Kokoro TTS online, grátis e privado no seu navegador

O modelo roda no seu próprio computador, toca a primeira frase enquanto o resto é gerado e entrega um WAV para baixar. Quando você toca em Começar, o navegador baixa o modelo Kokoro-82M uma única vez e o guarda no cache. A partir daí, tudo acontece nesta aba. Seu texto é dividido em frases, cada frase vira fonemas, e o modelo transforma os fonemas em áudio de 24 kHz na voz que você escolheu. A primeira frase começa a tocar assim que fica pronta, enquanto as seguintes são geradas por trás.

O texto em inglês passa pelo fonemizador de inglês do próprio Kokoro, que também lê por extenso números, preços e horários. Espanhol, francês, italiano, português e hindi passam pelo eSpeak NG, o mesmo fonemizador que o Kokoro usa para esses idiomas, carregado só quando você escolhe uma dessas vozes. A inferência roda em um worker em segundo plano, então a página continua respondendo.

Em vez de digitar, você pode importar um arquivo: EPUB, PDF, Word (.docx), Markdown, HTML ou texto simples. O arquivo é aberto e lido nesta aba do navegador; nada é enviado. Ele abre em um modo de leitura em tela cheia, com os capítulos de um EPUB no Sumário. Toque em qualquer frase e a ferramenta lê em voz alta a partir dali, gerando só uma ou duas frases à frente do que você ouve, então um livro inteiro nunca precisa ser processado de uma vez. A frase que está sendo lida fica destacada, e você pode pausar ou tocar em outra a qualquer momento.

O mesmo motor está em outras quatro páginas, cada uma preparada para uma tarefa só: ler texto em voz alta, um leitor EPUB online, ler um PDF em voz alta e ouvir sua redação lida em voz alta.

Se você veio procurando um jeito de transformar texto em áudio, ou uma ferramenta de texto para voz, é isto aqui. Digite ou cole até 1.500 caracteres, escolha uma das 41 vozes e toque em Gerar: o texto vira fala no seu navegador, e Baixar WAV o guarda como um arquivo mono de 24 kHz, que qualquer editor de vídeo ou de áudio abre. É um gerador de voz IA grátis no sentido literal das palavras: as vozes são sintéticas, não há cadastro nem contador de créditos, e a licença Apache-2.0 do Kokoro-82M permite uso comercial. Ele não clona vozes nem imita ninguém. Para um roteiro maior do que uma geração, gere o áudio em partes e junte os arquivos no seu editor.

A ferramenta escolhe o motor por você. Não há ajuste de qualidade com que se preocupar: no WebGPU, a ferramenta sempre usa o modelo completo, porque os modelos quantizados menores produzem ali uma fala distorcida.

• WebGPU (placa de vídeo): o modelo em precisão total, um download único de 326 MB. Em um notebook recente, um parágrafo de 40 palavras leva cerca de 3 segundos, e a primeira frase toca depois de mais ou menos 1 segundo. O Chrome, o Edge e o Safari atuais em um computador têm WebGPU.
• CPU (WebAssembly): o modelo de 8 bits, um download único de 92 MB, usado quando o WebGPU não está disponível. É mais lento que o tempo real: conte com a primeira frase depois de 10 a 15 segundos e com 20 a 40 segundos para o mesmo parágrafo, conforme o seu processador.
• Celulares: o mesmo modelo de CPU de 92 MB, em uma configuração mais leve, que pede menos memória ao navegador e fala em trechos mais curtos. Funciona em celulares recentes e é mais lento do que num computador: a fala é gerada mais devagar do que toca, então há pausas entre as frases. Se o download for interrompido, ele continua de onde parou.

Nos dois casos, a segunda visita pula o download: o modelo carrega do cache do navegador em poucos segundos. Num computador, reserve cerca de 1 GB de memória na aba enquanto ele roda.

A voz decide o idioma. A ferramenta oferece as mesmas 41 vozes do app Sandbook, com os nomes e as descrições do app:

• Inglês: 28 vozes, 20 americanas e 8 britânicas, entre elas Heart, Bella, Michael, Emma e George.
• Espanhol: 3 vozes (Dora, Alex, Santa).
• Francês: 1 voz (Siwis).
• Italiano: 2 vozes (Sara, Nicola).
• Português do Brasil: 3 vozes (Dora, Alex, Santa).
• Hindi: 4 vozes (Alpha, Beta, Omega, Psi).

Para ouvir uma voz sem carregar nada, toque no botão de play ao lado do seletor de voz, ou ouça todas as amostras de voz do Kokoro. A velocidade vai de 0,5× a 2,0×, aplicada dentro do modelo, então uma voz rápida ainda soa como uma pessoa falando depressa.

Download. Cada geração de texto digitado pode ser salva como um arquivo WAV mono de 24 kHz. Ainda não é possível exportar em MP3 ou M4A. Os documentos importados são lidos em voz alta na página e não têm download de áudio.

Direitos de uso. O Kokoro-82M é publicado sob a licença Apache-2.0, que permite uso comercial. O áudio que você gera é seu; o Sandbook não reivindica nada sobre ele.

Limites. Texto digitado: até 1.500 caracteres por geração, cerca de um minuto e meio de fala. Arquivos importados: EPUB, PDF, Word (.docx), Markdown, HTML e texto simples, de qualquer tamanho; PDFs digitalizados (sem camada de texto) e livros protegidos por DRM não podem ser lidos. A ferramenta funciona melhor num computador. Também funciona em celulares recentes, mais devagar, e um celular mais antigo pode não ter memória suficiente; quando isso parece provável, a ferramenta avisa antes de baixar. A leitura para quando o celular é bloqueado ou a aba vai para segundo plano. Fechar a aba logo depois do primeiro download pode, às vezes, impedir o navegador de terminar de gravar o cache; nesse caso, a próxima visita baixa o modelo de novo.

Privacidade. Seu texto e o áudio nunca saem do seu navegador. Um arquivo que você importa é aberto no seu aparelho e não é enviado. Os únicos arquivos que a ferramenta busca são o modelo, a voz que você escolhe, para vozes que não são em inglês o fonemizador, e o leitor do tipo de arquivo que você importa.

Créditos. A ferramenta é feita com software de código aberto: 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) e fflate (MIT).

Esta página é uma demonstração do modelo. O Sandbook é o app: ele roda o mesmo modelo Kokoro-82M no iPhone, no iPad e no Mac com Apple MLX, totalmente offline, com as 41 vozes e sem limite de tamanho. Lê em voz alta livros EPUB e PDFs, páginas da web e (no iPhone e no iPad) páginas digitalizadas, destaca cada palavra enquanto ela é falada e lembra onde você parou. Grátis, sem conta e sem nada para comprar. Precisa de um iPhone 12 ou posterior com iOS 18.2, ou de um Mac com chip da Apple (M1 ou posterior) e macOS 15.2.

Como o modelo roda em um celular está explicado na página app de Kokoro TTS para iPhone. Se você só precisa que o celular leia a tela em voz alta, o iOS já faz isso: texto para voz no iPhone com os ajustes nativos. E para ver como o Sandbook se compara ao Speechify, ao NaturalReader e a outros leitores, veja as alternativas de leitores para iPhone.