Kokoro TTS online, gratis y privado en tu navegador

El modelo se ejecuta en tu propia computadora, reproduce la primera frase mientras genera el resto y te da un WAV para descargar. Cuando pulsas Empezar, tu navegador descarga el modelo Kokoro-82M una sola vez y lo guarda en su caché. A partir de ahí, todo ocurre en esta pestaña. Tu texto se divide en frases, cada frase se convierte en fonemas y el modelo convierte los fonemas en audio a 24 kHz con la voz que elegiste. La primera frase empieza a sonar en cuanto está lista, mientras las siguientes se generan detrás.

El texto en inglés pasa por el fonemizador inglés propio de Kokoro, que además lee bien números, precios y horas. El español, el francés, el italiano, el portugués y el hindi pasan por eSpeak NG, el mismo fonemizador que usa Kokoro para esos idiomas, que solo se carga cuando eliges una de esas voces. La inferencia se ejecuta en un worker en segundo plano, así que la página sigue respondiendo.

En lugar de escribir, puedes importar un archivo: EPUB, PDF, Word (.docx), Markdown, HTML o texto sin formato. El archivo se abre y se lee en esta pestaña del navegador; no se sube nada. Se abre en una vista de lectura a pantalla completa, con los capítulos de un EPUB en el Índice. Toca cualquier frase y la herramienta lee en voz alta desde ahí, generando solo una o dos frases por delante de lo que escuchas, así que nunca hace falta procesar un libro entero de una vez. La frase que se está leyendo aparece resaltada, y puedes pausar o tocar otra en cualquier momento.

El mismo motor está preparado para una sola tarea en cada una de otras cuatro páginas: leer texto en voz alta, un lector EPUB online, leer un PDF en voz alta y escuchar tu ensayo en voz alta.

Si buscabas una herramienta de texto a voz o para convertir texto a audio, es esta. Escribe o pega hasta 1.500 caracteres, elige una de las 41 voces y pulsa Generar: el texto se convierte en voz en tu navegador, y Descargar WAV lo guarda como un archivo mono a 24 kHz que abre cualquier editor de video o de audio. Es un generador de voz IA gratis en el sentido llano de las palabras: las voces son sintéticas, no hay registro ni contador de créditos, y la licencia Apache-2.0 de Kokoro-82M permite el uso comercial. No clona una voz ni imita a una persona. Si el guion es más largo de lo que cabe en una generación, genéralo por partes y une los archivos en tu editor.

La herramienta elige el motor por ti. No hay ningún ajuste de calidad con el que equivocarse: en WebGPU usa siempre el modelo completo, porque los modelos cuantizados más pequeños producen ahí una voz distorsionada.

• WebGPU (tarjeta gráfica): el modelo de precisión completa, una descarga única de 326 MB. En una laptop reciente, un párrafo de 40 palabras tarda unos 3 segundos y la primera frase suena al cabo de 1 segundo, más o menos. Chrome, Edge y Safari actuales en una computadora tienen WebGPU.
• CPU (WebAssembly): el modelo de 8 bits, una descarga única de 92 MB, que se usa cuando WebGPU no está disponible. Va más lento que el tiempo real: cuenta con que la primera frase llegue a los 10 a 15 segundos y con 20 a 40 segundos para el mismo párrafo, según tu procesador.
• Teléfonos: el mismo modelo para CPU de 92 MB, con una configuración más ligera que le pide menos memoria al navegador y habla en fragmentos más cortos. Funciona en teléfonos recientes y va más lento que en una computadora: la voz se genera más despacio de lo que se reproduce, así que hay pausas entre frases. Si la descarga se interrumpe, continúa donde se quedó.

En los dos casos, la segunda visita se salta la descarga: el modelo carga desde la caché del navegador en unos segundos. En una computadora, calcula cerca de 1 GB de memoria en la pestaña mientras funciona.

La voz decide el idioma. La herramienta ofrece las mismas 41 voces que la app Sandbook, con los nombres y las descripciones de la app:

• Inglés: 28 voces, 20 estadounidenses y 8 británicas, entre ellas Heart, Bella, Michael, Emma y George.
• Español: 3 voces (Dora, Alex, Santa).
• Francés: 1 voz (Siwis).
• Italiano: 2 voces (Sara, Nicola).
• Portugués de Brasil: 3 voces (Dora, Alex, Santa).
• Hindi: 4 voces (Alpha, Beta, Omega, Psi).

Para escuchar una voz sin cargar nada, pulsa el botón de reproducir junto al selector de voz, o escucha todas las muestras de voz de Kokoro. La velocidad va de 0,5× a 2,0× y se aplica dentro del modelo, así que una voz rápida sigue sonando como una persona que habla deprisa.

Descarga. Cada generación de texto escrito se puede guardar como archivo WAV mono a 24 kHz. Aún no se puede exportar a MP3 ni M4A. Los documentos importados se leen en voz alta en la página y no tienen descarga de audio.

Derechos de uso. Kokoro-82M se publica con la licencia Apache-2.0, que permite el uso comercial. El audio que generas es tuyo; Sandbook no reclama nada sobre él.

Límites. Texto escrito: hasta 1500 caracteres por generación, más o menos un minuto y medio de voz. Archivos importados: EPUB, PDF, Word (.docx), Markdown, HTML y texto sin formato, de cualquier longitud; no se pueden leer los PDF escaneados (sin capa de texto) ni los libros protegidos con DRM. La herramienta funciona mejor en una computadora. También funciona en teléfonos recientes, más despacio, y a un teléfono antiguo puede no alcanzarle la memoria; cuando eso parece probable, la herramienta lo avisa antes de descargar. La lectura se detiene cuando el teléfono se bloquea o la pestaña pasa a segundo plano. Cerrar la pestaña justo después de la primera descarga puede impedir, en ocasiones, que el navegador termine de guardar la caché; en ese caso, la siguiente visita vuelve a descargar el modelo.

Privacidad. Tu texto y el audio nunca salen de tu navegador. Un archivo que importas se abre en tu dispositivo y no se sube. Los únicos archivos que descarga la herramienta son el modelo, la voz que eliges, para las voces que no son en inglés el fonemizador, y el lector del tipo de archivo que importas.

Créditos. La herramienta está hecha con software de código abierto: Kokoro-82M (Apache-2.0), ONNX Runtime Web (MIT), Transformers.js (Apache-2.0), kokoro-js (Apache-2.0), eSpeak NG (GPL-3.0), PDF.js (Apache-2.0) y fflate (MIT).

Esta página es una demostración del modelo. Sandbook es la app: ejecuta el mismo modelo Kokoro-82M en iPhone, iPad y Mac con Apple MLX, totalmente sin conexión, con las 41 voces y sin límite de longitud. Lee en voz alta libros EPUB y PDF, páginas web y (en iPhone y iPad) páginas escaneadas, resalta cada palabra mientras la lee y recuerda dónde lo dejaste. Gratis, sin cuenta y sin nada que comprar. Necesita un iPhone 12 o posterior con iOS 18.2, o un Mac con chip de Apple (M1 o posterior) y macOS 15.2.

Cómo funciona el modelo en un teléfono se explica en la página Kokoro TTS para iPhone. Si solo necesitas que el teléfono lea la pantalla en voz alta, iOS ya lo hace: texto a voz en el iPhone con los ajustes que ya trae. Y para ver cómo se compara Sandbook con Speechify, NaturalReader y los demás lectores, consulta las alternativas de lectores para iPhone.