Il dato più rumoroso del benchmark che ha messo Pocket TTS a confronto con Kokoro, Supertonic e Inflect-Nano non è la velocità — anzi, è il più lento dei sei configurazioni testate su Xeon a 4 core. È che nessun altro modello TTS funzionante su CPU può clonare una voce in cinque secondi di audio. Pocket TTS lo fa, senza fine-tuning, senza GPU, senza restrizioni commerciali. E questo cambia il profilo di chi può permettersi un text-to-speech che suoni come una persona reale.

Il modello, sviluppato da Kyutai, è una rete da circa 100 milioni di parametri che tratta il parlato come un LLM autoregressivo: genera token audio direttamente, decodificandoli a 24 kHz tramite il codec neurale Mimi. Non c’è la classica separazione tra modello acustico e vocoder; ogni token viene prodotto in sequenza, il che spiega due comportamenti esotici. La latenza è piatta: l’RTF si aggira su 0.69–0.76 sia con 12 caratteri sia con 1712. Kokoro, per confronto, oscilla da 0.49 a 0.83 a seconda della lunghezza. Ed è uno streaming model, adatto a interfacce interattive dove il primo fonema parte subito.

La clonazione zero-shot è la carta d’identità. Basta un segmento di riferimento di 5 secondi, e il sistema riproduce accento, timbro, cadenza e persino il carattere del microfono originale. Questo non è un raffinamento di un vocoder preaddestrato: è un salto architetturale che nessuno degli altri modelli testati — Kokoro, Supertonic, Inflect-Nano — può fare, perché lavorano con set di voci fissi. Sul piano pratico, significa che un’azienda può dare voce ai propri assistenti vocali senza inviare dati a un servizio cloud e senza aspettare settimane di fine-tuning. La sovranità dei dati qui è immediata: il riferimento vocale non lascia mai l’infrastruttura on-premise.

Durante il benchmark, per ottenere un confronto equo sulla qualità, Pocket TTS è stato ancorato a una voce preimpostata (“alba”). I numeri oggettivi (punteggio MOS via UTMOS) lo danno a 4.10, leggermente sotto Kokoro (4.44–4.46) ma sopra Inflect-Nano e le configurazioni più veloci di Supertonic. Da segnalare il caso Inflect-Nano: UTMOS gli assegna 3.48, ma all’orecchio suona ronzante e robotico — un fallimento noto dei predittori di qualità quando giudicano vocoder HiFi-GAN molto piccoli. Inoltre, il modello tronca l’output dopo circa 15 secondi, gonfiando l’RTF sui testi lunghi.

Sul fronte della praticità, l’installazione è sorprendentemente indolore: un semplice pip install pocket-tts e il sistema scarica i pesi al primo avvio. Non servono build CUDA, né percorsi da aggiustare a mano. Per chi valuta deployment on-premise, questo è un differenziale spesso sottovalutato: la facilità di messa a terra riduce il costo operativo tanto quanto un buon TCO.

E poi c’è la licenza. Pocket TTS è MIT, che permette essenzialmente qualsiasi uso commerciale. Kokoro è Apache 2.0 (comunque permissiva), ma Supertonic adotta OpenRAIL-M con restrizioni per il commerciale. In un contesto enterprise dove la compliance legale è un prerequisito, la licenza MIT elimina un intero strato di negoziazione.

La lettura strutturale non è banale. Un modello da ~100M parametri su CPU che sa clonare identità vocali suggerisce che la compressione dell’informazione paralinguistica può funzionare senza GPU e con un codec neurale leggero. Questo abbassa il piano d’investimento per scenari di voce sintetica personalizzata: hotellerie, sanità, assistenza remota, dispositivi IoT che gestiscono comandi vocali naturali senza roundtrip sul cloud. Persino nel giornalismo o nei media, dove si potrebbero generare voice-over multilingue mantenendo l’impronta di un reporter.

Al tempo stesso, la tecnicia solleva domande sulla protezione dall’abuso: la clonazione senza consenso diventa più economica e portabile. Non è un problema nuovo, ma finora i modelli con queste capacità richiedevano potenza di calcolo che fungeva da barriera implicita. Pocket TTS, girando su un Xeon a 4 core, sposta il confine. La responsabilità della governance finisce interamente su chi integra il modello, non su un gatekeeper tecnicico.

Chi perde? I fornitori di TTS commerciali che vendono voci predefinite o clonazione come servizio a pagamento potrebbero vedere eroso il valore della personalizzazione di base. Chi vince? Ogni organizzazione con esigenze di controllo dei dati e personalizzazione vocale che prima escludeva il voice cloning perché troppo oneroso in infrastruttura.

Pocket TTS non è il TTS più veloce, né quello con il MOS più alto. Ma la combinazione di architettura streaming, clonazione zero-shot su CPU e licenza MIT lo rende l’unico a poter entrare in ambienti dove la voce generata deve assomigliare a qualcuno in carne e ossa, senza che i campioni vocali escano mai dalla sala macchine.