Piper vs Kokoro TTS (2026): ¿Qué motor de voz local deberías usar?

Qué es realmente cada motor

• Piper es un motor de texto a voz neuronal, creado originalmente por Michael Hansen dentro de Rhasspy, un kit de herramientas de código abierto para asistentes de voz sin conexión. Convierte texto en fonemas con espeak-ng y luego sintetiza una forma de onda a partir de esos fonemas usando un modelo de tipo VITS exportado a ONNX Runtime para inferencia rápida, incluso en hardware de solo CPU. Se convirtió en el motor TTS local predeterminado en el pipeline de voz de Home Assistant y hoy lo mantiene la Open Home Foundation en OHF-Voice/piper1-gpl. PromptQuorum lo cubre en detalle en una reseña dedicada a Piper.
• Kokoro es un modelo TTS de peso abierto de 82 millones de parámetros publicado en Hugging Face por el desarrollador conocido como hexgrad. Su arquitectura se basa en StyleTTS 2 con un vocoder ISTFTNet, en un diseño solo-decodificador sin paso de difusión — un pipeline más pequeño y simple que muchos modelos TTS con mayor cantidad de parámetros. Según su ficha de modelo en Hugging Face, se entrenó con unos cientos de horas de audio con licencia permisiva o de dominio público, y la versión 1.0 se publicó el 27 de enero de 2025.
• Ninguno de los dos modelos clona una voz a partir de un clip de referencia corto. Piper y Kokoro ofrecen cada uno un conjunto fijo de voces preentrenadas entre las que elegir — una capacidad fundamentalmente distinta de un modelo de clonación de voz como XTTS v2, que sintetiza habla en una voz nueva a partir de 6 segundos de audio de muestra, aunque bajo licencia no comercial.
• Ambos funcionan completamente sin conexión, en tu propio hardware. Ninguno de los dos motores envía texto ni audio a una API en la nube — todo el pipeline de síntesis se ejecuta localmente, algo relevante para aplicaciones sensibles a la privacidad y para evitar costes de TTS en la nube por carácter.

Piper vs Kokoro: comparación directa

Ejemplos de uso reales

• Piper arranca más rápido. Sus modelos ONNX por voz cargan rápido y la síntesis es casi instantánea en CPU, por lo que es la opción habitual para asistentes de voz interactivos en hardware limitado.
• El pipeline de Kokoro agrupa la síntesis en fragmentos (la tupla gs/ps/audio de arriba), algo que conviene saber antes de asumir que una sola llamada devuelve un búfer de audio continuo para texto largo.

# ── Piper: instalación y síntesis ─────────────────────────────
pip install piper-tts
python3 -m piper.download_voices en_US-lessac-medium
python3 -m piper -m en_US-lessac-medium -f test.wav -- "This is a test."

# API de Python de Piper
from piper import PiperVoice
voice = PiperVoice.load("en_US-lessac-medium.onnx")
with open("test.wav", "wb") as wav_file:
    voice.synthesize_wav("Fast, local speech synthesis.", wav_file)

# ── Kokoro: instalación y síntesis ────────────────────────────
pip install kokoro soundfile

# API de Python de Kokoro (según hexgrad/Kokoro-82M en Hugging Face)
from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code="a")  # "a" = inglés americano
generator = pipeline(
    "Kokoro produces noticeably natural-sounding speech from a small model.",
    voice="af_heart",
)
for i, (gs, ps, audio) in enumerate(generator):
    sf.write(f"output_{i}.wav", audio, 24000)

Licencia y coste

Quién debería usar cuál

• Elige Piper si: funcionas en una Raspberry Pi o un dispositivo similarmente limitado, necesitas la menor latencia posible hasta el primer audio, o te integras con el pipeline de voz de Home Assistant, donde Piper es el motor TTS local predeterminado.
• Elige Kokoro si: produces audiolibros, narraciones, o cualquier contenido donde los oyentes notarían un habla robótica, y dispones de margen de CPU o GPU más allá del mínimo absoluto.
• No elijas ninguno de los dos, y consulta XTTS v2 en su lugar, si: necesitas clonar la voz de una persona específica a partir de un clip de referencia corto — tanto Piper como Kokoro usan solo voces preentrenadas fijas, y ninguno realiza clonación de voz. Consulta la reseña de XTTS v2 de PromptQuorum (licencia no comercial) o la guía de licencias TTS locales para alternativas capaces de clonar y sus licencias.
• No elijas ninguno de los dos, y consulta la comparativa de ElevenLabs en su lugar, si: necesitas clonación de voz de nivel comercial con una licencia de pago clara y no quieres autoalojarla. Consulta la comparativa ElevenLabs vs TTS local de PromptQuorum.

Para qué no sirve ninguno de los dos

• Clonar la voz de una persona específica a partir de un clip de muestra. Ambos motores ofrecen solo voces preentrenadas — no hay ningún mecanismo en ninguno de los dos para generar habla en una voz nueva, nunca antes escuchada, a partir de una grabación de referencia corta. Consulta en su lugar XTTS v2, teniendo en cuenta su licencia no comercial.
• Audio expresivo no vocal (risas, suspiros, sonido ambiental). Ambos motores sintetizan habla, no el rango de audio expresivo más amplio al que apunta un modelo como Bark.
• La máxima fidelidad de audio posible sin importar el coste en recursos. Para lectores que específicamente quieren la narración en inglés de mayor calidad y no tienen restricciones de recursos, la reseña de StyleTTS 2 de PromptQuorum cubre un modelo con una arquitectura subyacente comparable a Kokoro pero un compromiso de tamaño/calidad distinto.
• Una base de código GPL-3.0 dentro de un producto de código cerrado que modifica el propio código fuente de Piper. Si tu plan de despliegue implica bifurcar o enlazar estáticamente código fuente de Piper modificado en un binario de código cerrado, la licencia GPL-3.0-or-later actual de Piper es una restricción real — la licencia Apache-2.0 de Kokoro no tiene esta restricción.

Alternativas

Preguntas frecuentes

Veredicto

Fuentes

• Kokoro-82M en Hugging Face — la ficha de modelo: parámetros, arquitectura, licencia, voces y fecha de publicación.
• hexgrad/kokoro en GitHub — el código fuente del pipeline de Kokoro y la documentación de la API.
• OHF-Voice/piper1-gpl en GitHub — el repositorio de Piper activamente mantenido, su licencia y documentación.
• rhasspy/piper en GitHub — el repositorio original, hoy archivado, con licencia MIT.
• Reseña de Piper TTS — la reseña dedicada de PromptQuorum sobre Piper, incluyendo su historial de relicenciamiento de 2025.

Lecturas relacionadas

• Reseña de Piper TTS — la reseña completa de Piper, incluyendo su historia y relicenciamiento.
• Reseña de XTTS v2 — para lectores que realmente necesitan clonación de voz, algo que ni Piper ni Kokoro ofrecen.
• Licencias de TTS local y clonación de voz: Piper, XTTS v2, F5-TTS y Coqui — el análisis profundo de licencias entre todos los principales motores TTS locales.
• ElevenLabs vs Piper vs XTTS v2 — la comparativa nube vs local para lectores que deciden si autoalojar.
• Reseña de StyleTTS 2 — un modelo TTS relacionado, de alta calidad y sin clonación, con una arquitectura subyacente comparable a Kokoro.