Piper vs Kokoro TTS (2026) : quel moteur vocal local choisir ?

Ce qu'est vraiment chaque moteur

• Piper est un moteur de synthèse vocale neuronale, créé à l'origine par Michael Hansen au sein de Rhasspy, une boîte à outils open source pour assistants vocaux hors ligne. Il convertit le texte en phonèmes avec espeak-ng, puis synthétise une forme d'onde à partir de ces phonèmes à l'aide d'un modèle de type VITS exporté vers ONNX Runtime pour une inférence rapide, y compris sur du matériel CPU uniquement. Il est devenu le moteur TTS local par défaut du pipeline vocal de Home Assistant et est aujourd'hui maintenu par l'Open Home Foundation sous OHF-Voice/piper1-gpl. PromptQuorum le couvre en détail dans un test dédié à Piper.
• Kokoro est un modèle TTS à poids ouverts de 82 millions de paramètres, publié sur Hugging Face par le développeur connu sous le nom de hexgrad. Son architecture repose sur StyleTTS 2 avec un vocodeur ISTFTNet, dans une conception decoder-only sans étape de diffusion — un pipeline plus petit et plus simple que de nombreux modèles TTS avec un plus grand nombre de paramètres. Selon sa fiche modèle Hugging Face, il a été entraîné sur quelques centaines d'heures d'audio sous licence permissive ou du domaine public, et la version 1.0 a été publiée le 27 janvier 2025.
• Aucun des deux modèles ne clone de voix à partir d'un court extrait de référence. Piper et Kokoro proposent chacun un ensemble fixe de voix préentraînées parmi lesquelles choisir — une capacité fondamentalement différente d'un modèle de clonage vocal comme XTTS v2, qui synthétise la parole dans une nouvelle voix à partir de 6 secondes d'audio d'échantillon, mais sous licence non commerciale.
• Les deux fonctionnent entièrement hors ligne, sur votre propre matériel. Ni texte ni audio ne sont envoyés à une API cloud par l'un ou l'autre moteur — l'intégralité du pipeline de synthèse s'exécute localement, ce qui compte pour les applications sensibles à la confidentialité et pour éviter les coûts d'API TTS cloud facturés au caractère.

Piper vs Kokoro : comparatif côte à côte

Exemples d'utilisation réels

• Piper démarre plus vite. Ses modèles ONNX par voix se chargent rapidement et la synthèse est quasi instantanée sur CPU, ce qui en fait le choix courant pour les assistants vocaux interactifs sur du matériel contraint.
• Le pipeline de Kokoro regroupe la synthèse en segments (le tuple gs/ps/audio ci-dessus) — bon à savoir avant de supposer qu'un seul appel renvoie un tampon audio continu pour un texte long.

# ── Piper : installation et synthèse ───────────────────────────
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 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 : installation et synthèse ──────────────────────────
pip install kokoro soundfile

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

pipeline = KPipeline(lang_code="a")  # "a" = anglais américain
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)

Licence et coût

Qui devrait utiliser lequel

• Choisissez Piper si : vous tournez sur un Raspberry Pi ou un appareil similairement contraint, avez besoin de la latence la plus faible possible jusqu'au premier audio, ou vous intégrez au pipeline vocal de Home Assistant, où Piper est le moteur TTS local par défaut.
• Choisissez Kokoro si : vous produisez des livres audio, des narrations, ou tout contenu où les auditeurs remarqueraient une parole robotique, et que vous disposez d'une marge CPU ou GPU au-delà du strict minimum.
• Ne choisissez ni l'un ni l'autre, et voyez plutôt XTTS v2, si : vous devez cloner la voix d'une personne précise à partir d'un court extrait de référence — Piper comme Kokoro n'utilisent que des voix préentraînées fixes, et aucun des deux n'effectue de clonage vocal. Voir le test XTTS v2 de PromptQuorum (licence non commerciale) ou le guide des licences TTS locales pour des alternatives capables de clonage et leurs licences.
• Ne choisissez ni l'un ni l'autre, et voyez plutôt le comparatif ElevenLabs, si : vous avez besoin d'un clonage vocal de qualité commerciale avec une licence payante claire et ne voulez pas auto-héberger. Voir le comparatif ElevenLabs vs TTS local de PromptQuorum.

Ce pour quoi aucun des deux n'est adapté

• Cloner la voix d'une personne précise à partir d'un extrait échantillon. Les deux moteurs ne proposent que des voix préentraînées — aucun mécanisme dans l'un ou l'autre ne permet de générer de la parole dans une nouvelle voix, jamais entendue auparavant, à partir d'un court enregistrement de référence. Voir plutôt XTTS v2, en notant sa licence non commerciale.
• Audio expressif, non vocal (rires, soupirs, sons ambiants). Les deux moteurs synthétisent de la parole, pas l'éventail audio expressif plus large que cible un modèle comme Bark.
• Fidélité audio maximale possible, indépendamment du coût en ressources. Pour les lecteurs qui veulent spécifiquement la meilleure qualité de narration anglaise et ne sont pas contraints en ressources, le test StyleTTS 2 de PromptQuorum couvre un modèle avec une architecture sous-jacente comparable à Kokoro, mais un compromis taille/qualité différent.
• Une base de code GPL-3.0 au sein d'un produit à code source fermé qui modifie le code source propre de Piper. Si votre plan de déploiement implique de forker ou de lier statiquement du code source Piper modifié dans un binaire à code source fermé, la licence GPL-3.0-or-later actuelle de Piper est une contrainte réelle — la licence Apache-2.0 de Kokoro n'a pas cette restriction.

Alternatives

Questions fréquentes

Verdict

Sources

• Kokoro-82M sur Hugging Face — la fiche modèle : paramètres, architecture, licence, voix et date de publication.
• hexgrad/kokoro sur GitHub — le code source du pipeline Kokoro et la documentation de l'API.
• OHF-Voice/piper1-gpl sur GitHub — le dépôt Piper activement maintenu, sa licence et sa documentation.
• rhasspy/piper sur GitHub — le dépôt d'origine, aujourd'hui archivé, sous licence MIT.
• Test Piper TTS — le test dédié de PromptQuorum consacré à Piper, y compris son historique de relicenciement en 2025.

Lectures complémentaires

• Test Piper TTS — le test complet de Piper, y compris son histoire et son relicenciement.
• Test XTTS v2 — pour les lecteurs qui ont réellement besoin de clonage vocal, que ni Piper ni Kokoro ne proposent.
• Licences TTS locales et clonage vocal : Piper, XTTS v2, F5-TTS et Coqui — l'analyse approfondie des licences pour tous les principaux moteurs TTS locaux.
• ElevenLabs vs Piper vs XTTS v2 — le comparatif cloud vs local pour les lecteurs qui hésitent à s'auto-héberger.
• Test StyleTTS 2 — un modèle TTS haute qualité, sans clonage, à l'architecture sous-jacente comparable à Kokoro.