Principais conclusões
- Piper: criado especificamente para hardware embarcado/apenas com CPU, sem precisar de GPU, tempo real em um Raspberry Pi 4.
- Kokoro (82M de parâmetros, Apache-2.0): qualidade de voz mais natural, sem benchmark de tempo real documentado para o Pi — mais realista em um Pi 5 do que em um Pi 4.
- Coqui TTS / XTTS v2: adiciona clonagem de voz, pressupõe aceleração por GPU, não é uma boa opção para o Pi apenas com CPU.
- espeak-ng: a opção mais leve, com som robótico, uma alternativa de reserva e não a primeira escolha.
- O Pi 5 (Cortex-A76, 2,4GHz) tem uma CPU consideravelmente mais rápida do que o Pi 4 (Cortex-A72, até 1,8GHz) para qualquer uma dessas opções.
- A instalação do Piper é um único comando:
pip install piper-tts, seguido do download de um modelo de voz.
📍 Em uma frase
O Piper é o melhor motor de TTS local para um Raspberry Pi porque foi criado dentro do projeto de assistente de voz offline Rhasspy especificamente para hardware embarcado apenas com CPU, não precisa de GPU e, por isso, é a voz local padrão do Home Assistant; o Kokoro soa mais natural, mas não tem benchmark de tempo real documentado para o Pi, e o Coqui TTS/XTTS v2 pressupõem aceleração por GPU.
💬 Em termos simples
Se você quer que seu Raspberry Pi fale em voz alta sem conexão com a internet, o Piper é a ferramenta feita exatamente para essa tarefa — instale, baixe uma voz, e ele fala em tempo real em uma placa que custa a partir de cerca de 35 dólares. As opções mais sofisticadas (Kokoro, XTTS v2) soam melhor, mas não foram projetadas pensando na CPU limitada de um Raspberry Pi.
📌Nota: Este guia trata da velocidade de síntese apenas com CPU e da adequação ao Pi, não de clonagem de voz. Para clonagem de voz especificamente, veja a análise dedicada da PromptQuorum sobre o XTTS v2, que afirma explicitamente não recomendá-lo para CPUs da classe do Pi.
O que torna um motor de TTS adequado para um Raspberry Pi?
Um motor de TTS adequado ao Raspberry Pi precisa rodar sem GPU, caber seu modelo e runtime em algumas centenas de megabytes de RAM, e gerar áudio mais rápido do que em tempo real em uma CPU ARM quad-core. Um Raspberry Pi não tem uma GPU dedicada que valha a pena usar para inferência de TTS — todo motor aqui roda na CPU, então o fator decisivo é a eficiência com que cada um foi construído para essa restrição, não a qualidade bruta do modelo isolada.
- Nenhuma dependência de GPU. Um Raspberry Pi não tem uma GPU compatível com CUDA; um motor que pressupõe aceleração por GPU para uma velocidade aceitável fica desqualificado para uso em tempo real, mesmo que tecnicamente rode na CPU como alternativa.
- Consumo de RAM. Um Raspberry Pi 4 tem no máximo 8 GB de RAM total, compartilhados com o sistema operacional e quaisquer outros serviços em execução (Home Assistant, um detector de palavra de ativação); um motor de TTS que precisa de vários gigabytes só para carregar deixa pouco espaço para o resto.
- Complexidade de instalação. Um único
pip installcom wheels ARM pré-compilados é algo muito diferente de um kit de ferramentas que espera uma cadeia de dependências voltada para GPU (CUDA, cuDNN) que não se aplica em um Pi. - Compromisso na qualidade de voz. Todo motor desta lista troca alguma qualidade por velocidade; a questão é qual compromisso é certo para o seu caso de uso — um anúncio de smart speaker tem necessidades de qualidade diferentes de um projeto de clonagem de voz.
Piper vs Kokoro vs Coqui TTS/XTTS v2 vs espeak-ng em adequação ao Raspberry Pi
O Piper pontua melhor em todos os critérios específicos para o Pi, exceto na qualidade de voz bruta, onde Kokoro e XTTS v2 lideram. A tabela abaixo avalia cada motor pelos quatro critérios que realmente importam para o uso em um Raspberry Pi, não benchmarks gerais de TTS feitos em hardware de mesa ou servidor.
Motor | Consumo de RAM | Viabilidade só com CPU | Complexidade de instalação | Qualidade de voz |
|---|---|---|---|---|
| Piper | Baixo (arquivos de modelo geralmente bem abaixo de 100 MB por voz) | Feito para isso; tempo real amplamente relatado no Pi 4 | Um comando: pip install piper-tts | Boa, vozes neurais naturais o suficiente; sem clonagem |
| Kokoro | Moderado (modelo de 82M de parâmetros, ~327 MB de pesos) | Roda na CPU; sem benchmark de tempo real documentado no Pi | Pacote Python + download de modelo; mais dependências que o Piper | Maior — perto do topo dos rankings independentes de qualidade de TTS |
| Coqui TTS / XTTS v2 | Alto; VRAM de GPU pressuposta nos números de latência documentados | Fraca; a própria análise da PromptQuorum sobre o XTTS v2 aponta o uso apenas com CPU no Pi como impraticável | Instalação do kit de ferramentas mais aceitação da licença (CPML para o XTTS v2) | Mais alta — inclui clonagem de voz de 6 segundos em 17 idiomas |
| espeak-ng | Mínimo (poucos megabytes) | Trivial; roda em quase qualquer hardware, incluindo microcontroladores | Disponível diretamente na maioria dos gerenciadores de pacotes Linux | Som mecânico de síntese por formantes — não é fala natural |
Por que o Piper é a recomendação padrão para um Raspberry Pi
O Piper é a recomendação padrão porque foi projetado para essa categoria exata de hardware, não adaptado a ela depois. Ele nasceu dentro do Rhasspy, um kit de ferramentas de código aberto para construir assistentes de voz totalmente offline — um projeto cuja premissa inteira é rodar reconhecimento e síntese de voz em hardware local, muitas vezes modesto, incluindo placas Raspberry Pi, sem ida e volta a uma API na nuvem.
- Feito para dispositivos embarcados e com recursos limitados. O Piper usa uma arquitetura neural no estilo VITS, exportada para o ONNX Runtime para inferência rápida em CPU — uma escolha deliberada para hardware sem GPU como alternativa.
- Ainda é o padrão no Home Assistant. O Piper é o motor de texto para voz local padrão no pipeline de voz do Home Assistant, mantido pela Open Home Foundation, a mesma organização sem fins lucrativos responsável pelo Home Assistant — e boa parte das instalações do Home Assistant roda em um Raspberry Pi.
- Nunca precisa de GPU. Existe aceleração opcional por GPU CUDA para maior throughput em hardware de mesa, mas ela não é necessária — o Piper foi projetado para rodar em tempo real usando apenas CPU.
- Sem clonagem de voz — em vez disso, um catálogo fixo de vozes. O Piper vem com dezenas de vozes pré-treinadas em mais de 20 idiomas, em vez de clonar uma voz a partir de uma amostra; isso é um compromisso real em relação ao XTTS v2, mas também é o que mantém o consumo de recursos do Piper pequeno o suficiente para um Raspberry Pi.
Kokoro: qualidade maior, custo mais alto
O Kokoro é um modelo de TTS de 82 milhões de parâmetros, licenciado sob Apache-2.0, derivado do StyleTTS2, que produz uma fala visivelmente mais natural do que o Piper, a um custo real de recursos que não foi documentado especificamente para hardware Raspberry Pi. Diferente do Piper, o Kokoro não foi construído tendo dispositivos ARM embarcados como alvo principal — ele foi feito para ser pequeno e rápido em comparação com modelos de TTS maiores, em hardware de propósito geral, o que é um objetivo de design diferente de ter desempenho em tempo real especificamente na CPU de um Raspberry Pi.
- 82M de parâmetros, ~327 MB de pesos. Isso é pequeno comparado a um grande modelo de clonagem de voz, mas ainda consideravelmente mais pesado do que uma única voz do Piper, que geralmente fica bem abaixo de 100 MB.
- Licença Apache-2.0. Permissiva e amigável ao uso comercial — sem a restrição não comercial no estilo CPML que existe no XTTS v2.
- Sem benchmark de tempo real documentado no Raspberry Pi. A PromptQuorum não encontrou um benchmark publicado e com fontes mostrando o Kokoro rodando em tempo real especificamente em hardware Raspberry Pi 4 ou Raspberry Pi 5. Trate qualquer afirmação de tempo real sobre o Kokoro em um Pi como não verificada até você mesmo testar.
- Um Raspberry Pi 5 é o alvo mais realista. Sua CPU Cortex-A76 a 2,4GHz oferece consideravelmente mais poder de processamento do que a Cortex-A72 de um Raspberry Pi 4, o que importa mais para um modelo mais pesado como o Kokoro do que para o Piper, mais leve.
Coqui TTS e XTTS v2: quando a clonagem de voz importa
O Coqui TTS e seu modelo XTTS v2 adicionam clonagem de voz a partir de apenas 6 segundos de áudio de referência, mas ambos pressupõem aceleração por GPU e não são uma opção realista para hardware Raspberry Pi apenas com CPU. Se o seu projeto realmente precisa clonar uma voz específica em vez de usar uma pré-treinada, essa é a única opção desta lista que faz isso — mas planeje rodá-lo em outro lugar e transmitir o áudio para o Pi, não rodá-lo no próprio Pi.
- O XTTS v2 clona uma voz a partir de 6 segundos de áudio em 17 idiomas, segundo seu model card oficial no Hugging Face — veja a análise completa do XTTS v2 da PromptQuorum para comandos de instalação e detalhes de licenciamento.
- GPU é fortemente recomendada, e o uso apenas com CPU não é prático para aplicações em tempo real, segundo a própria análise da PromptQuorum sobre o XTTS v2 — um Raspberry Pi não tem GPU dedicada, então a inferência do XTTS v2 em tempo real no próprio dispositivo não é realista.
- A licença do XTTS v2, a Coqui Public Model License (CPML), é não comercial — uma consideração separada da adequação de hardware. Veja o guia de licenças de TTS e clonagem de voz local para a comparação completa.
- Um padrão comum para projetos com Pi que precisam de vozes clonadas: rode o XTTS v2 em um servidor separado sempre ligado ou em um desktop com GPU, gere o áudio ali, e envie o arquivo de áudio resultante ou o stream para o Raspberry Pi reproduzir — em vez de rodar a inferência no próprio Pi.
espeak-ng: a alternativa leve
O espeak-ng é um motor de TTS por síntese de formantes que roda em quase qualquer hardware, incluindo microcontroladores, mas soa mecânico em vez de natural. Ele é anterior aos motores de TTS neural desta lista em mais de uma década e não é um concorrente genuíno em qualidade de voz — está incluído por ser o piso: a opção com praticamente nenhuma exigência de recursos.
- Roda em praticamente qualquer coisa. O espeak-ng precisa de apenas alguns megabytes de memória e nenhum runtime de rede neural, sendo viável até em hardware bem abaixo das especificações de um Raspberry Pi.
- Soa robótico. Sua abordagem de síntese por formantes — gerar fala a partir de regras acústicas em vez de um modelo neural treinado — produz uma fala inteligível, mas claramente sintética, uma má escolha para um assistente de voz ou sistema de anúncios que deve soar natural.
- Ainda útil como fonemizador. O próprio Piper usa o espeak-ng internamente para converter texto em fonemas, mesmo que a saída de áudio do próprio Piper venha de seu modelo neural, não diretamente do espeak-ng.
- Escolha-o só quando a RAM ou a CPU forem tão limitadas que nem o Piper seja viável — por exemplo, um dispositivo da classe de microcontroladores, e não um Raspberry Pi.
Como instalar o Piper em um Raspberry Pi
Instalar o Piper em um Raspberry Pi é um único pip install seguido do download de um modelo de voz — sem drivers de GPU, sem CUDA, sem etapa de compilação. Esses são os mesmos comandos documentados na análise dedicada do Piper TTS da PromptQuorum, aplicados especificamente a um Raspberry Pi rodando o Raspberry Pi OS (ou outra distribuição Linux ARM baseada em Debian).
- 1Atualize o sistema e instale o Python 3
Why it matters: O Raspberry Pi OS já vem com o Python 3 pré-instalado nas imagens recentes, mas rode `sudo apt update && sudo apt upgrade` primeiro para garantir que o pip e os pacotes do sistema estejam atualizados antes de instalar qualquer coisa nova. - 2Instale o Piper com o pip
Why it matters: Rode `pip install piper-tts` (ou `pip3 install piper-tts`, dependendo da sua imagem). Isso instala o pacote `piper` junto com sua dependência do ONNX Runtime — wheels ARM pré-compilados significam nenhuma etapa de compilação em um Raspberry Pi. - 3Baixe um modelo de voz
Why it matters: Rode `piper --download-dir voices --update-voices --voice en_US-lessac-medium` (substitua por qualquer voz do catálogo de vozes do Piper no Hugging Face). Uma voz de qualidade média é a escolha padrão certa para um Raspberry Pi — é mais rápida do que uma voz de alta qualidade, com uma diferença na saída que é desprezível em um alto-falante comum. - 4Gere fala a partir de texto
Why it matters: Envie texto para o Piper pela linha de comando, por exemplo `echo "Hello from the Raspberry Pi." | piper --model voices/en_US-lessac-medium.onnx --output_file output.wav`, depois reproduza o arquivo WAV resultante com `aplay output.wav`. - 5Integre a um projeto
Why it matters: Para um pipeline completo de assistente de voz (palavra de ativação, reconhecimento de voz, um LLM e o Piper para a resposta), veja o [guia passo a passo da PromptQuorum para montar um assistente de voz offline](/pt/power-local-llm/build-local-voice-assistant-2026); para o Home Assistant especificamente, o Piper já é o motor de TTS padrão nas configurações do pipeline de voz.
Raspberry Pi 4 vs Raspberry Pi 5 para texto para voz
Um Raspberry Pi 5 tem uma CPU consideravelmente mais rápida do que um Raspberry Pi 4, o que importa mais para motores mais pesados como o Kokoro do que para o já leve Piper. Ambas as placas rodam o Piper em tempo real, mas a diferença de CPU amplia o conjunto de opções realistas assim que você considera algo mais pesado.
- Raspberry Pi 4: uma CPU Arm Cortex-A72 quad-core rodando a até 1,8GHz, com configurações de RAM de até 8 GB. Suficiente para síntese do Piper em tempo real; não é um alvo realista para o Kokoro ou o XTTS v2 em tempo real.
- Raspberry Pi 5: uma CPU Arm Cortex-A76 quad-core (BCM2712) rodando a 2,4GHz, com configurações de RAM de até 16 GB — um aumento documentado de 2 a 3 vezes no desempenho de CPU em relação ao Raspberry Pi 4. Essa é a placa a usar se você quiser experimentar o Kokoro em vez do Piper.
- Nenhuma das placas muda o cenário de aceleração por GPU. Ambas não têm uma GPU dedicada compatível com CUDA, então o Coqui TTS e o XTTS v2 continuam impraticáveis para inferência em tempo real no dispositivo em ambas as gerações.
- A RAM importa além do próprio motor de TTS. Se a mesma placa também roda o Home Assistant, um detector de palavra de ativação ou um LLM local para um pipeline completo de assistente de voz, os motores leves (Piper, depois espeak-ng) deixam mais espaço livre para esses outros processos do que o Kokoro ou o Coqui TTS deixariam.
Perguntas frequentes
Qual é o melhor motor de TTS local para um Raspberry Pi?
O Piper é o melhor motor de TTS local para um Raspberry Pi na maioria dos casos de uso. Ele foi criado dentro do projeto de assistente de voz offline Rhasspy especificamente para hardware embarcado apenas com CPU, não precisa de GPU e, por isso, continua sendo o motor de TTS local padrão do Home Assistant. É amplamente relatado que ele roda em tempo real em um Raspberry Pi 4.
O Piper precisa de GPU para rodar em um Raspberry Pi?
Não. O Piper foi projetado para rodar em tempo real em hardware apenas com CPU, incluindo um Raspberry Pi. Existe aceleração opcional por GPU CUDA para maior throughput em hardware de mesa, mas ela não é necessária, e um Raspberry Pi nem tem uma GPU dedicada para isso de qualquer forma.
O Kokoro consegue rodar em tempo real em um Raspberry Pi?
A PromptQuorum não encontrou um benchmark de tempo real documentado e com fontes especificamente para o Kokoro em hardware Raspberry Pi. O Kokoro é um modelo de 82 milhões de parâmetros que roda na CPU em geral, mas não foi construído especificamente para dispositivos ARM embarcados como o Piper. É mais realista testá-lo em um Raspberry Pi 5, com sua CPU Cortex-A76 mais rápida, do que em um Raspberry Pi 4 — faça o benchmark você mesmo antes de depender dele para um caso de uso interativo ao vivo.
Por que não usar o XTTS v2 para clonagem de voz em um Raspberry Pi?
O XTTS v2 pressupõe aceleração por GPU para seu desempenho de baixa latência documentado, e a própria análise da PromptQuorum sobre o XTTS v2 afirma que o uso apenas com CPU não é prático para aplicações em tempo real. Um Raspberry Pi não tem GPU dedicada, então a inferência do XTTS v2 em tempo real no próprio dispositivo não é realista. Uma solução alternativa comum é rodar o XTTS v2 em um servidor separado equipado com GPU e transmitir o áudio resultante para o Raspberry Pi.
O Piper é gratuito para uso comercial?
O repositório do Piper ativamente mantido, o OHF-Voice/piper1-gpl, está licenciado sob GPL-3.0-or-later, uma mudança em relação à licença MIT do repositório original rhasspy/piper, hoje arquivado. A GPL-3.0 permite o uso comercial do Piper como ferramenta, mas exige liberar modificações ao próprio código-fonte do Piper sob a mesma licença caso você as distribua. Veja a análise completa do Piper TTS da PromptQuorum para o histórico completo de licenciamento — isto não é aconselhamento jurídico.
Qual é a diferença entre um Raspberry Pi 4 e um Raspberry Pi 5 para texto para voz?
Um Raspberry Pi 5 usa uma CPU Arm Cortex-A76 quad-core (BCM2712) a 2,4GHz com configurações de RAM de até 16 GB, um aumento documentado de 2 a 3 vezes no desempenho de CPU em relação ao Cortex-A72 quad-core do Raspberry Pi 4, a até 1,8GHz e com RAM de até 8 GB. Ambos rodam o Piper em tempo real; a folga extra do Pi 5 importa mais se você quiser experimentar um motor mais pesado como o Kokoro.
O Piper suporta outros idiomas além do inglês?
Sim. O Piper vem com vozes pré-treinadas em mais de 20 idiomas, embora não clone a voz de uma pessoa específica — ele usa vozes fixas e pré-treinadas por idioma, em vez de clonar a partir de uma amostra como faz o XTTS v2.
O que é o espeak-ng e quando devo usá-lo em vez do Piper?
O espeak-ng é um motor de TTS por síntese de formantes que roda em quase qualquer hardware, incluindo dispositivos abaixo das especificações de um Raspberry Pi, mas soa mecânico em vez de natural. Use-o apenas quando a RAM ou a CPU forem tão limitadas que nem o Piper seja viável — para a maioria dos projetos com Raspberry Pi, o Piper é a melhor escolha padrão. O próprio Piper usa o espeak-ng internamente para converter texto em fonemas.
Quanta RAM o Piper precisa em um Raspberry Pi?
Os arquivos de modelo do Piper por voz geralmente ficam bem abaixo de 100 MB, e o motor não exige vários gigabytes de RAM para rodar, o que é uma vantagem real em um Raspberry Pi 4 com apenas 2 GB de RAM total, compartilhados com o sistema operacional e quaisquer outros serviços em execução.
Veredito
O Piper é a escolha padrão certa para texto para voz local em um Raspberry Pi, e essa não é uma decisão apertada: ele foi projetado dentro do projeto de assistente de voz offline Rhasspy especificamente para hardware embarcado apenas com CPU, não precisa de GPU, se instala com um comando e continua sendo a voz local padrão do Home Assistant justamente por esses motivos. Use o Kokoro em vez disso se a qualidade de voz importar mais do que uma resposta garantida em tempo real, e somente depois de fazer o benchmark você mesmo no seu modelo específico de Raspberry Pi — seu desempenho de tempo real documentado é em hardware geral, não especificamente em placas ARM da classe do Pi. Use o Coqui TTS ou o XTTS v2 apenas se você realmente precisar de clonagem de voz, e planeje rodar a inferência em uma máquina separada equipada com GPU, em vez de no próprio Pi. Recorra ao espeak-ng apenas como último recurso em hardware limitado demais até para o Piper. Na dúvida, comece com o Piper — é a ferramenta para a qual essa categoria de hardware foi feita rodar.
Fontes
- Análise do Piper TTS — análise completa da PromptQuorum, incluindo histórico de licenciamento, comandos de instalação e integração com o Home Assistant.
- OHF-Voice/piper1-gpl no GitHub — o repositório do Piper ativamente mantido sob a Open Home Foundation.
- Kokoro-82M no Hugging Face — o model card oficial: número de parâmetros, licença e arquitetura.
- Análise do XTTS v2 — análise da PromptQuorum, incluindo o desempenho apenas com CPU e as ressalvas de licenciamento referenciadas aqui.
- Página do produto Raspberry Pi 5 — especificações oficiais do processador BCM2712 e configurações de RAM.
- Construa um assistente de voz totalmente offline — guia passo a passo da PromptQuorum, incluindo a latência medida em um Raspberry Pi 5 para o pipeline completo Whisper + LLM + Piper.