Kokoro 82M

🚀 Kokoro - 轻量级高效文本转语音模型

Kokoro是一个拥有8200万参数的开源权重文本转语音（TTS）模型。尽管架构轻量，但它能提供与大型模型相媲美的语音质量，同时速度更快、成本更低。其权重采用Apache许可证，可广泛应用于生产环境和个人项目。

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

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

🚀 快速开始

你可以在 Google Colab 上运行以下基础代码。点击聆听示例语音。如需了解更多语言和详细信息，请查看 高级用法。

!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)

在底层，kokoro 使用了 misaki 这个G2P库，其代码位于 https://github.com/hexgrad/misaki

✨ 主要特性

• 轻量高效：仅8200万参数，却能提供与大型模型相媲美的语音质量，且速度更快、成本更低。
• 开源许可：采用Apache许可证，可自由用于生产环境和个人项目。
• 多语言支持：支持多种语言和丰富的语音。

📦 安装指南

在 Google Colab 上运行以下命令进行安装：

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

💻 使用示例

基础用法

# 你可以在 [Google Colab](https://colab.research.google.com/) 上运行这个基础代码块。[聆听示例语音](https://huggingface.co/hexgrad/Kokoro-82M/blob/main/SAMPLES.md)。
# 更多语言和详细信息请参考 [高级用法](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)

高级用法

如需了解更多语言和详细信息，请查看 高级用法。

📚 详细文档

版本发布

模型信息

训练详情

• 训练数据：Kokoro仅使用许可/无版权音频数据和国际音标（IPA）音素标签进行训练。许可/无版权音频示例包括：
  • 公共领域音频
  • 采用Apache、MIT等许可证的音频
  • 大型供应商的封闭^[2] TTS模型生成的合成音频^[1]
    [1] https://copyright.gov/ai/ai_policy_guidance.pdf
    [2] 不使用开源TTS模型或“自定义语音克隆”生成的合成音频
• 总数据集大小：数百小时的音频
• 总训练成本：使用A100 80GB显存GPU训练1000小时，约$1000

知识共享归因

以下采用CC BY许可的音频是训练Kokoro v1.0所用数据集的一部分。

致谢

• 🛠️ 感谢 @yl4579 设计了StyleTTS 2架构。
• 🏆 感谢 @Pendrokar 将Kokoro引入TTS Spaces Arena。
• 📊 感谢所有贡献合成训练数据的人员。
• ❤️ 特别感谢所有计算资源赞助者。
• 👾 Discord服务器：https://discord.gg/QuGxSWBfQy
• 🪽 Kokoro是一个日语词汇，意为“心”或“精神”。它也是 《终结者》系列中的一个AI名称。

📄 许可证

本项目采用Apache-2.0许可证。

⚠️ 重要提示

截至2025年4月，通过API使用Kokoro的市场价格为每百万字符文本输入低于1美元，或每小时音频输出低于0.06美元。（平均而言，1000字符输入约为1分钟输出。）参考来源：ArtificialAnalysis/Replicate，每百万字符0.65美元 和 DeepInfra，每百万字符0.80美元。

这是一个采用Apache许可证的模型，Kokoro已在众多项目和商业API中部署。我们欢迎在实际用例中部署该模型。

⚠️ 重要提示

像kokorottsai_com（快照：https://archive.ph/nRRnk）和kokorotts_net（快照：https://archive.ph/60opa）这样的虚假网站可能是以流行模型之名进行的诈骗。

任何根域名中包含“kokoro”的网站（如kokorottsai_com、kokorotts_net）并非由本模型页面或其作者所有，也与之无关联，任何试图暗示关联的行为都应引起警惕。