Solução completa e pronta para produção do modelo Kokoro-82M: container Docker otimizado para GPU, API compatível com OpenAI e vozes em português brasileiro.
O kokoro-82m-tts é uma evolução de engenharia do modelo Kokoro-82M desenvolvida por Alex Santos. O repositório original continha apenas uma biblioteca Python crua para instalação via pip, sem API REST, sem containerização e sem documentação em português. Alex empacotou todo o ecossistema em um container Docker otimizado com suporte a GPU NVIDIA, construiu um servidor web de alta velocidade com API 100% compatível com a especificação da OpenAI (`/v1/audio/speech`), adicionou 3 vozes nativas em Português Brasileiro (pf_dora, pm_alex e pm_santa) e escreveu uma suíte com 7 testes automatizados de validação.
Visão macro de como o projeto processa requisições, gerencia dados e entrega valor técnico com máxima eficiência.
+-----------------------+ +---------------------------+ +-----------------------+
| App Cliente | HTTP | Container Docker Kokoro | CUDA | GPU NVIDIA (CUDA) |
| (Qualquer app OpenAI) | ===> | (FastAPI /v1/audio/speech)| ===> | Modelo Kokoro-82M |
+-----------------------+ +---------------------------+ +-----------------------+
|
v
+---------------------------+
| Síntese Fonética PT-BR |
| (pf_dora, pm_alex...) |
+---------------------------+
|
v
+---------------------------+
| Áudio WAV/MP3 Streaming |
+---------------------------+Decisões de design, algoritmos e técnicas aplicadas para garantir confiabilidade, segurança e excelência operacional.
Instalar bibliotecas de áudio e PyTorch diretamente no host costuma gerar inferno de versões de CUDA e drivers de áudio. A imagem Docker oficial criada no projeto empacota o runtime NVIDIA CUDA, as dependências do Kokoro e o servidor FastAPI em um ambiente isolado pronto para uso.
O endpoint aceita a mesma assinatura da API da OpenAI (`model`, `input`, `voice`, `response_format`). Qualquer aplicação que já utilize o SDK oficial da OpenAI pode apontar o `base_url` para o IP do container e usufruir de síntese local instantânea com custo zero por caractere.
Adicionou suporte a três vozes brasileiras de altíssima qualidade: `pf_dora` (voz feminina jovem e expressiva), `pm_alex` (voz masculina clara para tutoriais e documentários) e `pm_santa` (voz masculina institucional grave), superando robôs tradicionais de sintetização.
O repositório inclui um script de testes automatizado (`test_tts_suite.py`) que valida: streaming de áudio contínuo, limites de tamanho de prompt (textos longos de 1.000+ caracteres), geração de múltiplos formatos (WAV, MP3, AAC), sanitização de caracteres especiais e medição de latência RTF (Real-Time Factor < 0.1).
Exemplo concreto de uso, configuração e integração técnica.
# 1. Rodar o container com suporte a GPU NVIDIA
docker run -d --gpus all -p 8880:8880 \
--name kokoro-tts \
ghcr.io/alexlivre/kokoro-82m-tts:latest
# 2. Gerar áudio via cURL com voz brasileira
curl -X POST http://localhost:8880/v1/audio/speech \
-H "Content-Type: application/json" \
-d '{
"model": "kokoro",
"voice": "pm_alex",
"input": "Olá! Este áudio foi sintetizado localmente com o modelo Kokoro 82M.",
"response_format": "mp3"
}' --output audio_sintetizado.mp3Esclarecimentos detalhados sobre funcionamento, licenças, compatibilidade e privacidade.
Não. Por ter apenas 82 milhões de parâmetros, o modelo consome apenas cerca de 1.2 GB de VRAM na GPU, podendo rodar confortavelmente até mesmo em placas mais modestas como a GTX 1650 ou RTX 3050.
Sim, a imagem possui fallback automático para execução via CPU com suporte a multithreading no PyTorch.
Basta instanciar o cliente com: OpenAI(base_url="http://localhost:8880/v1", api_key="not-needed") e invocar client.audio.speech.create(...).
Sim, o modelo base Kokoro suporta inglês (americano e britânico), além de outros idiomas europeus e asiáticos.