Das Modell erzeugt aus Text Audio-Token, die ein zweiter Baustein in Sprache umwandelt. Damit es handlich bleibt, speichert KittenML die Gewichte ternär, also nur als −1, 0 oder +1 mit einem Faktor je Gruppe: Die Standardfassung belegt 954 Megabyte, eine leicht verlustbehaftete 469 Megabyte, die volle 3,5 Gigabyte. Es gibt 47 eingebaute Stimmen, neun davon für andere Sprachen als Englisch, darunter Deutsch. Marker für Gefühle und Lachen gelten als Beta.
Kostenlos ist die Nutzung für Forschung, nicht kommerzielle und begrenzt kommerzielle Zwecke. Kommerzielle Nutzer müssen sich bei Stellon Labs melden; die Freigabe endet, sobald sie mehr als eine Million Dollar Jahresumsatz erzielen oder insgesamt mehr als eine Million Dollar eingesammelt haben. Wer ein Produkt darauf baut, muss „Powered by Stellon Labs“ anzeigen. Die Lizenz ist widerruflich und verbietet, mit dem Modell oder seinen Ausgaben andere Modelle zu trainieren. Ihre Nutzungsrichtlinie gibt es nur auf Anfrage. Programmcode und Python-Paket bleiben unter Apache 2.0.
Die Ähnlichkeit geklonter Stimmen gibt KittenML mit 0,49 bis 0,72 für eingebaute und 0,81 für eine fremde Aufnahme an; unabhängige Messungen gibt es noch nicht. Echtzeit auf dem Prozessor verspricht das Projekt für einen eigenen C++-Port auf Basis von llama.cpp, nennt dafür aber keine Messwerte. Der YouTube-Kanal Better Stack beobachtete auf einem Mac, dass das Python-Paket die Grafikeinheit nicht nutzt und langsamer als Echtzeit spricht. Bei den Sprachen widerspricht sich die Dokumentation: Das README nennt 20, die verlinkte Stimmen-Doku zehn.