Kokoro : TTS local, léger et haute qualité sur CPU
Original : Local, CPU-Friendly, High-Quality TTS (Text-to-Speech) with Kokoro
Pourquoi c'est important
La TTS locale sans GPU démocratise la synthèse vocale respectueuse de la vie privée.
Kokoro est un modèle de synthèse vocale open source de seulement 82M paramètres, capable de générer une parole réaliste en plusieurs langues (anglais, mandarin, hindi) entièrement sur CPU, sans GPU, avec environ 50 voix disponibles.
Kokoro est un modèle TTS (Text-to-Speech) compact de 82 millions de paramètres qui produit une parole de haute qualité sans nécessiter de GPU. Le déploiement le plus simple passe par l'image Docker Kokoro-FastAPI (~5 Go), lancée via la commande `podman run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu`. Le service expose une interface web à localhost:8880/web ainsi qu'une API compatible OpenAI Speech, facilitant l'intégration dans des applications existantes. Des exemples de code JavaScript et Python sont disponibles sur github.com/remotebrowser/speak. Concernant les performances mesurées sur un court paragraphe avec la voix am_eric : Intel Core i7-4770K (12 ans d'âge) — 4,7 secondes ; Apple M2 Pro — 4,5 secondes ; AMD Ryzen 7 8745HS — 1,5 seconde. Une alternative, Speaches (speaches.ai), offre une compatibilité OpenAI et intègre également Whisper pour la reconnaissance vocale (STT), mais sans voix pré-embarquées dans le conteneur.