Kokoro ist ein Text‑zu‑Sprache‑Modell mit 82 Millionen Parametern, das weit über seiner Gewichtsklasse liegt. Trotz seiner geringen Größe erzeugt es bemerkenswert natürliche und ausdrucksstarke Sprache. Kokoro unterstützt mehrere Sprachen, darunter Englisch, Japanisch, Chinesisch und Koreanisch, mit einer Vielzahl ausdrucksstarker Stimmen. Es läuft äußerst schnell und erzeugt Audio nahezu 100‑mal schneller als Echtzeit auf einer GPU.