Kokoro 82M

🚀 Kokoro - 輕量級高效文本轉語音模型

Kokoro是一個擁有8200萬參數的開源權重文本轉語音（TTS）模型。儘管架構輕量，但它能提供與大型模型相媲美的語音質量，同時速度更快、成本更低。其權重採用Apache許可證，可廣泛應用於生產環境和個人項目。

🐈 GitHub：https://github.com/hexgrad/kokoro

🚀 演示地址：https://hf.co/spaces/hexgrad/Kokoro-TTS

🚀 快速開始

你可以在 Google Colab 上運行以下基礎代碼。點擊聆聽示例語音。如需瞭解更多語言和詳細信息，請查看 高級用法。

!pip install -q kokoro>=0.9.2 soundfile
!apt-get -qq -y install espeak-ng > /dev/null 2>&1
from kokoro import KPipeline
from IPython.display import display, Audio
import soundfile as sf
import torch
pipeline = KPipeline(lang_code='a')
text = '''
[Kokoro](/kˈOkəɹO/) is an open-weight TTS model with 82 million parameters. Despite its lightweight architecture, it delivers comparable quality to larger models while being significantly faster and more cost-efficient. With Apache-licensed weights, [Kokoro](/kˈOkəɹO/) can be deployed anywhere from production environments to personal projects.
'''
generator = pipeline(text, voice='af_heart')
for i, (gs, ps, audio) in enumerate(generator):
    print(i, gs, ps)
    display(Audio(data=audio, rate=24000, autoplay=i==0))
    sf.write(f'{i}.wav', audio, 24000)

在底層，kokoro 使用了 misaki 這個G2P庫，其代碼位於 https://github.com/hexgrad/misaki

✨ 主要特性

• 輕量高效：僅8200萬參數，卻能提供與大型模型相媲美的語音質量，且速度更快、成本更低。
• 開源許可：採用Apache許可證，可自由用於生產環境和個人項目。
• 多語言支持：支持多種語言和豐富的語音。

📦 安裝指南

在 Google Colab 上運行以下命令進行安裝：

!pip install -q kokoro>=0.9.2 soundfile
!apt-get -qq -y install espeak-ng > /dev/null 2>&1

💻 使用示例

基礎用法

# 你可以在 [Google Colab](https://colab.research.google.com/) 上運行這個基礎代碼塊。[聆聽示例語音](https://huggingface.co/hexgrad/Kokoro-82M/blob/main/SAMPLES.md)。
# 更多語言和詳細信息請參考 [高級用法](https://github.com/hexgrad/kokoro?tab=readme-ov-file#advanced-usage)。
!pip install -q kokoro>=0.9.2 soundfile
!apt-get -qq -y install espeak-ng > /dev/null 2>&1
from kokoro import KPipeline
from IPython.display import display, Audio
import soundfile as sf
import torch
pipeline = KPipeline(lang_code='a')
text = '''
[Kokoro](/kˈOkəɹO/) is an open-weight TTS model with 82 million parameters. Despite its lightweight architecture, it delivers comparable quality to larger models while being significantly faster and more cost-efficient. With Apache-licensed weights, [Kokoro](/kˈOkəɹO/) can be deployed anywhere from production environments to personal projects.
'''
generator = pipeline(text, voice='af_heart')
for i, (gs, ps, audio) in enumerate(generator):
    print(i, gs, ps)
    display(Audio(data=audio, rate=24000, autoplay=i==0))
    sf.write(f'{i}.wav', audio, 24000)

高級用法

如需瞭解更多語言和詳細信息，請查看 高級用法。

📚 詳細文檔

版本發佈

模型信息

訓練詳情

• 訓練數據：Kokoro僅使用許可/無版權音頻數據和國際音標（IPA）音素標籤進行訓練。許可/無版權音頻示例包括：
  • 公共領域音頻
  • 採用Apache、MIT等許可證的音頻
  • 大型供應商的封閉^[2] TTS模型生成的合成音頻^[1]
    [1] https://copyright.gov/ai/ai_policy_guidance.pdf
    [2] 不使用開源TTS模型或“自定義語音克隆”生成的合成音頻
• 總數據集大小：數百小時的音頻
• 總訓練成本：使用A100 80GB顯存GPU訓練1000小時，約$1000

知識共享歸因

以下采用CC BY許可的音頻是訓練Kokoro v1.0所用數據集的一部分。

致謝

• 🛠️ 感謝 @yl4579 設計了StyleTTS 2架構。
• 🏆 感謝 @Pendrokar 將Kokoro引入TTS Spaces Arena。
• 📊 感謝所有貢獻合成訓練數據的人員。
• ❤️ 特別感謝所有計算資源贊助者。
• 👾 Discord服務器：https://discord.gg/QuGxSWBfQy
• 🪽 Kokoro是一個日語詞彙，意為“心”或“精神”。它也是 《終結者》系列中的一個AI名稱。

📄 許可證

本項目採用Apache-2.0許可證。

⚠️ 重要提示

截至2025年4月，通過API使用Kokoro的市場價格為每百萬字符文本輸入低於1美元，或每小時音頻輸出低於0.06美元。（平均而言，1000字符輸入約為1分鐘輸出。）參考來源：ArtificialAnalysis/Replicate，每百萬字符0.65美元 和 DeepInfra，每百萬字符0.80美元。

這是一個採用Apache許可證的模型，Kokoro已在眾多項目和商業API中部署。我們歡迎在實際用例中部署該模型。

⚠️ 重要提示

像kokorottsai_com（快照：https://archive.ph/nRRnk）和kokorotts_net（快照：https://archive.ph/60opa）這樣的虛假網站可能是以流行模型之名進行的詐騙。

任何根域名中包含“kokoro”的網站（如kokorottsai_com、kokorotts_net）並非由本模型頁面或其作者所有，也與之無關聯，任何試圖暗示關聯的行為都應引起警惕。