Kokoro-82M ve Supertonic 3: neden iki model birden?

Local TTS, tek değil iki nöral konuşma modeliyle birlikte gelir. Amerikan ve Britanya İngilizcesi seslerini Kokoro-82M, 31 dilli çok dilli sesi ise Supertonic 3 okur. İkisi de tamamen iPhone veya iPad’inizde çalışır.

Tek model uygulamayı daha küçük ve daha basit yapacakken neden iki model taşıyoruz? Çünkü yayımlanmış kıyaslamalar net bir yanıt veriyor: şu anda hiçbir kompakt cihaz içi model doğallık, okuma doğruluğu, hız ve dil kapsamını aynı anda kazanamıyor. Bu iki modelin her biri farklı bir yarışı kazanıyor; ikisini bir arada kullanmak, Local TTS’nin her modeli tam da en güçlü olduğu yerde çalıştırmasını sağlıyor.

Bu yazı, bu kararın arkasındaki resmî değerlendirme sonuçlarını adım adım ele alıyor: model yayıncıları neyi ölçtü, bağımsız testler ne buldu ve bütün bunlar gerçekten duyduğunuz okuyucuya nasıl yansıyor.

Kaynaklar ve kapak görseli: Kapak, Supertone’un Supertonic deposundaki resmî okuma doğruluğu grafiğinin değiştirilmemiş hâlidir. Kokoro rakamları resmî hexgrad/Kokoro-82M model kartından; Supertonic rakamları Supertone’un resmî deposundan ve model kartından; birebir CPU testi ise bağımsız bir üçüncü taraf kıyaslamasından alınmıştır. Kaynak rakamlar, yayıncıları tarafından kendi donanımlarında ölçülmüştür; iPhone üzerinde değil.

Tek cümlelik yanıt

Kokoro-82M, İngilizcede insanların doğallık değerlendirmelerinde önde; Supertonic 3 ise CPU hızında önde ve 31 dili rekabetçi doğrulukla okuyor. Bu yüzden Local TTS İngilizceyi Kokoro’ya, çok dilli her şeyi Supertonic 3’e yönlendiriyor — hepsi cihazınızda.

Metin okuma performansı nasıl ölçülür?

Bir okuma uygulaması için dört ölçüm önemlidir; rakamlara bakmadan önce her birinin ne anlama geldiğini bilmekte fayda var:

1. Doğallık insanlar tarafından değerlendirilir. En bilinen halka açık test, kör bir arenadır: dinleyiciler iki anonim ses kaydını dinler ve daha doğal bulduklarına oy verir. Ortaya, pazarlamanın etkileyemeyeceği Elo tarzı bir sıralama çıkar.
2. Okuma doğruluğu, modelin kendisine verilen metni gerçekten söyleyip söylemediğine bakar — atlanan, tekrarlanan veya bozuk kelime olmamalı. Üretilen ses yeniden metne dönüştürülerek kelime hata oranı (WER) veya karakter hata oranı (CER) olarak puanlanır. Düşük olan iyidir.
3. Hız, gerçek zaman faktörü (RTF) olarak raporlanır: sentez süresinin ses süresine bölümü. 0.3 RTF, bir saniyelik konuşmanın 0.3 saniyede üretilmesi demektir — gerçek zamandan yaklaşık 3,3 kat hızlı. Düşük olan hızlıdır.
4. Boyut; parametre sayısını, indirme boyutunu ve bellek kullanımını kapsar — bir telefon uygulamasına sığan modelle sunucu GPU’su isteyen model arasındaki fark budur.

Bulut tabanlı bir ses, veri merkezi donanımıyla dördünün de peşinden koşabilir. Cihazda çalışan bir modelin ise ödün vermesi gerekir; iki modelin yolları da tam burada ayrılıyor.

Kıyaslamalar Kokoro-82M hakkında ne söylüyor?

Kokoro-82M’in öne çıkan sonucu, insan tercihine dayalı bir sıralama. v1.0 sürümünden önce resmî model kartı, Kokoro v0.19’un Hugging Face’teki kör dinleme arenası TTS Spaces Arena’da 1 numara olduğunu bildiriyordu. Model, yalnızca birkaç yüz saatlik sesle eğitilmesine rağmen, kendisinden kat kat büyük modellerden — XTTS v2 (467 milyon parametre) ve MetaVoice (1,2 milyar parametre) dâhil — daha yüksek Elo puanı elde etti.

Bu, üzerinde durmaya değer sıra dışı bir sonuç. Dinleyicilerin model adlarını ve parametre sayılarını göremediği bir testte, 82 milyon parametrelik bir model milyarlarca parametrelik sistemlere tercih edildi. Hesaplama gücü başına İngilizce doğallıkta Kokoro, kompakt modeller için çıtayı belirledi.

Ödün verilen nokta ise kapsam. Kokoro’nun halka açık sürümü sekiz dili kapsıyor; ancak kendi ses kataloğu, İngilizce dışındaki kalitenin eğitim verisine göre değiştiğini belirtiyor. Kokoro bir uzman: İngilizcede olağanüstü, diğer dillerde zayıf.

Kıyaslamalar Supertonic 3 hakkında ne söylüyor?

Supertone’un 29 Nisan 2026’da yayımladığı Supertonic 3 ise tam ters yönde değerlendiriliyor: genişlik ve verimlilik. Resmî depo, yaklaşık 99 milyon parametrelik modeli VoxCPM2, OmniVoice ve Qwen3-TTS gibi çok daha büyük açık TTS sistemleriyle karşılaştıran Minimax-MLS-test kıyaslamasındaki okuma doğruluğu sonuçlarını yayımlıyor.

İşte bu web sitesinin yazıldığı on bir dil için Supertone’un yayımladığı hata oranları (düşük olan iyidir; * karakter hata oranını, diğerleri kelime hata oranını gösterir):

Supertonic 3 her satırda birinci değil; Supertone da öyle olduğunu iddia etmiyor. Resmî sonuç daha kullanışlı: model, 31 dilde, kendisinden kat kat büyük modellerin rekabetçi hata aralığında kalıyor ve bunu hiçbir GPU’ya ihtiyaç duymayacak kadar küçük kalarak başarıyor.

Asıl öne çıktığı yer ise hız. Supertone, Supertonic 3’ü modern bir iPhone’dan çok daha zayıf donanımlarda çalıştırarak gösteriyor: uçak modundaki bir Onyx Boox Go 6 e-okuyucuda ortalama 0.3× RTF — yani bir e-okuyucuda gerçek zamandan yaklaşık üç kat hızlı — ve Raspberry Pi’de gerçek zamanlı sentez. Resmî çalışma zamanı karşılaştırması, NVIDIA A100 sunucu GPU’sunda ölçülen daha büyük modellere karşı bile sıradan CPU’larda hızlı çalıştığını ve belirgin biçimde daha az bellek kullandığını gösteriyor.

Kaynak: Supertone’un resmî çalışma zamanı grafiği, değiştirilmeden alınmıştır.

Kararımızı açıklayan birebir karşılaştırma

En doğrudan karşılaştırma, iki modeli de GPU’suz, mütevazı bir 4 çekirdekli CPU’da — yani yapay zekâ sunucusundan çok telefona yakın koşullarda — çalıştıran bağımsız bir üçüncü taraf kıyaslamasından geliyor. İki sonuç önemli:

• Hız: Supertonic 3, standart kalite ayarında 0.313 RTF ile sentezledi — gerçek zamandan yaklaşık 3,2 kat hızlı. Kokoro-82M ise 0.469–0.509 RTF ölçtü, yani yaklaşık 2 kat. İkisi de küçük bir CPU’da gerçek zamandan hızlı; ama Supertonic’in farkı daha büyük.
• Doğallık: aynı test, Kokoro’nun İngilizce çıktısını doğal vurgu ve tonlamasıyla daha insansı buldu; Supertonic’in en hızlı ayarları ise daha düz kaldı.

Başka bir deyişle, iki modelde de çıkarı olmayan bağımsız bir test, resmî rakamların işaret ettiği sonuca vardı: İngilizce doğallıkta Kokoro, hızda ve dil kapsamında Supertonic 3 kazanıyor. Tek bir model seçecek olsaydınız bir şeyden vazgeçmeniz gerekirdi. Local TTS seçmemeyi seçti.

Local TTS iki modeli neden bir arada kullanıyor?

Local TTS’nin içinde iki motor da tek bir okuyucunun arkasında durur. Ses listesindeki her ses iki modelden birine aittir; bir ses seçtiğinizde uygulama sentezi otomatik olarak doğru motora yönlendirir — aynı oynat düğmesi, aynı vurgulama, aynı hız kontrolleri, aynı çevrimdışı garanti.

İngilizce, Kokoro-82M’e gidiyor

Nedeni, insan tercihi sonuçları. Dinleyiciler İngilizcede 82 milyon parametrelik bir modeli sürekli olarak milyar parametrelik sistemlerin üstünde oyluyorsa, İngilizce sesli kitaplarınızın, makalelerinizin ve PDF’lerinizin alması gereken model odur. Local TTS, Kokoro’nun 28 Amerikan ve Britanya İngilizcesi sesinin tamamını içerir ve bunları Apple çiplerine göre ayarlanmış bir Core ML hattından geçirir. Bu hat, kelime kelime vurgulamayı sağlayan kelime zamanlamasını da üretir ve arka planda oynatma sırasında sentezlemeye devam eder.

Çok dilli her şey Supertonic 3’e gidiyor

Nedeni, kapsam ve verimlilik. Uygulamayla gelen tek bir Supertonic 3 modeli; Korece, Japonca, Almanca, Fransızca, İspanyolca ve 26 dili daha 44,1 kHz’de, çok daha büyük sistemlerle rekabet eden hata oranlarıyla okur. CPU öncelikli tasarımı sayesinde arka planda okuma ve uzun belgeler pilde bile pratik kalır. On hazır stilin (F1–F5, M1–M5) her biri 31 dilin tamamını okur; böylece diller arasında geçiş yapan bir belge, tek ve tutarlı bir sesle devam eder.

İkisini bir arada kullanmak neleri önlüyor?

• Yalnızca İngilizce bilen bir uygulama. Tek başına Kokoro, 30 dili güçlü bir sesten yoksun bırakırdı.
• Daha düz tek bir İngilizce ses. Tek başına Supertonic, arenayı kazanan İngilizce doğallığından ve 28 sesli İngilizce katalogdan vazgeçmek olurdu.
• Bulut yedeği. İki model de uygulamayla birlikte gelecek kadar küçük; bu yüzden hiçbir metin, “sunucudaki daha iyi modele” ulaşmak için cihazdan çıkmaz.

Bu birleşik tasarımın bedeli biraz uygulama boyutu ve mühendislik karmaşıklığı; biz bunu iyi bir takas olarak görüyoruz. Yukarıdaki kıyaslamalar, aslında bu tasarımın şartnamesi.

Local TTS’yi App Store’dan ücretsiz indirin ve iki motoru kendi metninizde karşılaştırın — üç Kokoro İngilizce sesi ve bir Supertonic 3 çok dilli sesi ücretsizdir.

Bu rakamları dürüstçe nasıl okumalı?

Kıyaslamalar bir karara ışık tutar; tartışmayı bitirmez. Dört noktayı akılda tutun:

1. Kaynak rakamlar iPhone’da ölçülmedi. Arena sıralamaları, WER tabloları ve RTF değerleri yayıncılarının donanımından geliyor. Local TTS’deki performans cihazınıza, metninize ve ayarlarınıza bağlıdır; yine de model sıralamaları, bulabildiğimiz bağımsız CPU testlerinin tümünde aynı çıktı.
2. Arena sıralamaları değişir. Kokoro’nun 1 numaralık sonucu, v0.19 değerlendirme dönemine ait resmî kayıttır; arenalara her ay yeni modeller giriyor. Sonucun kalıcı olarak kanıtladığı şey, kompakt modellerin kör İngilizce dinleme testlerini kazanabildiğidir.
3. WER/CER, makine transkripsiyonuyla puanlanır. Kelimelerin doğru söylenip söylenmediğini ölçer; sunumun güzel olup olmadığını değil — onu insan arenası ölçer. İki metriği birlikte okumak bu yüzden değerli.
4. Hız ayarları kaliteden çalar. Supertonic’in en hızlı yapılandırmaları doğallığı düşürür. Local TTS, manşetlik olanı değil dengeli ayarı kullanır.

Sık sorulan sorular

Local TTS iki modeli gerçekten cihazda mı çalıştırıyor?

Evet. Kokoro-82M de Supertonic 3 de uygulamayla birlikte gelir. Metin, belgeler ve üretilen ses iPhone veya iPad’inizde işlenir; konuşma sunucusu yoktur.

Ben aslında hangi modeli duyacağım?

Ses seçiminize bağlı. 28 Amerikan ve Britanya İngilizcesi sesi Kokoro-82M’dir; on çok dilli stil (F1–F5, M1–M5) Supertonic 3’tür. Not bazında istediğiniz an geçiş yapabilirsiniz.

Neden doğrudan VoxCPM2 veya Qwen3-TTS gibi daha büyük kıyaslama kazananlarını kullanmıyorsunuz?

Bu sistemler kat kat daha büyük ve sunucu GPU’larında kıyaslanıyor. Local TTS, telefonda çevrimdışı çalışan modeller üzerine kurulu; bu sınırın içinde, bildiğimiz en güçlü yayımlanmış ikili bu ikisi.

Kokoro mu daha hızlı, Supertonic mi?

Aynı küçük CPU’da bağımsız test, Supertonic 3’ü gerçek zamandan yaklaşık 3 kat, Kokoro’yu yaklaşık 2 kat hızlı ölçtü. İkisi de Local TTS’de kesintisiz okuma için fazlasıyla hızlı.

İki motorun sesi farklı mı?

Evet, bilerek. Kokoro sesleri kendine özgü İngilizce karakterlerdir; Supertonic stilleri ise tutarlı çok dilli anlatıcılardır. Kendi metninizde birkaç sesi deneyin — ücretsiz sürüm iki motoru da içerir.

Bunlardan herhangi biri internet bağlantısı gerektiriyor mu?

Hayır. İki model de konuşmayı çevrimdışı üretir. Uçak modu, bu iddiayı test etmek için biçilmiş kaftandır.

Kıyaslamaları kendi kulaklarınızla duyun

Rakamlar bir tasarımı açıklar; kulaklarınız onaylar. İngilizce bir makale yapıştırıp bir Kokoro sesi dinleyin; ardından Türkçe, Korece veya Almanca bir paragraf yapıştırın ve Supertonic 3’ün devralışını duyun — aynı uygulama, aynı gizlilik, arada bulut yok.

Local TTS’yi App Store’dan ücretsiz indirin ve neden tek model yerine iki model çalıştırdığımızı dinleyin.

Her motora daha yakından bakmak için Supertonic 3 rehberimizi ve Kokoro-82M rehberimizi (İngilizce) okuyabilirsiniz.