Kokoro TTS — Android

Kokoro-82M es un modelo de texto a voz ligero y no autorregresivo que se ejecuta en Android a través de ONNX Runtime. Produce voz natural a 24 kHz con 50 presets de voz en 7 idiomas.

Idiomas soportados

Idioma	Código	Voces de ejemplo
Inglés (EE. UU.)	en	af_heart, am_adam, af_sky
Inglés (Reino Unido)	en	bf_emma, bm_george
Español	es	ef_dora
Francés	fr	ff_siwis
Hindi	hi	hf_alpha, hm_omega
Italiano	it	if_sara
Japonés	ja	jf_alpha, jm_omega
Portugués	pt	pf_dora
Chino	zh	zf_xiaobei, zm_yunjian

50 presets de voz en total. Convención de nombrado de las voces: [idioma][género]_[nombre] — p. ej., af_heart = femenino americano "Heart".

Archivos del modelo

Archivo	Tamaño
`kokoro-model-int8.onnx`	~89 MB
`voices.bin`	Embeddings de voz
Diccionarios de fonemas	Datos de pronunciación específicos de cada idioma

HuggingFace: aufklarer/Kokoro-82M-ONNX

Rendimiento

Métrica	Valor
Parámetros	82M
Backend de inferencia	ONNX Runtime
Frecuencia de muestreo de salida	24 kHz

Fonemizador

El texto se convierte en tokens de fonemas usando un fonemizador basado en diccionario con soporte específico por idioma. La implementación en Android incluye fonemizadores para inglés, francés, español, italiano, portugués, hindi, japonés y chino.

Integración con el pipeline

En Android, Kokoro TTS forma parte del SpeechPipeline. Después de que el STT transcriba la voz, el texto se fonemiza y se sintetiza de nuevo como audio. El pipeline gestiona automáticamente todo el flujo VAD → STT → TTS.

val modelDir = ModelManager.ensureModels(context)
val pipeline = SpeechPipeline(SpeechConfig(modelDir = modelDir))
pipeline.events.collect { event ->
    when (event) {
        is SpeechEvent.TranscriptionCompleted -> println(event.text)
        else -> {}
    }
}
pipeline.start()
pipeline.pushAudio(samples) // 16kHz mono float32

Código fuente: github.com/soniqo/speech-android