móvil es más sólida: el inglés. Supertonic 3 se encarga del español, coreano, japonés, francés, alemán y los demás idiomas compatibles.

Ambos motores funcionan localmente. Cambiar de idioma no te envía a un servicio en la nube.

Qué influye en la calidad real

La misma voz no suena igual de natural con cualquier texto:

1. Puntuación: comas, puntos y párrafos indican pausas y entonación.
2. Nombres y términos técnicos: nombres poco comunes, siglas y marcas pueden requerir una pequeña edición.
3. Longitud de la frase: un fragmento muy corto puede sonar abrupto; una frase interminable, apresurada.
4. Números y símbolos: fechas, números romanos y fórmulas pueden tener varias lecturas.
5. Elección de voz: una voz ideal para una novela quizá no lo sea para revisar notas técnicas.

Local TTS normaliza casos habituales y divide textos largos en unidades apropiadas. Para obtener mejores resultados, conserva una puntuación clara y prueba varias voces con el material que realmente escucharás.

Impresionante, pero no infalible

El catálogo oficial señala que la calidad varía con la cantidad y calidad de los datos de cada voz. Suelen funcionar mejor en un rango medio de unos 100–200 tokens; los enunciados muy cortos pueden ser más débiles y los muy largos, acelerarse. Local TTS reduce esos extremos con preparación y división por frases, pero no puede garantizar cada pronunciación.

Kokoro es además un modelo de pesos abiertos, no una publicación completa y abierta del entrenamiento. Los pesos tienen licencia Apache, pero la ficha indica que no se publicaron el codificador ni todo el sistema de entrenamiento.

Si la pronunciación es crítica, comprueba nombres, abreviaturas y vocabulario técnico antes de exportar o publicar. El audio compartido debe identificarse también como voz sintética.

Preguntas frecuentes

¿Local TTS usa realmente Kokoro-82M?

Sí. Kokoro-82M v1.0 impulsa las voces neuronales estadounidenses y británicas. El modelo y los datos de voz se incluyen para uso local.

¿Funciona sin Internet?

Sí. Una vez instalada la aplicación, la generación de voz funciona sin conexión.

¿Cuántas voces Kokoro hay?

El catálogo completo contiene 28 voces inglesas: 20 estadounidenses y 8 británicas. La versión gratuita incluye tres voces inglesas seleccionadas y la voz multilingüe.

¿Se sube mi PDF o texto?

No. Importación, texto pegado, OCR y generación de voz se procesan en el dispositivo. No hay cuentas, anuncios ni seguimiento.

¿Debo descargar Kokoro por separado?

No. No necesitas Hugging Face, Python, línea de comandos ni clave API.

¿Se usa Kokoro para español y los demás idiomas?

No en Local TTS. Kokoro cubre el catálogo inglés; Supertonic 3 proporciona la voz en 31 idiomas dentro del dispositivo.

Escucha Kokoro-82M con tu propio texto

Kokoro-82M hace que la voz neuronal natural sea práctica más allá de una demostración o una API en la nube. Local TTS añade importación de documentos, OCR, seguimiento, reproducción en segundo plano, controles de voz y exportación de audio.

Pega un párrafo, importa el PDF que llevas tiempo queriendo leer o fotografía una página. Elige una voz inglesa y escucha: tu texto permanece en tu dispositivo de principio a fin.

Descarga Local TTS gratis en el App Store y escucha Kokoro-82M en tu iPhone o iPad.